智能监控系统中的运动目标分类方法研究

运动目标的分类是智能监控系统中最重要的研究内容之一.提出了一种用于智能监控系统中的运动目标分类方法,可以较为准确地将运动目标分为汽车、人和自行车三类.首先检测出监控视频序列中的运动目标,然后定义了四种目标的形状特征、占空比、长宽比、面积与周长的平方比和惯性主轴方向,这四种特征可以有效地解决因监控的视角和远近带来的形状特...     

视频监控下的人脸跟踪与识别系统

针对智能视频监控系统的要求,设计了一个基于视频监控的自动多人脸跟踪识别系统,该系统的功能是实时跟踪视频监控范围内的人脸并鉴别人脸的身份。针对复杂背景及类似人脸区域的影响,提出了一种Adaboost人脸检测算法和主动形状模型相结合的人脸检测算法,实现人脸的准确检测;针对视频监控范围内人脸偏转、交错以及由于人员不断出入而导致人脸数目发生变化的问题,提出了CamShift和Kalman滤波器相结合的多人脸跟踪算法,同时对跟踪到的人脸进行实时身份识别。实验证明,该系统在视频监控范围内对人脸检测和身份识别准确,跟踪实时性好,是一种建立实时视频监控系统的实用方法。     

基于HMM监控视频的异常事件检测

针对智能监控系统中的行为分析与识别,将隐马尔可夫模型（Hidden Markov model,HMM）应用到智能视频监控系统的异常事件检测中。首先应用背景差法将运动目标提取出来。其次将运动目标的形状、颜色和帧间变化度等特征编码,生成特征向量。训 练时将特征向量送入HMM训练得到隐马尔可夫模型需要的参数[WTHX]A和B[WTBZ],检测时将特征向量送入HMM检测系统检测是否有异常事件发生。最后的实验结果表明,该方法能快速有效地检测监控视频中的异常事件的发生。     

基于OpenCV的行人检测监控系统研究与实现

随着经济发展,人们对安全的意识要求越来越高,视频监控系统中行人检测是近年来研究热点。本论文中设计了一种基于OpenCV的视频监控系统实现方案,该系统利用HOG特征和SVM分类器实现了行人检测和识别,达到犯罪预防、交通管理和意外防范的功能。     

智能视频监控系统异常行为检测算法研究综述

随着公共安全需求的快速增长,监控摄像头数量不断增多,视频监控数据呈爆炸式增长;传统的视频监控系统难以对如此海量的数据进行理解分析,因此智能视频监控系统应运而生;作为一个跨学科的研究领域,智能视频监控系统异常行为检测技术迎来重大机遇的同时也面临不少挑战;为了更好地研究智能视频监控系统异常行为检测算法,梳理了相关研究并从原理上对不同算法进行分类,对基于能量、基于聚类、基于重构、基于推断以及基于深度学习几个不同依据的算法进行对比分析,归纳了各类算法的分支研究方向,接着简要介绍了异常行为检测常用的公开数据集,最后讨论了目前异常行为检测算法所面临的挑战并针对性地提出了未来智能视频监控系统异常行为检测算法的可行研究方向。     

智能识别视频图像质量分析系统在平安城市的应用

近年来,视频监控技术在智能交通、安防监控等各行各业得到了广泛的应用。随着视频监控设备数量的急剧增加,其自身设备的故障维护和管理面临越来越大的挑战。以往采用人工巡检的方式对监控视频设备的故障管理模式已经远远不能满足现实的需求。针对视频监控设备检测中的视频质量分析问题,本文设计并实现了一种视频质量实时检测系统,包括图像预处理、异常检测、结果输出、管理等四个模块。其中图像预处理模块主要是对视频图像格式、分辨率等进行处理;异常检测模块则是视频常见异常的检测算法实现部分;结果输出模块是对异常检测结果的可视化显示;管理模块则是为用户便于管理系统而设计的。测试结果表明该系统基本满足视频质量实时检测要求,不仅检测异常精度高,而且系统性能稳定。     

视频监控系统概述

综合介绍了视频监控系统的发展、结构组成和功能应用等方面的内容，并对不同情况下的视频运动检测算法进行了介绍。在视频监控系统中对图像序列进行运动检测，可以大大提高监控系统的功能，促进监控系统的智能化发展。     

基于互联网的公共场所监控人脸特征目标检测

随着社会发展，公共场所对于安全性的要求日益提高，监控数据量也呈指数级增加，如何准确并快速地对监控视频中人脸进行特征检测筛选，从而提高整体工作效率，对于维护社会稳定、保护人民生命财产安全具有重要意义。本文提出了一种基于互联网上传的海量监控数据的人脸特征目标检测方案，通过对人脸特征，如胡须、眼镜、口罩等特征，对互联网联机多场所监控视频进行检测，筛选出目标人群，从而减少机器人脸识别或传统人工识别工作量，提高识别速度，降低成本，最后以口罩佩戴检测系统的实现案例验证了系统可行性及精准度，并对目标检测技术应用前景进行了展望。     

针对机场行李传送监控视频的侵入者检测

随着智能监控技术的快速发展,越来越多的公共场合监控系统由人力监控向计算机辅助监控转化。机场传送仓作为机场中的重点安全区域,对其进行侵入者的实时检测是十分必要的。人体检测是视觉分析领域的重要组成部分,其在视频监控领域当中有着广泛的应用。针对机场行李传送监控视频,提出了一种用于区分人体与常规行李的视觉特征,并且利用该特征实现了一个实时的智能视频监控系统,用于检测传送仓中的侵入者。实验结果表明,该系统降低了人力资源的消耗,且有效地降低了侵入者的漏报率,从而提高监控质量。     

视频监控中视频质量诊断系统的设计与实现

针对平安城市视频监控画面中存在的黑屏、冻结、偏色等问题,设计并实现了基于监控视频的质量诊断系统。该系统获取前端摄像机的视频图像,调用对应的检测算法对视频图像进行准确分析、判断,并给出告警提示。用户通过Web页面对系统结果,运行情况进行监控。结果表明,该系统实现了对常规视频故障的快速检测,能够满足大规模数字视频监控系统运行的需求。     

基于多属性层次识别的车辆视频 检索系统设计研究

交通监控视频中车辆的有效检测和实时跟踪,是车辆行为分析和识别的前提,也是智能交通系统（ITS） 的核心内容和关键技术。本文在深入分析当前车辆属性识别方法以及车辆视频检索关键技术的基础上,结合交通监控 视频的自身特点,从应用的角度出发,设计一款融合车牌、车身颜色、车型等多个车辆外观属性进行层次识别的机动车辆 检索系统。该系统可为用户提供多种查询方式,从而实现交通监控视频中相关机动车辆的准确检索。     

Abnormal visual event detection based on multi-instance learning and autoregressive integrated moving average model in edge-based Smart City surveillance

The abnormal visual event detection is an important subject in Smart City surveillance where a lot of data can be processed locally in edge computing environment. Real-time and detection effectiveness are critical in such an edge environment. In this paper, we propose an abnormal event detection approach based on multi-instance learning and autoregressive integrated moving average model for video surveillance of crowded scenes in urban public places, focusing on real-time and detection effectiveness. We propose an unsupervised method for abnormal event detection by combining multi-instance visual feature selection and the autoregressive integrated moving average model. In the proposed method, each video clip is modeled as a visual feature bag containing several subvideo clips, each of which is regarded as an instance. The time-transform characteristics of the optical flow characteristics within each subvideo clip are considered as a visual feature instance, and time-series modeling is carried out for multiple visual feature instances related to all subvideo clips in a surveillance video clip. The abnormal events in each surveillance video clip are detected using the multi-instance fusion method. This approach is verified on publically available urban surveillance video datasets and compared with state-of-the-art alternatives. Experimental results demonstrate that the proposed method has better abnormal event detection performance for crowded scene of urban public places with an edge environment.     

基于MPEG-4算法的视频采集卡设计

数字视频监控系统以其直观、方便、信息内容丰富的特点越来越受到人们的重视,已成为安全防范系统的重要组成部分。视频采集子系统主要完成视频图像的采集和压缩,是数字化视频监控中最核心的部分,直接影响着整个监控系统性能和质量的好坏。针对新一代的视频监控系统对视频图像的质量和实时性的要求,本文设计出一种基于DSP和PCI接口的视频采集卡。     

SurvSurf: human retrieval on large surveillance video data

The volume of surveillance videos is increasing rapidly, where humans are the major objects of interest. Rapid human retrieval in surveillance videos is therefore desirable and applicable to a broad spectrum of applications. Existing big data processing tools that mainly target textual data cannot be applied directly for timely processing of large video data due to three main challenges: videos are more data-intensive than textual data; visual operations have higher computational complexity than textual operations; and traditional segmentation may damage video data’s continuous semantics. In this paper, we design SurvSurf, a human retrieval system on large surveillance video data that exploits characteristics of these data and big data processing tools. We propose using motion information contained in videos for video data segmentation. The basic data unit after segmentation is called M-clip. M-clips help remove redundant video contents and reduce data volumes. We use the MapReduce framework to process M-clips in parallel for human detection and appearance/motion feature extraction. We further accelerate vision algorithms by processing only sub-areas with significant motion vectors rather than entire frames. In addition, we design a distributed data store called V-BigTable to structuralize M-clips’ semantic information. V-BigTable enables efficient retrieval on a huge amount of M-clips. We implement the system on Hadoop and HBase. Experimental results show that our system outperforms basic solutions by one order of magnitude in computational time with satisfactory human retrieval accuracy.     

视频监控系统中的一种信息存储新方法

视频监控系统中信息存储是一个重要和有待解决的问题。本文分析了目前视频监控系统中信息存储方面存在的不足,提出了一种基于DSP和USB技术的视频监控系统信息存储方法,在软件实现上运用了动目标检测,动目标分割和图像相似度比较等算法。基于该方法的视频监控系统只记录有动目标存在时的图像,解决了视频监控系统需存储大量视频信息的问题,给DSP扩展的USBHOST接口,方便了信息的存取。     

基于POE技术的船用视频监控系统硬件设计

简要介绍了POE技术的原理及应用,然后根据视频信号传输的制式的不同,对目前视频监控系统做了分类并分别对其特点进行了简要介绍。提出了一种基于POE技术的船用网络视频监控系统的硬件设计方案。该方案按功能将整个网络视频监控系统划分成三大部分,并对各部分的组成及设计原理进行了详细阐述,最后对该视频监控系统的主要特点及其在后期的推广应用作了相应的评估。     

基于多任务CNN的监控视频中异常行人快速检测

在近年来社会公共安全受到广泛关注的情况下,如何利用监控视频对异常行人进行监督,预防危险事件的发生成为了一个热门课题.异常行人是指与普通行人在外观上有明显异常性区别的人,例如用头盔大面积遮挡面部或低头躲避摄像头,考虑到异常行人的特征主要集中在头面部,本文提出一种基于多任务卷积神经网络和单类支持向量机的针对头面部特征的异常行人快速检测方法.首先进行头面部区域的检测,然后使用多任务卷积神经网络提取头面部区域的特征,之后使用单类支持向量机判断是正常行人还是异常行人.此外,本文还针对卷积神经网络设计了一种卷积核拆分方法,加快了特征提取的速度,最终实验表明,本文提出的算法能够快速有效的检测出监控视频中的异常行人.     

智能视觉监控技术研究进展

新一代智能视觉监控技术的研究是一个极具挑战性的前沿课题,它旨在赋予监控系统观察分析场景内容的能力,实现监控的自动化和智能化,因而具有巨大的应用潜力。视觉监控系统的智能化分析过程由运动目标检测、分类、跟踪和视频内容分析等几个基本环节组成,其中视频内容分析又包括异常检测、人的身份识别以及视频内容理解描述等。本文在总结以上有关关键技术研究进展的基础上,进一步提出将超分辨率复原技术引入视觉监控领域,介绍了超分辨率复原的主要算法及其在智能视觉监控中的应用。     

一种基于HOG与SVM的监控视频车辆识别方法

针对基于监控视频的车辆检测识别问题,给出了一种基于视频监控的面包车识别算法。该方法对监控视频中已跟踪的车辆,提取车辆的方向梯度直方图（HOG）特征作为支持向量机（SVM）分类检测的输入,分类识别该车辆是否为面包车;通过车辆大小的检测,增强了分类识别算法的准确性与鲁棒性。实验证明,该方法能准确进行面包车的分类识别,基于实际的标清监控视频,面包车的分类准确率达到90％左右。