社区异常行为智能识别防盗报警系统仿真

当前社区智能识别防盗报警系统采用广角视频人工识别异常行为,不能实时对社区异常行为进行监控和报警,存在报警误报率较高、报警延时较长、准确率较低等问题。针对上述问题,提出基于社区异常行为智能识别防盗报警系统,介绍了智能识别防盗报警系统的总体架构,包括图像采集模块、异常行为检测模块、远程监控模块、防盗报警模块四部分组成,并结合运动目标颜色特征的粒子滤波算法实现了对社区异常行为实时监控和实时报警。实验结果表明,所设计的智能识别防盗报警系统,报警误报率较低、报警延时较短、准确率较高。     

远程视频智能监控系统中的蓝屏识别技术

针对远程视频智能监控系统对蓝屏识别的要求,提出了基于颜色的图像识别方法,该方法简单且容易理解,试验证明,使用该方法能准确有效的识别蓝屏,解决了无人状态下,对监视点的自动报警问题。     

基于DSP的火灾图像识别系统设计及应用

现有基于火灾图像识别的报警系统一般采用前端摄像头与视频采集卡的结构，然后由传输网络把图像传输到后台计算机进行处理识别、报警等工作。文中设计了一种DSP＋FPGA的硬件系统结构，利用火灾图像独有的特征，用图像处理方法提取这些特征值，并利用神经网络对火灾进行判别的软件系统。这些处理都在终端进行，减少了监控台的负担。实验结果表明，该系统与传统系统相比，更进一步减少了误报率且具有价格低、响应快、监控范围广、不用更换网络等优点。     

智能视频分析在监狱安全监管中的应用探究

为提高监狱、戒毒所设备智能化和信息化管理水平,减轻监狱民警的工作负担,本文探讨了智能视频分析技术在监狱安全监管中的应用,该系统不仅囊括了传统视频监控具有的通过监控实现对犯人的威慑功能、事后的查证功能,还可以应用于区域管控、人脸分析、建立电子围栏等实际场景,对监控画面中的异常行为主动报警,民警不需要时刻盯着监控。当出现异常行为报警时,监狱民警可实施联动管控,缓解民警压力,向科技要警力,提高监狱安全监管效力。     

基于DSP的火灾图像识别系统设计及应用

现有基于火灾图像识别的报警系统一般采用前端摄像头与视频采集卡的结构,然后由传输网络把图像传输到后台计算机进行处理识别、报警等工作。文中设计了一种DSP FPGA的硬件系统结构,利用火灾图像独有的特征,用图像处理方法提取这些特征值,并利用神经网络对火灾进行判别的软件系统。这些处理都在终端进行,减少了监控台的负担。实验结果表明,该系统与传统系统相比,更进一步减少了误报率且具有价格低、响应快、监控范围广、不用更换网络等优点。     

基于卷积神经网络的目标识别算法研究

随着时代的快速发展,对于监控视频处理,传统人工处理方式已不能满足社会实际发展需求。智能监控依靠目标检测实现监控,目标识别成为计算机视觉领域的重要研究方向,主要从图像或者视频中检测某一类别的目标。基于此,分析卷积神经网络目标识别算法,研究目标检测算法存在的问题,并提出相应对策,有效提高检测算法的有效性和精确度,从而推动智能视频监控的快速发展和广泛应用。     

基于AI边缘深度算法视频分析装置的电力场景异常识别技术研究

针对现有变电站视频监控系统人工巡视模式效率低下的问题,本文基于AI边缘计算技术建立变电站视频深度学习识别模型,构建了适用于变电站现场的电力专用视频智能识别计算单元,采用卷积神经网络算法实现了"烟火""安全帽""异物""画面质量"四大电力定制场景的融合识别,形成"现场视频分析装置+主站云分析平台"的"云-边"协同视频智能...     

煤矿视频联动地磅称重智能识别管理系统

针对传统的煤矿企业地磅称重管理系统因人工采集信息导致工作效率低、质量差,以及因缺乏防作弊监控措施导致偷煤现象频发等问题,设计了一种煤矿视频联动地磅称重智能识别管理系统,详细介绍了该系统的组成、视频联动地磅称重智能识别原理、系统工作流程及软件功能。该系统由视频监控系统、车辆抓拍系统和数据采集系统组成,综合应用数字图像处理、卷积神经网络、计算机网络等技术,实现了基于车牌识别和多特征匹配的煤矿地磅业务智能监控功能。实际应用表明,该系统可靠性高,操作简便,有效减少了人员工作量,并能够防止作弊盗煤现象发生。     

基于Cortex-A8的智能视频传感器的设计

视频监控在安全防范系统中有着重要作用。为了提高视频监控系统的智能化水平,设计并实现一种基于Cortex-A8的智能视频传感器。首先,以s5pv210为处理核心,TVP5150为视频采集模块,电源、网口、串口等外围辅助电路为基础,搭建视频传感器的硬件平台;然后,以嵌入式Linux为系统平台,采用TVP5150进行视频解码,Cortex-A8内置MFC进行视频压缩,在Vi Be等算法的基础上实现对检测区域的区域警戒,烟雾检测等;最后,融合硬件与软件为一体,实现智能视频传感器的设计。实验表明,该设计提高了智能视频监控系统检测报警及智能识别的实时性与准确性。     

结合深度神经网络的网络监控系统微表情识别

为了提高网络监控系统微表情识别的效果,结合深度神经网络技术提出新的智能监控系统微表情识别算法。将判别能力强的卷积神经网络特征与鲁棒的直方图特征结合,利用卷积神经网络提取目标的空间特征,再将卷积特征表示为直方图,结合直方图和卷积神经网络两者的优势设计新的人体追踪算法;设计跨模态监督的深度神经网络训练方法,将可见光视频数据送入深度神经网络进行训练,利用近红外光视频对训练程序进行监督。基于公开的多模态微表情识别数据集完成了验证实验,结果显示该算法有效地提高了微表情识别的性能。     

嵌入式视频和图像识别技术在架空输电线路智能监控中的应用研究

输电线路智能视频监控系统是由嵌入式视频装置、通信通道、后台存储服务器等部分组成,嵌入式视频装置在现场拍摄视频和图像后,现场通过色度提取、基于小波的Canny边缘检测、轨迹追踪、向量机分类等图像识别和模式识别方法,自动识别出架空输电线路本体及周边环境变化产生的风险因素,如导线弧垂变化、大型机械入侵施工、鸟巢活动、飘挂物等,然后产生报警信息后发回服务器,节约了通信费用．经过3年的实际运行经验表明,此系统为佛山地区输电线路防外力破坏发挥了巨大作用,具备广阔的推广应用情景．     

基于超分辨率和深度神经网络的车型识别

车型识别在视频监控系统中起着关键作用,文中利用深度神经网络和超分辨率来实现交通监控中的车型识别。利用深度卷积神经网络CaffeNet,并采用先进的深度学习框架CAFFE和具有强大计算能力的GPU来完成对车辆的车型识别。在图像预处理阶段,采用一种基于深度学习和稀疏表示的图像超分辨率(SR)重构算法,来增强图像的细节信息。其中首先基于深度学习模型自编码器,提出一种改进模型非负稀疏去噪自编码器(Nonnegative Sparse Denoising Auto-Encoders,NSDAE)来实现字典的联合学习,然后基于稀疏表示实现车辆图像的超分辨率重构。经实验验证,在加入超分辨率处理之后,车型识别效果在精确度上得到了明显的提升。     

基于帧间差分和边缘差分的遗留物检测算法

遗留物检测是智能视频监控系统的核心功能,遗留物一般较小,所处环境复杂,传统的运动目标检测算法直接用于遗留物检测效果一般.提出了一种基于帧间差分与边缘差分的遗留物检测算法,首先进行帧间差分得到运动目标区域,然后将当前帧图像和前一帧的背景图像进行边缘差分运算得到运动目标的边缘,融合二次差分的结果即可得到运动目标的完整轮廓特征,最终通过判断运动目标在场景中的滞留时间是否达到或超过报警系统设置的阈值来标示遗留物,供智能视频监控系统处理.实验结果证明该算法实时性好且识别率较高.     

基于LVQ神经网络的视频监控图像火焰检测与识别算法

针对传统火灾火焰探测技术存在不稳定、误判率高的缺点,提出了一种基于人工神经网络的火焰检测与识别算法。通过分析火焰图像的动态特性,利用火焰图像序列的离心率、放射性和整体移动等特征信息,结合学习向量量化(LVQ)神经网络进行训练仿真。实验结果表明,该算法能有效提高监控视频图像中可疑火焰的快速分类,稳定性强,具有较高的火焰识别准确率。     

视频侦查中人像智能分析应用及算法优化

人像智能分析指的是对视频或录像中的人像进行结构化和可视化分析,对目标人物进行性别、年龄、发型等特征的智能识别,这项技术在视频侦查中有极高的应用价值。人像识别早期的算法是通过人工提取特征,通过学习低级视觉特征来针对不同属性进行分类学习,这种基于传统方法的模型表现常常不尽如人意。在计算机视觉领域,通过海量图像数据学习的神经网络比传统方法有更丰富的信息量和特征可以被提取。文章尝试通过深度学习技术训练神经网络模型对行人进行检测和识别,对于衣着不同的行人进行智能识别,具有更好的鲁棒性,提升了视频人像识别的准确率,拓展了人工智能技术在身份识别领域的应用。     

基于无线网的远程视频智能监控系统

提出了基于无线网的视频智能监控系统的原理结构、带宽适应性和智能监控的实现方法，描述了系统中使用的无线组网、基于SPIHT视频编解码算法和基于内容的视频识别等关键技术，给出了系统实现后的实际测试结果及相关性能指标。     

一种可视化智能户外监控系统

针对目前流行的可视化监控系统存在的缺陷,研制了一种利用计算机系统辅助完成运动目标自动检测和分类的智能化监控系统;并针对户外监控场景复杂、干扰大,人体识别困难等问题,提出了检测块、提取函数、特征点等概念,以及基于影子模式的投景直方图技术,基于时空信息的累加和技术和基于边缘检测的几何模型技术等关键技术,以解决户外复杂背景下的人体识别困难问题,以降低户外监控的漏警率和误警率。     

基于深度时空残差卷积神经网络的课堂教学视频中多人课堂行为识别

针对课堂教学场景遮挡严重、学生众多,以及目前的视频行为识别算法并不适用于课堂教学场景,且尚无学生课堂行为的公开数据集的问题,构建了课堂教学视频库以及学生课堂行为库,提出了基于深度时空残差卷积神经网络的课堂教学视频中实时多人学生课堂行为识别算法.首先,结合实时目标检测和跟踪,得到每个学生的实时图片流;接着,利用深度时空残...     

基于深度学习的人体行为识别算法综述

人体行为识别和深度学习理论是智能视频分析领域的研究热点, 近年来得到了学术界及工程界的广泛重视, 是智能视频分析与理解、视频监控、人机交互等诸多领域的理论基础. 近年来, 被广泛关注的深度学习算法已经被成功运用于语音识别、图形识别等各个领域.深度学习理论在静态图像特征提取上取得了卓著成就, 并逐步推广至具有时间序列的视频行为识别研究中. 本文在回顾了基于时空兴趣点等传统行为识别方法的基础上, 对近年来提出的基于不同深度学习框架的人体行为识别新进展进行了逐一介绍和总结分析; 包括卷积神经网络(Convolution neural network, CNN)、独立子空间分析(Independent subspace analysis, ISA)、限制玻尔兹曼机(Restricted Boltzmann machine, RBM)以及递归神经网络(Recurrent neural network, RNN)及其在行为识别中的模型建立, 对模型性能、成果进展及各类方法的优缺点进行了分析和总结.     

基于密集卷积神经网络的遥感飞机识别

传统的飞机识别方法受模糊、遮挡、噪声以及光照等多种因素的干扰时会降低识别率,且卷积神经网络主要依赖局部特征,却丢失了轮廓特征等重要的全局结构化特征,从而导致算法对于受干扰飞机图像识别效果不佳。因此,基于密集卷积神经网络提出一种结合局部与全局特征的联合监督识别方法,以密集卷积神经网络为基础得到图像特征,通过结合局部特征（卷积神经网络特征）与全局特征（方向梯度直方图特征）进行分类,分类器目标函数使用softmax损失和中心损失联合监督方法。实验结果表明,局部特征与全局特征的结合使算法更加智能化,且损失函数联合监督方法能够实现图像深层特征的类内聚合、类间分散,该算法能有效解决卷积神经网络对受到多种干扰的遥感图像识别率低的问题。