一、视频监控系统中的图象预处理技术（论文文献综述）
尹明锋[1]（2020）在《智能视频监控系统中目标跟踪问题的研究》文中研究指明智能视频监控系统作为近年来计算机视觉领域的研究热点,它的主要职能是利用计算机视觉技术和模式识别技术实现所监控场景的自主图像处理、分析和理解,其核心技术包括目标检测、目标跟踪、目标识别和行为理解。智能视频监控系统可以用于社会安全管理、智能交通管理、智慧城市建设等诸多方面,发挥出了巨大的社会效益和经济效益。作为智能视频监控系统的核心技术之一,目标跟踪担负着承前启后的关键任务。目标跟踪是在监控场景中完成目标检测的基础上,对目标进行准确有效地跟踪,为事件检测和行为识别提供支持。论文针对智能视频监控系统中的目标跟踪问题进行了深入研究,展开了以下内容的工作:（1）针对颜色直方图容易受相似颜色分布背景或目标干扰而导致跟踪失败的问题,提出了基于空间直方图的粒子滤波目标跟踪算法。该方法提取空间颜色直方图描述目标,采用目标-背景相似性加权JSD相似性度量方法,增强了目标表观模型的分辨能力,提高了目标跟踪算法的鲁棒性。（2）针对视频监控场景中的目标遮挡问题,提出了基于贝叶斯决策和粒子滤波遮挡目标跟踪算法。该方法采用空间不确定性衡量粒子滤波跟踪的稳定性,利用贝叶斯决策理论判别目标遮挡情况并采取自适应模型更新策略。在粒子滤波跟踪框架下,该方法有着较强的遮挡处理能力。（3）针对智能视频监控系统中目标跟踪实时性和鲁棒性的要求,提出了一种多特征加权时空上下文目标跟踪算法。一方面,时空上下文跟踪框架保障了算法的计算效率;另一方面,多特征模型和权重系数矩阵提升了表观模型在复杂场景中的鉴别能力。最后,采用信息散度最小化方法对不同特征的置信图进行融合,保证每种特征的有效信息得到充分利用。实验结果表明,所提方法具有较好的实时性和鲁棒性。（4）针对视频监控场景中跟踪目标光照变化、尺度变化和遮挡等问题,提出了一种基于通道可靠性的多尺度背景感知相关滤波跟踪算法。首先,提取方向梯度直方图特征、灰度特征和颜色属性特征,增强了目标模型的判别力;其次,为避免通道之间的相互干扰,各通道相关滤波器采取独立训练机制;然后,建立通道可靠性系数衡量各通道特征的置信度,并根据此合成多通道背景感知相关滤波跟踪器的最终响应图;最后,运用尺度池方法对目标尺度进行估计。实验结果表明:所提算法可以有效处理光照变化、尺度变化和遮挡等复杂因素的干扰,并具有较高的精确度和鲁棒性。本文针对智能视频监控系统中的目标跟踪问题,提出了应对不同场景变化的目标跟踪算法,为实现智能视频监控系统中精确、鲁棒和快速的目标跟踪打下了坚实的基础。
李雯雯[2]（2019）在《视频监控中运动人体的检测与追踪技术研究》文中研究指明随着科技的发展,智能视频监控的普及,计算机视觉领域中运动目标的检测与追踪的需求变得越来越重要。虽然已经有大量检测目标和跟踪目标的方法,然而,由于视频中人体成像的差异和背景环境的变化,使得运动目标的检测和追踪成为一项很困难的工作。本文的研究工作主要是在静态背景中检测和追踪运动人体,重点工作内容安排如下:在运动人体检测方面,针对传统三帧差分法检测人体轮廓的不足,提出了一种改进算法,通过改进混合高斯背景模型的建立,获得当前视频帧的背景模型,再使用背景相减法得到当前帧的移动目标区域,再将该运动目标区域进一步划分为非动态区域和动态区域,然后判定得到的动态区域即准确的运动目标区域,并采用不同的背景更新率实时的对背景区域进行更新;同时利用三帧差分法,将视频当前帧分别同前一帧、下一帧做差值运算,并对差值结果进行“与”操作,并将获得的运动目标区域同“与”运算结果,进行相“或”操作,并对操作结果通过形态学相关处理,获得最终平滑的轮廓区域。在运动人体追踪领域,首先叙述了几种主流的目标追踪技术,主要包括基于区域、形状和模型的目标追踪技术。同时以传统追踪方法为基础,并结合Kalman滤波和Meanshift跟踪算法,融入改进思想,使用几何特征去描述人体目标的观测模型,采用了自适应融合的策略,即根据特征信息在跟踪的过程中会根据不同环境中的可信程度来调整在融合过程中的权重;并用Kalman滤波器对目标路径进行预测,再通过Meanshift算法定位运动目标位置信息,进行迭代判断,并利用跟踪框对目标进行标识,同时采用遮挡判断,实现运动人体目标的鲁棒追踪。本文的研究主要以Matlab工具和高清视频进行算法的模拟和仿真,实现了运动人体的检测与有效追踪,并对比了改进算法的性能与精确度,确定了检测和追踪算法的有效性。
郭晓平[3]（2009）在《人脸识别技术及其在视频监控系统中的应用》文中指出人脸识别是近年来随着计算机技术、图象处理技术、模式识别技术等现代成果的快速进步而出现的一种崭新的生物特征识别技术。这项技术应用在城市安全防范中,大大提高了安全工作的实际效果。人脸识别和分析可以广泛地应用在个人身份识别、安检、人机交互、表情分析、唇读等应用中。计算机人脸检测作为人脸识别、人脸分析等应用的前期步骤和首要条件,很早就受到人们的关注。随着计算机应用的普及、性能的提高以及图象处理和模式识别领域的研究逐步成熟,人脸相关的应用越来越成为现实,因此对人脸检测定位的研究也正在受到越来越多的重视。脸部的检测定位是人脸分析技术的一个重要组成部分,其目标是在图象或图象序列中搜索人脸的特征（如眼、鼻、嘴、耳等）的位置,它可广泛应用于人脸跟踪、人脸识别、姿态识别、表情识别、头部图象压缩及重构、脸部动画等领域。本文首先介绍了人脸识别研究的发展历史,阐述了人脸识别研究方法的分类以及常用的人脸识别方法,并且提出人脸识别所面临的技术挑战以及研究趋势。然后详细介绍了我们研发的一个视频监控系统中人脸识别系统的总体设计和实现细节,实验结果表明,该系统能够正常运行。
肖波[4]（2002）在《数字视频监控系统的运动人脸检测问题研究》文中指出运动人脸检测在数字视频监控系统中得到了广泛的应用，对运动人脸检测问题的研究已成为人工智能及模式识别等领域广泛关注的课题。由于数字视频监控系统的运动人脸检测研究涉及到视频的运动目标提取和人脸检测两方面的专业知识，使问题研究起来比较复杂，目前的研究成果还不能完全满足实际的需要。本文在深入分析数字视频监控系统的组成要素基础上，结合目前国内外的研究现状，提出了一套有较强鲁棒性、实时性和准确性的方案——以视频运动目标提取和级联式神经网络模型为技术基础的运动人脸检测系统。该视觉系统由三大功能块构成：运动图象分割子系统、侯选人脸区域图象预处理子系统和人脸精确检测子系统。其主要工作和结论如下： （1）对于运动图象分割子系统；首先在分析了常规目标提取算法的某些缺陷后，本文提出了一种改进的光流算法，用该算法成功地实现了监控系统中被检测图像的运动区域分割，该分割算法具有较强的鲁棒性和抗噪能力。并且，在侯选人脸区域平滑与提取中，本文也充分利用了形态学的闭运算和滤波处理，去除了区域噪声，并对零散的小区域进行合并，取得了较为满意的效果。（2）对于侯选人脸区域图象预处理子系统；首先对侯选人脸区域进行滤波以去除图象噪声，再做灰度拉伸以调节图象的对比度，然后用直方图均衡调节图象的均值和方差，达到灰度归一化的目的。这样消除了不同成象条件造成的影响。（3）对于人脸精确检测子系统；在综合考虑了传统BP神经网络模型在模式识别领域的诸多优点基础上，本文提出了一种两级串联式神经网络的人脸检测模型，该模型以基于灰度信息的神经网络为第一级，以基于色度信息的神经网络为第二级，作为第一级判别的补充。实验证明，该模型具有迅速而准确地人脸检测效果，并且系统的误识率也非常低。（4）本文的“分割——搜索”模式，有效的解决了传统人脸检测算法运算量过大，普遍基于全屏搜索空间的弊端。同时，也是一种充分利用了视频图像运动信息和人脸肤色信息进行运动人脸检测的实用方法。
袁忠奎[5]（2005）在《基于虚拟仪器的智能视频监控技术》文中进行了进一步梳理在视觉监视领域日益追求自动化的今天,一种能完全替代监控人员、自动对监视场景中运动目标（往往指人）实时、持续地主动监视的智能化监控系统的设计非常迫切,这种智能化监控系统一般要求身兼运动检测、人体识别、目标跟踪等自主功能。利用现有计算机强大的计算能力与图象处理与分析、计算机视觉等多学科知识,完全有可能设计出这种无人值守下的智能化监控系统。遗憾的是,目前国内在这种系统的研究上尚处于起步阶段。阻碍这种智能监视系统设计的最大难题是缺乏一个统观全局的算法设计,算法往往达不到前后模块链接紧密、复杂度低且漏警误警率小等实用标准。本文就是在这样的背景下提出的,通过对现有多种算法的研究与分析,在借鉴前人研究的经验和教训的基础上,对运动检测、人体识别和目标定位三个模块进行了算法上的分析与改进,使算法复杂度降低。整个算法的设计在做到实时性要求的同时尽量兼顾系统的鲁棒性。同时,该系统采用了虚拟仪器为平台,充分利用了其在机器视觉、图象处理、自动控制和人机交互等方面的强大功能,从而使系统具有新颖性和良好的应用前景。 文章首先详细介绍了当前视觉监视理论与技术在国内外的研究现状和发展趋势,然后介绍了虚拟仪器和基于虚拟仪器的智能视频监控系统的设计方案及软硬件构成,在主要内容上论文按功能分为运动检测、人体识别和目标定位三个模块分别进行深入探讨。运动检测功能模块是智能化监控系统的“眼睛”和首要环节,其算法设计的好坏是系统成败的关键,它也占据了整个系统绝大部分运算量。运动检测子模块中对传统的算法进行了性能评价,指出了不足,重点采用了背景减除算法和移动平均背景更新算法。后处理模块采用形态学滤波来去噪、补空洞,通过一种简单的算法有效的处理了目标图象的断裂和人体产生的影子。 人体识别功能模块是智能化监控系统的“大脑”和中间环节,是正确进行跟踪的前提。文章借鉴了该领域一些算法的成功经验,采用了一种简单的人体识别方案。识别只针对检测模块输出的二值图象进行,通过对图象中的目标区域提取多个特征再综合判决来简单区分人与物。与其它设计方案相比极大地降低人体识别的运算代价。同时也在一定程度上提高了系统的识别率,比其它单一的识别算法更为切实可行。 文章的最后,进行了总结,同时对本系统的发展提出了展望。
姜珊[6]（2021）在《视频监控系统中的行人异常行为检测方法研究》文中提出智能视频监控中对于维护社会公共安全的秩序发挥着重要的作用,在视频中如何对行人异常行为进行检测是计算机视觉领域的重要研究方向。虽然在行人异常行为检测中已经有很多研究学者取得了一定的研究成果,但是由于在复杂环境变化下行人行为的运动特征信息提取较难,导致研究行人行为异常检测进展缓慢。基于此,本文针对ViBe算法在高动态背景变化下产生闪烁像素点、阴影、鬼影对行人运动目标提取不准确的问题,采用一种基于原ViBe算法的基础上改进型的ViBe算法。随后,在研究基本卷积神经网络和长短时期记忆网络的结构和功能的基础上,采用一种基于3D卷积神经网络与LSTM神经网络相融合的行人奔跑异常行为检测模型。具体总结如下:1)在行人运动目标的提取中,ViBe算法容易受到高动态背景变化下环境的影响,为解决此问题,利用一种改进型的ViBe算法。算法设计中,采用背景动态的变化定义检测闪烁程度的矩阵,设置自适应阈值半径设计出阈值自适应更新策略;利用RGB-HSV色彩空间转换进行阴影检测判断设计器;借助基于相关系数特性比较直方图相似性的方法检测鬼影。通过实验数值比较表明,该算法计算复杂度较低,鲁棒性较好,能够有效的提取较为完整的行人运动目标。2)针对监控视频中对行人奔跑异常行为识别不准确,不能较好的把奔跑异常行为的空间和时间维度上的特征有效结合的现象,利用改进型ViBe算法结合深度学习网络结构,采用了一种适合行人奔跑异常行为检测的3D-CNN和LSTM融合模型方法。该融合模型利用3D-CNN获取行人运动目标在空间上的特征,LSTM利用对时间的记忆功能来获取行人运动目标在时间序列上的行为特征,最后采用Softmax进行分类。实验数据表明,该方法对检测行人奔跑异常行为的准确率得到了有效的提升。
宋薇薇[7]（2020）在《智能监控系统中抑制光照突变和阴影的前景检测算法研究》文中进行了进一步梳理前景检测是智能监控系统获取外部信息的重要步骤之一,在安防体系、智能家居、智能交通以及国防安全等领域都有着广泛的应用。随着智能监控系统的不断革新,前景检测技术也逐渐成为近年来的研究热点。前景检测作为智能监控系统的基础技术,有着重要地位和研究价值,是目标跟踪、行为识别等后续视频序列高层处理工作的前提。目前复杂场景下的前景检测问题,如局部光照突变、阴影干扰等,是国内外研究的热点。本文针对局部光照突变下的前景检测以及阴影抑制进行了研究。主要工作如下:针对现有的前景检测算法对场景中光照突变较为敏感的问题,提出了一种融合改进的LBP算子混合高斯模型算法。该算子模型在LBP算子的基础上,融合了空域和时域信息,加入中心像素信息,并引入自适应光照因子,使阈值可随光照不同而自适应改变。同时高斯模型算法与LBP算法互补了各自在前景检测中的缺点,使本文算法在解决了高斯模型检测存在的“空洞”问题的同时保留了LBP算法检测边缘信息的精确度。本文通过对常用实验场景和具有局部光照突变的特殊场景进行实验,验证了该算法的有效性。针对前景检测中存在的阴影干扰的问题,提出了一种基于HSI颜色空间与I通道比值梯度融合的算法。本文将I通道比值梯度与HSI空间H、S通道的颜色特征结合来达到阴影抑制的目的。实验结果表明,本文提出的阴影抑制算法达到了检测效果,很好的去除了运动阴影,同时保留了前景目标。基于上述工作的基础,利用经典的MATLAB软件设计平台界面,和Open Cv2.4.9开源函数库为图像处理提供接口函数,设计并实现了智能监控视频系统中视频检测处理模块系统的人机交互界面,方便用户更好的控制前景检测以及后续目标跟踪过程。
骆佳程[8]（2020）在《视频序列中的行人行为分析算法研究与实现》文中提出随着人们对公共安全的重视程度不断提升,伴随着视频监控设备与视频处理技术的快速发展,视频监控系统在社会生活中发挥着越来越重要的作用。视频监控技术中的行人行为分析也成为了智能监控领域的研究热点之一,得到了越来越多研究人员的关注。面向视频序列的行人行为分析主要包括行人轨迹分析、行人动作姿态识别、行人流量预测等方向。本文以行人轨迹分析为出发点,针对监控视频中的行人轨迹生成算法与行人轨迹聚类算法展开研究,主要工作与创新点如下:（1）提出一种基于关联跟踪的行人长轨迹生成算法。为有效地解决现有的跟踪算法无法在效率和准确性之间达到平衡,且不适用于行人密度变化场景的问题,本文提出了一种改进的行人轨迹生成算法。该算法分为两个阶段,首先通过在线跟踪算法生成稳定可靠的轨迹片段,然后利用多种特征计算轨迹片段间的相似度完成全局轨迹关联,并引入目标跟踪生命周期管理到整个算法流程中,实现了行人长轨迹生成。最后,通过实验验证,表明了该算法的有效性和可行性。（2）提出了一种融合语义信息的轨迹密度聚类算法。由于监控系统采集到的行人轨迹数据具有占用存储空间大的特点,现有的轨迹聚类算法缺乏合理有效的相似性度量方法,以及轨迹聚类算法存在输入参数难以确定的问题,因此本文提出了一种改进的轨迹聚类算法。该算法综合考虑了监控场景中的实体语义信息,使用有向单向距离来计算轨迹相似性,并利用数据集自身统计特性确定了密度聚类的输入参数,从而实现对轨迹的聚类,进而能够有效地提取出行人运动行为模式。最后,利用现有的行人轨迹数据集对算法进行了验证,实验结果表明本算法高效性和准确性。（3）根据基于轨迹的行人行为分析存在的问题和实验室项目的具体需求,在传统视频监控系统架构的基础上,集成了本文提出的基于跟踪的行人长轨迹生成算法和融合语义信息的轨迹密度聚类算法,设计并开发了一种智能行人轨迹分析平台。首先对系统的总体设计架构进行介绍,并介绍了系统中主要模块的运行流程,最后展示了可视化界面。该系统集成的多种功能使其具有良好的应用价值。
程彤[9]（2020）在《基于OpenPose的实训车间智能监控系统研究与实现》文中研究说明近年来,生产安全事故频繁发生,每次事故也必然会导致一定的生命财产损失,因此生产安全问题一直都是不可忽视的难题。研究发现,人为过失往往是造成生产安全事故发生的重要原因之一,而传统的监控视频无法实现对导致事故的危险行为及时识别并提醒制止。本文旨在通过人体行为识别技术来研究制造业生产过程中的安全管理问题,利用智能监控系统对危险行为进行实时识别并及时提醒制止,以降低生产安全事故的发生率。本文以昆明理工大学工程训练中心的实训车间为研究背景,针对实训车间的特点和现状,以及各车间中潜在的危险行为来研究解决生产安全问题的智能监控系统。实训车间智能监控系统在姿态估计（OpenPose）算法得到的人体骨骼图基础上实现,系统核心功能包括入侵检测、多目标跟踪以及危险行为识别。人体行为识别模型基于深度神经网络（Deep Neural Networks,DNN）进行搭建,将原始数据集通过格式转换和OpenPose算法预处理后得到的人体骨骼图关键节点坐标数据作为新的数据集,在新的数据集基础上完成行为识别模型的训练、评估和测试。系统界面以Py Qt5作为GUI框架进行开发,后台的算法和前端的界面均采用Python语言实现。系统共包括六大模块,分别是行为识别模型构建模块、注册及登录模块、视频采集模块、入侵检测模块、多目标跟踪模块和行为识别模块。入侵检测模块利用OpenPose算法检测监控视野中是否有人员出现从而实现入侵检测功能。多目标跟踪模块采用Deep SORT物体跟踪算法实现了多目标跟踪和人数统计的功能。行为识别模块实现了人体行为识别功能,并能对特定危险行为做出警示提醒。通过评估测试,本文所构建的人体行为识别模型平均识别精度达到98.63%,开发的实训车间智能监控系统原型功能正常且运行流畅,表明本文构建的行为识别模型有效,采用的关键技术和解决方案可行。
马腾飞[10]（2020）在《自适应特征匹配的行人识别技术研究及实现》文中进行了进一步梳理近年来,随着视频监控的飞速发展,公安机关使用视频监控来寻找犯罪嫌疑人的需求也是越来越大,智能视频监控也将是未来视频监控的发展趋势,而行人识别技术是智能安防的重要应用之一。由于监控场景中存在行人图片模糊、姿态多变、目标过小等问题,导致视频监控下的行人识别的精度较低。目前的识别方式是基于整张行人图片的特征进行,方式过于单一,不能灵活的使用行人最有价值的特征来识别,也不能自定义行人部分属性特征来实现行人粗分类识别,所以当前的行人识别方法具有较强的局限性。在实际应用中获取的行人可用信息不同,当具有清晰的检索目标人脸照片时,就应当采取人脸特征作为唯一标识进行识别,若要查找戴眼镜穿短袖的男性时,就应当获取属性特征信息进行识别。充分使用行人的多属性特征进行识别的方式将是监控中行人识别的主流技术,自适应选取特征的行人识别技术也是迫在眉睫。针对以上的问题本文提出自适应特征匹配的行人识别技术,主要工作如下:（1）研究基于YOLOv3-Ma的抗干扰行人检测器。针对实际场景中存在的检测干扰因素和监控系统产生的海量数据帧问题,本文分析原模型数据初始化中,存在初始聚簇中心的随机选取和离群噪声数据的干扰等问题,提出了初始聚簇中心规则选取机制和离群噪声因子去除机制,使得行人检测器在多种测试场景中测试准确率提升了 1.5%左右。面对海量的监控数据,如果针对每一帧数据进行检测,极大的降低了检测效率,本文加入了去除相似帧的检测机制,有效的解决了监控系统中的相似帧检测问题,检测速度得到显着的提升。（2）研究视频监控下自适应特征选取的行人识别技术。针对监控系统中的行人姿态多样性导致识别精度较低和识别方式单一等问题,本文首先提出了行人属性特征分级机制,依据行人不同的粗姿态下,不同的属性特征具有不同的使用价值,并设计出自适应选取特征识别的机制。有效解决了依靠单一行人属性识别的局限性问题,也实现了依据属性的行人粗分类识别,满足了实际监控中多样化需求。同时加入依据拉普拉斯算子和像素数的质量判定机制,去除输入的劣质行人数据。最终在多种复杂场景的测试下的平均准确率达到了 72%左右,实现了行人的特征细化和粗分类识别。本文在实现自适应特征匹配的行人识别机制后,将该研究应用在实际的视频监控中,满足当前智能视频监控的实时性、准确性、识别方式多样性等需求。
二、视频监控系统中的图象预处理技术（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、视频监控系统中的图象预处理技术（论文提纲范文）
（1）智能视频监控系统中目标跟踪问题的研究（论文提纲范文）
| 摘要 |
| Abstract |
| 缩略词表 |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 智能视频监控系统的发展和现状 |
| 1.2.1 视频监控系统的发展 |
| 1.2.2 智能视频监控系统的现状 |
| 1.2.3 智能视频监控系统基本框架 |
| 1.3 智能视频监控中的目标跟踪问题 |
| 1.3.1 目标跟踪基本框架 |
| 1.3.2 目标跟踪方法分类 |
| 1.3.3 目标跟踪面临的挑战 |
| 1.4 论文的章节安排与主要研究内容 |
| 1.4.1 论文章节安排 |
| 1.4.2 论文主要研究内容 |
| 2 目标跟踪基础 |
| 2.1 引言 |
| 2.2 基于粒子滤波的目标跟踪 |
| 2.3 基于相关滤波的目标跟踪 |
| 2.3.1 MOSSE相关滤波跟踪方法 |
| 2.3.2 核相关滤波跟踪方法 |
| 2.3.3 其他经典相关滤波跟踪方法 |
| 2.4 跟踪算法测试数据集和性能评价方法 |
| 2.4.1 测试视频集 |
| 2.4.2 跟踪算法集 |
| 2.4.3 算法性能评价准则 |
| 2.4.4 算法性能整体评估 |
| 2.5 本章小结 |
| 3 基于粒子滤波的目标跟踪方法 |
| 3.1 引言 |
| 3.2 基于改进的空间直方图相似性度量的粒子滤波目标跟踪 |
| 3.2.1 颜色直方图 |
| 3.2.2 空间直方图 |
| 3.2.3 空间直方图的相似性度量 |
| 3.2.4 目标-背景相似性加权JSD相似性度量方法 |
| 3.2.5 实验结果与分析 |
| 3.3 基于贝叶斯决策和粒子滤波的遮挡目标跟踪 |
| 3.3.1 遮挡问题研究 |
| 3.3.2 算法描述 |
| 3.3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 多特征加权时空上下文目标跟踪 |
| 4.1 引言 |
| 4.2 时空上下文目标跟踪 |
| 4.3 多特征加权时空上下文跟踪方法 |
| 4.3.1 多特征提取 |
| 4.3.2 加权系数矩阵 |
| 4.3.3 加权时空上下文跟踪 |
| 4.3.4 多特征置信图融合 |
| 4.3.5 尺度更新策略 |
| 4.4 实验结果与分析 |
| 4.4.1 实验环境与参数设置 |
| 4.4.2 定量分析 |
| 4.4.3 定性分析 |
| 4.4.4 复杂度分析 |
| 4.5 本章小结 |
| 5 基于通道可靠性的多尺度背景感知相关滤波跟踪方法 |
| 5.1 引言 |
| 5.2 算法描述 |
| 5.2.1 多通道特征提取 |
| 5.2.2 背景感知相关滤波器 |
| 5.2.3 多通道背景感知相关滤波器 |
| 5.2.4 通道可靠性系数 |
| 5.2.5 尺度估计 |
| 5.2.6 模型更新 |
| 5.3 实验结果与分析 |
| 5.3.1 实验环境与参数设置 |
| 5.3.2 定量分析 |
| 5.3.3 定性分析 |
| 5.3.4 复杂度分析 |
| 5.4 本章小结 |
| 6 结束语 |
| 6.1 本文工作总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（2）视频监控中运动人体的检测与追踪技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 运动目标检测 |
| 1.2.2 运动目标追踪 |
| 1.3 研究的主要技术 |
| 1.4 研究中存在的问题 |
| 1.5 论文主要章节安排 |
| 2 图像预处理相关技术 |
| 2.1 图像增强 |
| 2.1.1 图像灰度变换 |
| 2.1.2 直方图均衡化 |
| 2.2 图像平滑 |
| 2.2.1 均值滤波 |
| 2.2.2 中值滤波 |
| 2.3 图像分割 |
| 2.4 形态学图像处理 |
| 2.4.1 腐蚀和膨胀 |
| 2.4.2 开操作与闭操作 |
| 2.5 本章小结 |
| 3 运动人体检测算法 |
| 3.1 主要检测方法 |
| 3.1.1 背景减法 |
| 3.1.2 帧差分法 |
| 3.1.3 光流场法 |
| 3.2 运动目标背景模型建立 |
| 3.2.1 单高斯背景建模 |
| 3.2.2 混合高斯背景建模 |
| 3.3 阴影去除 |
| 3.4 基于混合高斯与三帧差分的运动人体检测 |
| 3.4.1 背景提取及参数更新 |
| 3.4.2 三帧差分算法 |
| 3.4.3 本文检测算法流程 |
| 3.5 实验结果及分析 |
| 3.5.1 室外行人仿真结果分析 |
| 3.5.2 室内行人仿真结果分析 |
| 3.5.3 不同算法相关指标对比 |
| 3.6 本章小结 |
| 4 运动人体追踪算法 |
| 4.1 常用运动目标跟踪方法 |
| 4.1.1 基于区域的人体目标跟踪 |
| 4.1.2 基于形状的人体目标跟踪 |
| 4.1.3 基于模型的人体目标跟踪 |
| 4.2 Kalman滤波算法追踪原理 |
| 4.2.1 Kalman滤波算法思想 |
| 4.2.2 Kalman滤波跟踪目标过程 |
| 4.3 Meanshift算法跟踪原理 |
| 4.3.1 无参密度估计理论 |
| 4.3.2 Meanshift算法思想 |
| 4.3.3 Meanshift算法跟踪目标过程 |
| 4.3.4 Meanshift算法原理图 |
| 4.4 融合Kalman滤波和Meanshift的追踪算法 |
| 4.5 实验结果及分析 |
| 4.5.1 室内行人跟踪结果 |
| 4.5.2 室外被遮挡行人跟踪结果 |
| 4.6 本章小结 |
| 5 工作总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简介、攻读硕士学位期间取得的学术成果 |
（3）人脸识别技术及其在视频监控系统中的应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 选题的背景与研究意义 |
| 1.2 研究内容 |
| 1.3 论文的组织结构 |
| 2 自动人脸识别技术的发展状况 |
| 2.1 人脸识别问题的研究范畴 |
| 2.2 人脸识别技术研究的发展过程 |
| 2.3 人脸识别技术的主要方法 |
| 2.4 自动人脸识别领域面临的问题与挑战 |
| 3 视频监控系统中人脸识别的总体设计 |
| 3.1 开发环境 |
| 3.2 人脸识别系统框架 |
| 3.3 系统预处理 |
| 3.3.1 光照补偿 |
| 3.3.2 人脸定位 |
| 3.3.3 角度校正 |
| 3.3.4 人脸特征的提取 |
| 4 图象预处理详细设计 |
| 4.1 图象采集实现技术 |
| 4.1.1 视频输入简介 |
| 4.1.2 视频应用软件开发接口技术 |
| 4.1.3 采集模块的实现算法 |
| 4.2 光照处理的实现技术 |
| 4.2.1 光照处理的基本算法 |
| 4.2.2 光照处理模块的类设计 |
| 4.2.3 光照处理模块的运行界面设计 |
| 4.3 人脸定位的实现技术 |
| 4.3.1 人脸定位的基本算法 |
| 4.3.2 人脸定位模块的类设计 |
| 4.3.2.1 肤色建模 |
| 4.3.2.2 基于数学形态学的二值操作:膨胀和腐蚀 |
| 4.3.3 人脸定位模块的运行界面设计 |
| 5 基于GABOR小波基的特征抽取方法 |
| 5.1 人脸特征定位 |
| 5.1.1 眼睛定位 |
| 5.1.2 提取局部脸 |
| 5.1.3 确定阈值 |
| 5.1.4 搜索 |
| 5.1.5 精确定位 |
| 5.2 GABOR小波基 |
| 5.3 GABOR基作特征抽取 |
| 5.4 GABOR特征矢量的降维以及判据分析 |
| 5.5 FISHERFACE方法 |
| 5.6 基于GABOR特征的分类规则 |
| 6 人脸识别方法详细设计 |
| 6.1 FISHER判定算法 |
| 6.2 分类器的设计 |
| 6.3 流程图 |
| 6.4 功能界面设计 |
| 7 展望与总结 |
| 致谢 |
| 参考文献 |
（4）数字视频监控系统的运动人脸检测问题研究（论文提纲范文）
| 中文摘要 |
| 英文摘要 |
| 1. 绪论 |
| 1.1 研究视频监控系统中的运动人脸检测问题的背景及意义 |
| 1.1.1 数字视频监控系统概述 |
| 1.1.2 运动人脸检测问题的提出 |
| 1.2 运动人脸检测算法在视频监控系统中的应用 |
| 1.3 国内外现阶段主要研究状况 |
| 1.4 本文的研究工作和成果 |
| 1.4.1 研究工作及重点 |
| 1.4.2 研究成果 |
| 2 基于运动目标检测的人脸检测技术 |
| 2.1 运动目标检测技术 |
| 2.1.1 运动目标检测技术概述 |
| 2.1.2 传统运动目标检测算法分析 |
| 2.2 人脸检测技术 |
| 2.3 本系统所涉及的运动人脸检测技术 |
| 2.3.1 光流运动估计法 |
| 2.3.2 BP神经网络计算法 |
| 3 系统结构 |
| 3.1 数字视频监控系统工作原理 |
| 3.2 系统的硬件构成 |
| 3.2.1 图像采集系统 |
| 3.2.2 中央计算机 |
| 3.3 系统的软件构成 |
| 3.4 视频运动目标检测的要求及影响因素 |
| 3.5 本文的运动人脸检测系统 |
| 4 运动图像分割子系统 |
| 4.1 引言 |
| 4.2 运动图像分割技术 |
| 4.2.1 图像分割理论 |
| 4.2.2 传统图像分割算法分析 |
| 4.2.3 运动图像分割 |
| 4.3 本文的运动分割算法 |
| 4.3.1 光流理论 |
| 4.3.2 改进的光流算法 |
| 4.3.3 基于运动估计的候选人脸区域分割 |
| 4.3.4 侯选人脸区域平滑与提取 |
| 4.4 本章小结 |
| 5 图象预处理子系统 |
| 5.1 引言 |
| 5.2 图象噪声去除 |
| 5.2.1二 维数字图象的线性系统 |
| 5.2.2 滤波去噪 |
| 5.3 图象直方图修正 |
| 5.3.1 理论基础 |
| 5.3.2 直方图均衡算法设计 |
| 5.4 本章小结 |
| 6 人脸精确检测子系统 |
| 6.1 引言 |
| 6.2 人脸检测方法综述 |
| 6.2.1 基于统计的人脸检测方法 |
| 6.2.2 基于知识建模的人脸检测方法 |
| 6.3 系统拓扑结构 |
| 6.3.1 尺度变化与窗口扫描 |
| 6.3.2 级联的神经网络部分 |
| 6.4 级联神经网络部分 |
| 6.4.1 彩色模型与颜色分量 |
| 6.4.2 人脸掩膜处理 |
| 6.4.3 神经网络结构 |
| 6.4.4 本系统的级联神经网络结构 |
| 6.5 实验结果与分析 |
| 6.5.1 训练/测试样本的选取 |
| 6.5.2 单级神经网络分类实验 |
| 6.5.3 级联神经网络分类实验 |
| 6.6 人脸检测系统构成 |
| 6.7 本章小结 |
| 7 结论与展望 |
| 7.1 主要结论 |
| 7.2 后续研究工作的展望 |
| 致谢 |
| 参考文献 |
| 附:1.作者在攻读硕士学位期间发表的论文目录 |
| 2. 作者在攻读硕士学位期间参加的科研项目及得奖情况 |
（5）基于虚拟仪器的智能视频监控技术（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究的目的和意义 |
| 1.2 国内外研究现状和趋势 |
| 1.2.1 智能监视技术在处理方法上的研究现状 |
| 1.2.2 监视技术的发展趋势 |
| 1.3 本文主要研究内容 |
| 2 基于虚拟仪器的视频监控系统设计 |
| 2.1 虚拟仪器技术 |
| 2.2 视频监控系统概述 |
| 2.3 系统的实现 |
| 2.3.1 系统的硬件构成 |
| 2.3.2 远程控制 |
| 2.3.3 图像处理与目标识别 |
| 2.4 系统的软件环境 |
| 3 图像预处理 |
| 3.1 图像预处理方法 |
| 3.2 归一化方差图像模型 |
| 3.3 实验结果分析 |
| 3.3.1 归一化方差实验分析 |
| 3.3.2 对比度增强实验分析 |
| 4 运动目标检测 |
| 4.1 传统运动检测算法的性能评价 |
| 4.2 时空域处理方法 |
| 4.3 本文算法 |
| 4.3.1 背景更新 |
| 4.3.2 移动平均方法更新背景 |
| 4.3.3 实验结果 |
| 4.4 目标图像分割 |
| 4.4.1 基于点的全局阈值方法 |
| 4.4.2 自阈值选取 |
| 5 运动目标识别和方向判断 |
| 5.1 人体目标识别 |
| 5.1.1 监控系统中人体识别的研究进展 |
| 5.1.2 人体轮廓的连接填充及影子的消除 |
| 5.1.3 基于知识的人体轮廓快速识别 |
| 5.1.4 实验结果 |
| 5.1.5 监控系统中人体识别设计面临的困难 |
| 5.2 目标运动方向确定 |
| 5.2.1 运动方向判断方法 |
| 5.2.2 投影方法检测 |
| 6 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
| 大连理工大学学位论文版权使用授权书 |
（6）视频监控系统中的行人异常行为检测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 研究现状及发展趋势 |
| 1.3 本文结构安排 |
| 第2章 异常行为检测相关理论基础 |
| 2.1 引言 |
| 2.2 图像预处理 |
| 2.2.1 色彩空间转换 |
| 2.2.2 图像滤波 |
| 2.2.3 形态学处理 |
| 2.3 行人目标检测 |
| 2.3.1 帧间差分法 |
| 2.3.2 光流法 |
| 2.3.3 背景建模法 |
| 2.4 深度学习 |
| 2.4.1 深度学习介绍 |
| 2.4.2 深度学习训练过程 |
| 2.5 本章小结 |
| 第3章 基于改进型ViBe算法行人目标检测 |
| 3.1 视觉背景提取(ViBe)经典算法 |
| 3.2 基于改进型ViBe算法的运动目标检测 |
| 3.2.1 自适应阈值更新 |
| 3.2.2 阴影检测 |
| 3.2.3 鬼影消除 |
| 3.3 实验结果及分析 |
| 3.3.1 自适应阈值更新 |
| 3.3.2 阴影检测 |
| 3.3.3 鬼影消除 |
| 3.3.4 改进型ViBe算法的实验分析 |
| 3.4 本章小结 |
| 第4章 基于3D卷积和LSTM融合的行人奔跑异常检测 |
| 4.1 二维卷积神经网络(2D-CNN) |
| 4.1.1 2D-CNN结构 |
| 4.1.2 2D-CNN训练过程 |
| 4.2 三维卷积神经网络(3D-CNN) |
| 4.2.1 3D-CNN原理 |
| 4.2.2 3D-CNN卷积操作原理 |
| 4.2.3 3D-CNN下采样操作原理 |
| 4.2.4 3D-CNN结构框架 |
| 4.3 长短期记忆神经网络(LSTM)的基本原理 |
| 4.3.1 循环神经网络(RNN)的概念 |
| 4.3.2 构建长短时期记忆网络(LSTM)模型 |
| 4.4 3D-CNN与 LSTM融合模型行人奔跑异常检测 |
| 4.4.1 3D-CNN与 LSTM融合模型结构 |
| 4.5 实验测试及分析 |
| 4.5.1 数据集与实验环境 |
| 4.5.2 实验参数 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的论文和获得的科研成果 |
| 致谢 |
（7）智能监控系统中抑制光照突变和阴影的前景检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 课题的研究背景及意义 |
| 1.2 课题研究现状 |
| 1.2.1 前景检测的研究现状 |
| 1.2.2 阴影去除的研究现状 |
| 1.3 本文的研究内容及结构安排 |
| 第2章 前景检测的相关研究基础 |
| 2.1 图像预处理 |
| 2.1.1 直方图均衡化 |
| 2.1.2 图像滤波 |
| 2.2 传统的前景检测方法 |
| 2.2.1 帧差分法 |
| 2.2.2 光流法 |
| 2.2.3 背景减除法 |
| 2.2.4 传统检测方法的定性分析 |
| 2.3 图像后处理 |
| 2.3.1 形态学处理 |
| 2.3.2 常用的边缘检测算子 |
| 2.3.3 图像二值化 |
| 2.4 本章小结 |
| 第3章 基于融合改进的LBP混合高斯模型算法 |
| 3.1 基于混合高斯模型建模 |
| 3.2 基于LBP算子建模 |
| 3.3 融合改进的LBP混合高斯模型 |
| 3.3.1 改进的LBP算子设计 |
| 3.3.2 基于改进的LBP算子高斯背景建模算法 |
| 3.4 实验与结果分析 |
| 3.4.1 定性分析 |
| 3.4.2 量化评估 |
| 3.5 本章小结 |
| 第4章 基于HSI空间与I通道比值梯度阴影去除算法 |
| 4.1 基于颜色空间模型的阴影检测算法 |
| 4.1.1 基于RGB颜色空间的阴影检测 |
| 4.1.2 基于HSV颜色空间的阴影检测 |
| 4.1.3 基于HSI颜色空间的阴影检测 |
| 4.1.4 颜色空间的选取 |
| 4.2 基于HSI空间与I通道梯度算法设计 |
| 4.2.1 阴影I通道特征分析 |
| 4.2.2 基于I通道比值梯度的阴影抑制算法 |
| 4.2.3 I通道比值梯度与颜色特征融合 |
| 4.2.4 阴影抑制算法流程 |
| 4.3 实验与结果分析 |
| 4.3.1 定性分析 |
| 4.3.2 量化评估 |
| 4.4 本章小结 |
| 第5章 前景检测在智能监控系统的应用设计 |
| 5.1 智能监控系统总设计 |
| 5.2 视频检测处理系统的设计 |
| 5.2.1 需求分析 |
| 5.2.2 系统工作流程 |
| 5.2.3 系统开发环境 |
| 5.3 视频检测处理系统的实现 |
| 5.3.1 主页面介绍 |
| 5.3.2 前景检测模块 |
| 5.3.3 区域入侵检测模块 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
（8）视频序列中的行人行为分析算法研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.3 研究目标与研究内容 |
| 1.4 论文结构 |
| 第二章 相关理论与技术 |
| 2.1 轨迹分析技术 |
| 2.2 目标检测与跟踪技术 |
| 2.2.1 目标检测 |
| 2.2.2 目标跟踪 |
| 2.3 轨迹预处理技术 |
| 2.3.1 轨迹压缩 |
| 2.3.2 轨迹相似性度量 |
| 2.4 聚类算法 |
| 2.5 本章小结 |
| 第三章 基于关联跟踪的行人长轨迹生成算法 |
| 3.1 引言 |
| 3.2 算法框架 |
| 3.3 目标跟踪生命周期管理 |
| 3.4 基于运动模型的稳定轨迹片段生成算法 |
| 3.5 基于多特征融合的全局轨迹关联算法 |
| 3.6 实验结果与分析 |
| 3.7 本章小结 |
| 第四章 融合语义信息的轨迹密度聚类算法 |
| 4.1 引言 |
| 4.2 算法框架 |
| 4.3 基于语义信息的轨迹压缩算法 |
| 4.4 基于有向单向距离的轨迹相似性度量算法 |
| 4.5 参数自适应的轨迹密度聚类算法 |
| 4.6 实验结果与分析 |
| 4.6.1 存储资源开销对比 |
| 4.6.2 算法执行时间对比 |
| 4.6.3 聚类算法质量对比 |
| 4.7 本章小结 |
| 第五章 行人轨迹分析子系统设计与实现 |
| 5.1 系统概述 |
| 5.2 总体设计 |
| 5.3 系统详细设计 |
| 5.3.1 数据管理模块 |
| 5.3.2 行人跟踪模块 |
| 5.3.3 行人轨迹聚类模块 |
| 5.3.4 结果展示模块 |
| 5.4 系统展示 |
| 5.5 系统测试 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（9）基于OpenPose的实训车间智能监控系统研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人体行为识别的研究现状 |
| 1.2.2 智能监控系统的研究现状 |
| 1.2.3 国内外研究现状评述 |
| 1.3 主要研究内容 |
| 1.4 技术路线 |
| 1.5 论文结构安排 |
| 第二章 基本理论与相关技术 |
| 2.1 Open CV计算机视觉库 |
| 2.2 Open Pose基本理论 |
| 2.3 Tensor Flow深度学习框架 |
| 2.3.1 Tensor Flow的介绍 |
| 2.3.2 Tensor Flow的重要包说明 |
| 2.4 VGG网络模型 |
| 2.5 DNN网络模型 |
| 2.6 运行环境及相关技术 |
| 2.6.1 Python语言 |
| 2.6.2 CSV数据存储格式 |
| 2.6.3 Anaconda和 Py Charm环境配置 |
| 2.6.4PyQt5 |
| 2.7 本章小结 |
| 第三章 模型的构建与关键技术研究 |
| 3.1 数据集的预处理技术 |
| 3.1.1 视频格式转换 |
| 3.1.2 Open Pose处理结果 |
| 3.1.3 数据集标注 |
| 3.2 人体骨骼图的构建 |
| 3.2.1 神经网络预测 |
| 3.2.2 获取骨骼关节点坐标 |
| 3.2.3 完成肢体连接 |
| 3.2.4 构建人体骨骼图 |
| 3.3 行为识别模型的构建 |
| 3.3.1 模型的设计 |
| 3.3.2 深度神经网络的搭建 |
| 3.3.3 读取数据集 |
| 3.3.4 模型的训练与评估 |
| 3.4 多目标跟踪技术 |
| 3.4.1 轨迹处理和关联问题 |
| 3.4.2 Deep SORT算法流程 |
| 3.4.3 Deep SORT算法实现 |
| 3.5 本章小结 |
| 第四章 系统需求分析与设计 |
| 4.1 系统功能需求分析 |
| 4.1.1 注册登录模块的功能需求分析 |
| 4.1.2 视频采集模块的功能需求分析 |
| 4.1.3 入侵检测模块的功能需求分析 |
| 4.1.4 多目标跟踪模块的功能需求分析 |
| 4.1.5 行为识别模块的功能需求分析 |
| 4.2 系统非功能需求分析 |
| 4.3 系统可行性分析 |
| 4.4 系统总体设计 |
| 4.4.1 系统总体功能设计 |
| 4.4.2 系统整体框架设计 |
| 4.5 系统各模块设计 |
| 4.5.1 用户注册及登录模块设计 |
| 4.5.2 视频采集模块设计 |
| 4.5.3 入侵检测模块设计 |
| 4.5.4 多目标跟踪模块设计 |
| 4.5.5 行为识别模块设计 |
| 4.6 本章小结 |
| 第五章 系统实现与测试 |
| 5.1 开发环境与部署 |
| 5.1.1 系统的开发环境 |
| 5.1.2 开发工具介绍 |
| 5.1.3 Open Pose的部署 |
| 5.2 系统各模块实现与测试 |
| 5.2.1 数据库的建立与连接 |
| 5.2.2 注册及登录模块的实现与测试 |
| 5.2.3 主界面及视频采集模块的实现与测试 |
| 5.2.4 入侵检测模块的实现与测试 |
| 5.2.5 多目标跟踪模块的实现与测试 |
| 5.2.6 行为识别模块的实现与测试 |
| 5.3 系统整体性能测试 |
| 5.4 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 A 攻读硕士期间科研成果 |
| 附录 B 部分关键代码 |
（10）自适应特征匹配的行人识别技术研究及实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 行人检测研究现状 |
| 1.2.2 行人识别研究现状 |
| 1.2.3 技术应用难点概述 |
| 1.3 本文主要研究内容 |
| 1.4 论文的章节安排 |
| 第2章 行人检测和识别相关理论概述 |
| 2.1 深度学习 |
| 2.2 行人检测方法介绍 |
| 2.2.1 传统方法的行人检测 |
| 2.2.2 深度学习方法的行人检测 |
| 2.3 行人识别的方法介绍 |
| 2.3.1 基于图片特征的行人识别 |
| 2.3.2 基于统计分类的行人识别 |
| 2.3.3 基于部件匹配的行人识别 |
| 2.4 本章小结 |
| 第3章 自适应特征匹配的行人识别机制设计 |
| 3.1 自适应特征匹配的行人识别框架设计 |
| 3.2 行人检测器的设计和实现 |
| 3.2.1 YOLOv3网络模型详解 |
| 3.2.2 初始聚类中心问题分析 |
| 3.2.3 局部离群噪声去除机制设计 |
| 3.2.4 优化聚类中心的选取 |
| 3.3 实验结果与分析 |
| 3.3.1 环境配置和数据集选取 |
| 3.3.2 训练配置及参数设置 |
| 3.3.3 实验结果性能分析 |
| 3.4 本章小结 |
| 第4章 自适应特征匹配技术的实现及分析 |
| 4.1 行人特征分级识别机制设计及实现 |
| 4.1.1 行人特征分级识别算法设计 |
| 4.1.2 行人特征分级技术识别实现 |
| 4.2 监控系统的网络结构设计 |
| 4.3 基于视频监控的自适应特征匹配机制的问题及改进 |
| 4.3.1 基于相似帧去除的行人检测机制设计 |
| 4.3.2 基于图片质量的判定机制设计 |
| 4.4 自适应特征匹配的行人识别的测试及分析 |
| 4.4.1 测试场景的选取 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
四、视频监控系统中的图象预处理技术（论文参考文献）
- [1]智能视频监控系统中目标跟踪问题的研究[D]. 尹明锋. 南京理工大学, 2020(01)
- [2]视频监控中运动人体的检测与追踪技术研究[D]. 李雯雯. 河南工业大学, 2019(02)
- [3]人脸识别技术及其在视频监控系统中的应用[D]. 郭晓平. 南京理工大学, 2009(S1)
- [4]数字视频监控系统的运动人脸检测问题研究[D]. 肖波. 重庆大学, 2002(01)
- [5]基于虚拟仪器的智能视频监控技术[D]. 袁忠奎. 大连理工大学, 2005(04)
- [6]视频监控系统中的行人异常行为检测方法研究[D]. 姜珊. 沈阳理工大学, 2021(01)
- [7]智能监控系统中抑制光照突变和阴影的前景检测算法研究[D]. 宋薇薇. 湖北工业大学, 2020(04)
- [8]视频序列中的行人行为分析算法研究与实现[D]. 骆佳程. 电子科技大学, 2020(01)
- [9]基于OpenPose的实训车间智能监控系统研究与实现[D]. 程彤. 昆明理工大学, 2020(05)
- [10]自适应特征匹配的行人识别技术研究及实现[D]. 马腾飞. 中国科学院大学(中国科学院人工智能学院), 2020(01)