一、图像处理技术在ATM监控系统中的应用（论文文献综述）
朱明秀[1]（2020）在《视频图像处理技术在安防行业的应用》文中提出本文在研究过程中,对视频图像处理技术在安防行业的应用进行具体分析。通过视频图像处理技术能够有效提高图片和视频的分辨率,视频图像处理技术在安防领域也得到了广泛的应用。当下人们已经进入了信息化时代,在信息化时代下,视频监控技术成为了安防行业不可或缺的部分。实时监控技术在生产生活以及交通、医疗等各个领域都得到了广泛的应用。但是实时监控技术在应用过程中很容易受到技术条件和天气条件的限制,在阴天以及夜晚,监控系统所拍摄的视频图像往往不够清晰,从而会影响到监控系统的使用效果。
姜明[2]（2019）在《基于机器视觉的监控视频智能处理系统》文中研究表明随着近年住宅小区、公共商业场所、ATM自助网点、银行大厅等各类大规模基础设施,正陆续由建设转向运营,这些区域都关系着人们的生命和财产安全,时有发生携带危险物品、盗窃犯罪、恐怖袭击等威胁公众安全的犯罪行为,目前的安防手段是在公共区域附近加装监控摄像头,因此,开发一套应用于安防领域的监控视频智能处理系统显得意义重大。为了有效监测监控区域内的危险因素,本文研究并设计了一套应用于安防领域的PC端监控视频智能处理系统,系统主要包含两个子系统:人脸遮挡检测与遗留物检测。在人脸遮挡检测部分,通过调研,设计了如下方案:制作适用于本文需求的人脸检测数据集OwnFace,采用SSD目标检测模型对人脸进行检测,然后通过基于YCrCb颜色空间的肤色检测算法进行肤色检测,计算脸部区域的肤色占比判断人脸是否发生遮挡。由于SSD模型检测速度较慢,无法满足实际需求,因此,需要进行一些改进来提高检测速度,改进的方法如下:首先用轻量级MobileNet网络替换SSD原有的VGG-16基础网络,组合成MobileNet-SSD目标检测模型对人脸进行检测,然后对训练好的MobileNet-SSD模型,采取合并BN层与卷积层策略,进一步提高模型的运行速度。通过基于YCrCb颜色空间的肤色检测方法对人脸区域进行肤色检测,并提出了一种基于肤色占比的人脸遮挡评价方式,来判断人脸区域是否发生遮挡行为。在遗留物检测部分,通过分析混合高斯背景建模法（GMM）与三帧差法得到的前景特点,提出了一种基于GMM与三帧差法结合的遗留物检测方法。首先利用基于YCrCb颜色空间的阴影消除法对GMM得到的前景消除阴影,然后与三帧差法得到的前景做差分,得到可疑遗留物团块。通过质心判距法筛除可疑遗留物团块中的动态区域,得到暂时静止目标。在这基础上,提出了一种基于灰度平均值与直方图相似度的跟踪方法对暂时静止目标进行跟踪,并统计目标持续静止的时间t,与设置的遗留物判决阈值T进行比较,若t>T,则认为该暂时静止的目标为遗留物。为解决实际应用中遗留物检测丢失问题,本文提出了一种基于容错机制的改进型遗留物检测方法,通过保存检测到的遗留物的初始帧特征:灰度平均值和直方图特征,对检测到的团块区域,计算灰度平均值与直方图特征,并和初始帧的灰度平均值与直方图特征进行差值匹配与相似度匹配,这样可以在遗留物遮挡因素排除后依然保持对遗留物的跟踪,通过实验证明,该方法可以有效应对遗留物被遮挡后漏检的情况,提高检测的稳定性。最后根据上述的研究成果,并结合课题的使用,在Windows下,编译了Caffe深度框架,并利用C++编程语言与Qt界面开发,将人脸遮挡检测系统与遗留物检测系统进行整合,开发了一套适用于PC端的监控视频智能处理软件。
顾剑柳[3]（2008）在《应用于ATM监控的视频图像处理方法研究》文中认为视频监控在金融服务、电子商务、政府部门、公共管理、信息安全、人工智能等领域都有着潜在的巨大应用前景。分布在室外的ATM,当天气晴好或外界光照充足的时候,获得的视频图像的质量较好;而阴天或傍晚的时候,由于光照不足,视频图像的质量往往会受到影响。本文针对ATM监控视频易受光照影响的不足,对ATM监控系统中的关键技术——视频图像处理技术进行了研究。本文的创新之处主要有三方面:针对视频图像中的高斯噪声,提出了一种改进的基于运动向量的噪声抑制方法,充分利用视频图像在时间轴上的相似性和运动向量的思想进行设计,较传统方法而言,在精确度、信噪比方面更高,便于后续工作的开展。针对椒盐噪声,提出了基于复合型中值滤波的噪声抑制方法。利用中值滤波去噪彻底、数学形态学去噪可以保持图像细节的特点将两者结合,兼顾了图像平滑效果、图像清晰度和处理的高效性。在对噪声进行抑制之后,本文通过与传统方法的实验和比较,提出了一种改进的自适应视频图像增强算法以解决光照问题。该方法在提高视频图像对比度的同时保留了更多的细节,较好地提升了图像的质量。无论是曝光不足还是曝光过度的情况均适用,是一种自适应的光照补偿算法。在噪声抑制和图像增强的过程中,均只对亮度分量进行处理,保证了算法的高效性。ATM监控视频图像处理系统的设计是对现有技术的一次改造和创新,改善了光照条件对视频的影响,在不附加硬件成本的条件下进一步提升了视频质量,为企业赢得了明显的经济效益,具有较强的实用性和推广价值。
二、图像处理技术在ATM监控系统中的应用（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、图像处理技术在ATM监控系统中的应用（论文提纲范文）
（1）视频图像处理技术在安防行业的应用（论文提纲范文）
| 1 视频图像处理技术的重要性分析 |
| 1.1 有利于增强监控视频的清晰度 |
| 1.2 有利于减少自然因素对监控系统的影响 |
| 1.3 有利于减少人为因素对监控系统的影响 |
| 2 视频图像处理技术发历程 |
| 2.1 视频图像处理技术的产生 |
| 2.2 视频图像处理技术的数字化发展 |
| 2.3 视频图像处理技术的发展现状 |
| 2.4 视频图像处理技术的发展趋势 |
| 3 视频图像处理技术在安防行业的特殊要求 |
| 3.1 安防行业对视频图像的清晰度要求高 |
| 3.2 安防行业对视频图像的需求量大 |
| 4 视频图像处理技术在安防行业的应用分析 |
| 4.1 视频图像处理技术在社会监管过程中的应用 |
| 4.2 视频图像处理技术在交通监控中的应用 |
| 4.3 视频图像处理技术在ATM机安防系统中的应用 |
| 5 结束语 |
（2）基于机器视觉的监控视频智能处理系统（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景与研究意义 |
| 1.3 发展历史与研究现状 |
| 1.3.1 人脸遮挡检测技术的发展历史与研究现状 |
| 1.3.2 遗留物检测技术的发展历史与研究现状 |
| 1.4 论文研究内容与结构安排 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文结构安排 |
| 第2章 应用于监控视频的图像处理技术与深度学习技术 |
| 2.1 视频图像序列概述 |
| 2.2 数字图像处理技术 |
| 2.2.1 图像灰度化 |
| 2.2.2 图像二值化 |
| 2.2.3 图像滤波 |
| 2.2.4 图像分割 |
| 2.3 深度学习基本原理 |
| 2.3.1 VGG基本原理 |
| 2.3.2 MobileNet基本原理 |
| 2.3.3 CUDA并行加速与CuDNN加速 |
| 2.4 本章小结 |
| 第3章 基于MobileNet-SSD与肤色占比的人脸遮挡检测 |
| 3.1 人脸遮挡检测方案的总体设计 |
| 3.2 人脸检测数据集 |
| 3.2.1 人脸检测数据集OwnFace |
| 3.2.2 OwnFace数据集预处理 |
| 3.3 基于SSD的人脸检测 |
| 3.3.1 基于深度学习的人脸检测技术分析 |
| 3.3.2 SSD目标检测模型 |
| 3.3.3 SSD模型训练及测试结果 |
| 3.4 基于MobileNet-SSD的人脸检测及优化 |
| 3.4.1 基于MobileNet-SSD的人脸检测 |
| 3.4.2 基于MobileNet-SSD人脸检测算法优化 |
| 3.4.3 实验结果分析 |
| 3.5 基于肤色占比的人脸遮挡评价方案 |
| 3.5.1 基于YCrCb颜色空间的肤色检测算法 |
| 3.5.2 基于肤色占比的人脸遮挡检测 |
| 3.6 本章小结 |
| 第4章 基于GMM与三帧差法的遗留物检测算法研究 |
| 4.1 遗留物检测方案的总体设计 |
| 4.2 监控视频中的前景目标检测 |
| 4.2.1 帧间差分法 |
| 4.2.2 混合高斯背景建模 |
| 4.3 基于GMM与三帧差法结合的遗留物检测 |
| 4.3.1 监控视频的去噪处理 |
| 4.3.2 基于GMM与三帧差法的可疑遗留物检测 |
| 4.3.3 基于YCrCb的阴影去除法 |
| 4.3.4 基于质心判距法与特征相似度的跟踪方法 |
| 4.4 基于容错机制的遗留物检测方法改进 |
| 4.4.1 应用场景中遗留物被遮挡问题 |
| 4.4.2 基于容错机制的遗留物检测方法 |
| 4.4.3 实验结果分析 |
| 4.5 本章小结 |
| 第5章 基于Caffe与 Qt的监控视频智能处理系统实现 |
| 5.1 系统结构与环境配置 |
| 5.1.1 Windows下 Caffe-SSD编译 |
| 5.1.2 Qt环境配置 |
| 5.2 监控视频智能处理系统实现 |
| 5.2.1 人脸遮挡检测系统结构与设计 |
| 5.2.2 遗留物检测系统结构与设计 |
| 5.3 系统界面设计 |
| 5.3.1 监控视频智能处理系统整体设计 |
| 5.3.2 系统模块化功能设计 |
| 5.4 系统的测试与结果 |
| 5.4.1 系统测试环境 |
| 5.4.2 系统功能测试 |
| 5.5 本章小结 |
| 结论与展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（3）应用于ATM监控的视频图像处理方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 传统的图像处理与视频图像处理的比较 |
| 1.3 视频图像处理要解决的问题 |
| 1.4 国内外研究现状 |
| 1.5 项目内容和本人的主要工作 |
| 2 理论基础 |
| 2.1 彩色空间 |
| 2.1.1 RGB彩色空间 |
| 2.1.2 CMY彩色空间 |
| 2.1.3 YIQ彩色空间 |
| 2.1.4 YUV彩色空间 |
| 2.1.5 YCbCr彩色空间 |
| 2.1.6 HIS彩色空间 |
| 2.1.7 彩色空间的转换 |
| 2.2 图像增强方法概述 |
| 2.2.1 图像增强方法分类 |
| 2.2.2 传统的图像增强方法 |
| 2.3 视频图像去噪方法概述 |
| 2.3.1 视频图像中噪声的分类 |
| 2.3.2 传统的数字图像去噪方法 |
| 2.4 视频压缩理论基础 |
| 2.4.1 视频压缩的标准化 |
| 2.4.2 MPEG-2帧间编码结构 |
| 2.4.3 视频压缩中的运动估计和运动补偿 |
| 2.5 本章小结 |
| 3 视频图像的噪声抑制方法研究 |
| 3.1 视频图像去噪需要满足的条件 |
| 3.2 实际视频图像中噪声的建模 |
| 3.3 视频图像去噪方法研究 |
| 3.3.1 一种改进的基于运动向量的高斯噪声的抑制方法 |
| 3.3.2 基于复合型中值滤波的椒盐噪声的抑制方法 |
| 3.4 去块滤波的思考 |
| 3.4.1 块效应产生的原因 |
| 3.4.2 去块滤波器 |
| 3.5 本章小结 |
| 4 视频图像的光照补偿 |
| 4.1 光照补偿的原因 |
| 4.2 光照补偿要满足的条件 |
| 4.3 视频图像的光照补偿方法 |
| 4.3.1 直方图均衡化 |
| 4.3.2 非线性灰度变换 |
| 4.3.3 一种改进的自适应视频图像增强算法 |
| 4.4 实验比较与分析 |
| 4.4.1 实验比较 |
| 4.4.2 实验分析 |
| 4.5 本章小结 |
| 5 ATM监控视频图像处理系统设计 |
| 5.1 系统结构 |
| 5.2 功能模块设计 |
| 5.3 系统处理实例 |
| 5.4 本章小结 |
| 6 结论 |
| 6.1 主要工作与结论 |
| 6.2 下一步工作的展望 |
| 致谢 |
| 参考文献 |
| 附录 |
| 企业证明 |
四、图像处理技术在ATM监控系统中的应用（论文参考文献）
- [1]视频图像处理技术在安防行业的应用[J]. 朱明秀. 电子技术与软件工程, 2020(02)
- [2]基于机器视觉的监控视频智能处理系统[D]. 姜明. 北京工业大学, 2019(03)
- [3]应用于ATM监控的视频图像处理方法研究[D]. 顾剑柳. 南京理工大学, 2008(02)