马维迪[1]2003年在《智能场景监控系统的算法研究》文中研究指明场景监控系统用于对指定的场景区域进行监视，并把场景内的视频信息传递给监控者，使其能根据相应的情况采取适当措施的系统。监控系统的发展大致经历了叁个阶段：模拟场景监控，数字场景监控，智能场景监控系统。智能场景监控系统能把场景内的信息经过智能化的处理后传递给监控者，同时监控者也可通过交互手段对监控过程进行控制，实现对既定场景高效的监控。它融入了视频图像序列理解和计算机视觉的相关知识，在军事、商业、生活上的应用越来越广泛。国际上智能监控领域研究已经达到相当水平，国内则处于刚起步阶段。 本文研究了基本的智能监控系统应具备功能的软件算法，在低层处理算法方面，研究了算法的结构，并针对实际应用中可能出现的问题及算法的时效性等方面进行研究，如对噪声、错误检测的排除、多运动对象的同时处理及合理缩减需处理的信息量等；高层算法方面，基于人工智能的知识和国外该方面的研究，提出了基于规则的事件识别方法；此外，还建立了可扩展的智能监控原型系统，实现了一些简单的检测识别功能，可作为未来的更深入的研究开发的基础；最后本文对原型系统今后如何发展为更为完善和强大的智能场景监控系统提出了若干建议。
杨洋[2]2008年在《智能场景监控系统的研究及其在室内监控中的应用》文中研究表明随着社会经济的发展和硬件水平的不断提高,视频监控系统在各个方面得到了广泛的应用。利用计算机视觉技术提高视频监控系统的自动化程度,减少人的参与,即实现视频监控的智能化,是视频监控系统未来的发展方向。运动目标检测是视频监控领域的一个重要课题,通过完善和改进运动目标检测算法,可以进一步提高监控系统的智能,解决目标检测、识别及跟踪等问题,最终实现无人职守的智能场景监控系统。本文主要针对室内场景监控,探讨了一种运动对象检测与识别算法。首先对现有的检测和识别方法做了简单的分类和比较,在此基础上进行了改进,并针对室内场景监控的特定应用给出了具体的检测和跟踪算法,初步构建了一个场景监控系统。本文中的视频由固定的摄像机获得,背景比较简单,环境的变化相对缓慢。实验表明,该系统能够在日常情况下检测出运动目标,具有实时性和鲁棒性。
周凯[3]2007年在《交通视频监控系统中运动目标特征提取与数据传输实时性保证的研究》文中研究表明近年来，无论是发达国家还是发展中国家，都毫无例外地受到了不断恶化的交通的困扰。交通视频监控系统通常由摄像机、图像采集卡和计算机等部分组成并模仿人眼功能进行监控，是21世纪信息技术发展给交通运输带来的一场革命。但是因为交通环境的多样性和复杂性，交通视频监控系统的精确度和速度目前仍然有很大的提升空间。交通视频监控系统中车辆监控是整个系统的关键和核心，围绕车辆监控，系统可以分为：车辆特征提取、车辆信息匹配和车辆位置预测。车辆特征提取部分又可以分为运动目标检测、目标阴影去除和目标特征提取叁部分。本文主要从交通视频监控系统中的车辆特征提取和处理数据传输的实时性保证两个方面进行研究：第一，在系统高鲁棒性、高实时性和高准确性的要求下，对交通视频监控系统中运动目标检测、目标阴影去除和目标特征提取进行了研究。第二，在数据传输实时性保证方面，结合软件系统的要求，进行实时性测试和影响实时性的因素分析。具体如下：运动目标检测：将运动的车辆目标从交通视频序列中分离出来，是整个车辆特征提取的基础。本文通过设计基于改进Surandra算法的双重背景更新算法，提高了背景更新的质量和速度，同时还解决了车辆静止后再运动的识别问题，取得了很好的实验效果。目标阴影去除：运动车辆提取后一般都有不同程度的阴影出现在前景图像中，对目标物体的正确定位、测量和跟踪都有很大影响。因此，阴影去除已经成为了交通视频监控系统中不可或缺的一部分。本文在研究多种阴影去除算法的基础上，改进了基于“光强无关图”阴影去除算法，并且采用了交通视频监控的图像序列与原算法进行了实验比较。目标特征提取：对阴影去除后的车辆目标进行特征抽取，是进行特征匹配完成车辆监控的前提。由于单独采取某种特征提取算法明显具有实时性或鲁棒性等不同的缺陷，因此，综合多种算法，提出在交通视频监控系统中有效实用的算法是本文的主要研究方向。数据传输实时性保证：根据交通视频监控系统需要传输的数据类型和特点，进行了实时系统的选择。确定了在基于RTAI的开源的硬实时网络协议栈RTnet上进行了实时性通信后，经过对RTnet的TDMA机制深入研究，完成了RTnet的实时性通信测试，并分析测定了memory interaction操作对实时性通信的影响。最后，对所作的研究进行总结，并且对未来的工作方向进行了简单的讨论。
高适[4]2008年在《智能视频监控系统中的目标检测和跟踪算法研究》文中指出智能视频监控系统广泛应用于国防建设、交通管制、智能保安等需要实时监控的场所。现有的大多数视频监控系统仍依赖于监控人员的现场操作,造成了人力资源的浪费,也影响了整个工作系统的效率。因此,研究智能视频监控系统中的关键技术并提高智能视频监控系统的性能具有重要的意义。本文在研究了几种常用的运动目标检测算法和运动目标跟踪算法的基础上设计并实现了一套用于对单个目标运动人体自适应检测跟踪的智能视频监控系统。在运动目标检测算法中,研究分析比较了帧间差分法、基于混合高斯模型的背景差分法的检测效果。在目标跟踪算法中,首先研究了Mean Shift跟踪算法,针对Mean Shift跟踪算法存在的问题深入讨论了两种改进方法,对改进前后的Mean Shift算法的跟踪效果进行了分析;并提出了采用区域统计目标灰度信息的Mean Shift改进算法,使跟踪效果更具鲁棒性,并将改进后的算法应用于本文设计的智能视频监控系统中;其次讨论了基于粒子滤波的相关跟踪算法在智能视频监控系统中的应用,分析了其跟踪效果,并与Mean Shift跟踪算法的跟踪效果作了比较。
王丹[5]2017年在《基于运动检测的智能视频监控系统设计》文中研究表明准确而可靠的运动检测技术在智能视频监控中扮演着举足轻重的角色,尽管这一技术得到了越来越多的研究学者的深入关注与研究,然而真实场景中背景环境复杂多变、光照条件不同、飞虫无规则的运动、角度变化等因素都增加了运动检测的难度。本文针对运动检测技术中的热点以及难点问题进行了深入的研究与分析,并在此基础上设计了一套智能视频监控系统。相关工作如下:本文首先从运动检测算法着手,针对大多数算法都是使用原始图像来进行背景建模,通过这种方法所构建的背景模型中常含有噪点信息,影响检测结果。本文引入高斯平滑后的梯度图来构建背景模型的思想,将Vibe算法与叁帧差分法相融合的方法对Vibe算法做出改进,改进后的算法显着的改善了运动检测效果。其次针对运动目标行为分析算法,通过将核慢特征分析(Kernel Slow Feature Analysis,KSFA)结合到3D卷积神经网络(3D Convolution Neural Network,3D CNN)中来对行为分析算法做出改进。该方法通过慢特征分析(SFA)提取输入图片的变化缓慢的特征,以及使用核方法降低了丰富的行为分析算法在多维空间上的算法复杂度。通过3D卷积从时间空间的角度出发,捕捉视频流中的运动信息,并且分别在五个通道上进行卷积和下采样操作,并合并各个通道信息得到最终结果。最后,本文在以上算法的基础上设计了一套针对一些禁止入内的区域安全问题的智能视频监控系统。系统初步实现了以下功能:流媒体服务、视频播放、云台控制、视频检测并报警等。
王艳红[6]2013年在《基于OpenCV的运动目标检测与跟踪算法的研究》文中研究指明运动目标检测与跟踪是计算机视觉的一个研究热点，它融合了图像处理、模式识别、人工智能、形态学以及自动控制等众多领域的先进技术，在智能视频监控、机器视觉导航等领域的应用越来越广泛。本设计的算法研究环境是在VS2010开发平台，基于OpenCV计算机开源视觉库搭建，对本文算法中用到的OpenCV中的关键函数及其用法作了详细说明。噪声消除和边缘处理一直是数字图像处理中的必要环节，本文介绍了常用的中值滤波、高斯平滑、算子处理等方法，重点阐述了算法思路，为后文的目标检测与跟踪算法思想打下基础。通过研究学习国内外近几年相关学术文献发现，运动目标检测算法主要有帧间差分法、背景差分法、光流法，也有很多改进的算法，如叁帧差分法，背景建模算法等。通过对比分析各种算法的优缺点得出，单一的算法都不能实现理想的检测效果，因此，本文在传统的运动目标检测算法的基础上，实现了将帧间差分法、背景差分算法和混合高斯背景建模算法相结合的算法，通过实验效果对比分析，验证了该算法的实时性和有效性，实现了人眼识别范围的比较理想的检测结果。运动目标跟踪算法当前流行的主要有MeanShift算法、KalmanShift算法、粒子滤波算法以及基于Blob信息提取的算法，由于本文研究的应用环境是摄像机固定场景，选择了实现算法简单有效的KalmanShift算法，结合运动目标位置预测做出改进。在改进算法的同时，通过实验效果图对比分析不同算法的处理效果，验证了改进算法的有效性和实时性，对于智能视频监控系统的发展及应用有重要的意义。
吕行[7]2007年在《基于DirectShow的智能视频监控系统研究》文中指出安防系统在社会生活和工业生产中占有举足轻重的地位，而视频监控系统是目前安防体系中非常重要的一个环节，研究和实现智能化程度高、通用性强的视频监控系统不仅具有一定的理论意义，而且具有巨大的实用价值。本文研究了摄像机静止情况下基于单目视觉的运动目标检测与目标运动分析方法，并在此基础上采用DirectShow技术设计和实现了一种与底层硬件无关的通用型智能视频监控系统。该系统能够自动检测和跟踪监控场景中的运动目标，并能够通过实时提取和分析目标的运动特征参数提出报警信息。 论文的研究工作主要有以下几个方面： 1、针对室内监控场景，使用自适应背景模型技术和运动分割相结合的方法对运动目标进行实时检测与提取。基于正态分布提取背景模型，采用简化的卡尔曼滤波对背景模型进行实时更新，在当前帧差分图像分析的基础上，将直方图自动阈值分割和数学形态学运算有机结合起来准确提取运动目标。 2、针对监控场景下的智能报警问题，研究了单目标的运动分析与事件理解方法。首先通过投影法和叁点线性预测实现运动目标的实时跟踪；然后，通过在视频流中对目标质心的记录，提取目标的运动轨迹，并根据该运动轨迹求取目标的运动特征参数；最后，通过在监控场景下警戒区域的设定和对目标运动特征参数的分析，建立了一套基于规则的事件理解方法，以针对不同的事件提出相应的报警信息。 3、为使所开发的智能视频监控系统具有良好的通用性和可扩展性，本文按照微软公司建立的具有“硬件设备无关性”的Direct X标准进行系统开发，选择DirectShow开发包作为系统开发框架。系统硬件基于PC平台，软件按照模块化的设计思想，在DirectShow框架下分别实现了视频采集、运动目标检测与分析、Mpeg4视频压缩编解码和网络通信与传输等功能模块，并最终实现了一种“先检测处理后压缩传输”的智能视频监控系统。 经测试，本文设计的智能视频监控系统不仅能够有效进行智能监控报警，而且能够极大地降低存储空间的需求，并能够满足远程监控的需要，具有一定的工程实用价值。
鱼亚锋[8]2008年在《运动目标检测和智能视频监控系统设计》文中研究表明随着计算机视觉处理技术、电子技术、通信技术的飞速发展,智能视频监控系统作为安全防卫的一种重要手段正越来越受到人们的重视。论文通过重点研究智能监控系统中的目标检测算法,在总结和分析的基础上提出一种可靠有效的背景建模及更新机制,最后应用该算法设计并实现一个完整的智能视频监控系统框架。运动目标检测作为智能视频监控系统中视频处理的第一步,也是技术的热点和难点。运动目标检测是对摄像机得到的图像序列进行视觉上的分析处理,其主要的目的是实时地观测被监视场景的运动目标,并分析描述它们的行为。运动检测可以分为静止背景下的运动检测和运动背景下的运动检测。本文主要研究静止背景下的运动目标检测技术,提出一种新的背景建模及更新机制。论文的工作主要由叁部分组成:算法研究、新目标检测算法的提出及测试和智能监控系统的设计及实现。算法研究首先针对目标检测算法的实现机制:光流法、背景差除法、帧间差分法、熵检测法进行研究分析,比较其优缺点、适用环境、存在问题以及相应的对应策略。其次,侧重研究背景差除法的背景建模及更新方式,从速度、存储需求及准确性叁方面来比较运动高斯平均、时间均值滤波、混合高斯、核密度估值、连续核密度近似、图像同现变更法、特征提取七种算法的不同特点。最后针对背景差除法在处理光照变化,背景多目标,画面抖动等存在的问题,提出了适用于摄像机固定、基于背景差除技术的运动目标检测方法,能够提取出背景模型,并能有效地处理外界光照条件变化、场景变化、背景扰动等因素带来的影响。算法测试表明,该算法快速、准确、有着广泛的适应性。运用论文提出的新的背景及更新算法,设计并实现了智能视频监控系统框架,可以实现准确的运动目标检测,同时可以对人脸进行定位及数目统计。目标检测作为视觉分析的最底层,是实现其它高级处理的基础,人脸定位、数目统计正是其应用的一个重要体现。
吕晋[9]2010年在《视频监控系统中目标检测与阴影抑制算法研究与实现》文中研究说明随着计算机视觉技术、电子技术、通信技术的发展,智能视频监控系统作为安全防卫的一种重要手段正越来越受到人们的重视。本文首先综述了智能监控系统的发展历史和现状,然后对智能监控系统中的运动目标检测和阴影去除算法进行了研究。运动目标检测作为智能视频监控系统中视频处理的第一步,具有非常重要的地位,同时也是一个技术上的热点和难点。本文对目前运动目标检测方法进行了评述,在详细分析了常用几种目标检测方法的基础上,研究了基于混合高斯模型背景差法的运动目标检测算法。实验表明混合高斯背景模型对光线变化、场景中元素反复运动、缓慢运动物体以及从场景中增加和去除物体都有较好的鲁棒性。由于目标检测结果中存在阴影,本文在混合高斯背景模型基础上,针对车辆和行人自身的一些特点,提出两种分别对行人和车辆的阴影抑制方法。其中一种是基于反射率与颜色恒常量的行人阴影去除算法,这种方法是基于像素点邻域光照不变和阴影覆盖背景后不改变其反射率和颜色组成的特点来检测阴影并去除。另一种是基于本征图像分解与小波变换的车辆阴影去除算法。这种方法首先将当前图像、混合高斯建立的背景图像转化到对数域,然后分别得到两幅图像的梯度图,根据两幅梯度图做差求出运动前景的梯度图,利用本征图像分解的方法去除阴影,得到粗略目标区域边缘图。最后得到边缘图的水平垂直投影,并对投影图进行小波变换,得到准确的去除阴影的车辆区域。最后对已有和新提出的阴影检测算法实验结果进行对比分析,实验表明,提出的行人和车辆的阴影抑制算法能够准确的去除阴影,具有较强的鲁棒性。
参考文献：
[1]. 智能场景监控系统的算法研究[D]. 马维迪. 浙江大学. 2003
[2]. 智能场景监控系统的研究及其在室内监控中的应用[D]. 杨洋. 吉林大学. 2008
[3]. 交通视频监控系统中运动目标特征提取与数据传输实时性保证的研究[D]. 周凯. 同济大学. 2007
[4]. 智能视频监控系统中的目标检测和跟踪算法研究[D]. 高适. 南京理工大学. 2008
[5]. 基于运动检测的智能视频监控系统设计[D]. 王丹. 中北大学. 2017
[6]. 基于OpenCV的运动目标检测与跟踪算法的研究[D]. 王艳红. 杭州电子科技大学. 2013
[7]. 基于DirectShow的智能视频监控系统研究[D]. 吕行. 西北工业大学. 2007
[8]. 运动目标检测和智能视频监控系统设计[D]. 鱼亚锋. 北京邮电大学. 2008
[9]. 视频监控系统中目标检测与阴影抑制算法研究与实现[D]. 吕晋. 东北大学. 2010
标签：自动化技术论文; 特征提取论文; 智能算法论文; 智能监控论文; 场景应用论文; 图像融合论文; 环境监控系统论文; 运动论文; 算法论文;