视频监控中图像异常的分析与检测算法

针对湖泊环保应用中视频监控的特殊性,运用数字图像处理技术,对监控视频中信号缺失和清晰度两种类型异常故障进行研究.文中分别描述了这两种异常类型产生的原因和解决问题的算法思想,最后通过模拟实验加以验证.从实验结果上分析,能够较好地对视频监控中图像的异常进行诊断和及时地预警,并能够对视频图像的质量进行检测.     

浅议视频异常诊断技术在视频监控中的应用

本文在典型监控系统的基础上,结合现在的视频诊断技术和实际情况,提出了一种分布式的视频异常诊断系统模型,依此模型设计的系统能解决监控系统在运维中碰到的实际问题。     

周界视频监控中人员翻越行为检测算法

针对周界视频监控应用环境特殊的问题,提出了一种人员翻越行为的检测方法。该方法采用"目标检测-人员跟踪-轨迹分析"的流程。在算法的人员跟踪过程中,将混合高斯模型得到的前景区域与KLT光流法得到的特征点运动信息结合起来,提出了一种新型跟踪算法。该算法仅使用图像的灰度信息作为输入,一定程度上能够适应目标形变及遮挡,并具有很强的鲁棒性和实时性;在算法的轨迹分析过程中,结合墙体位置信息与先验知识设计了一种新的轨迹分析的方法,不需要通过在线学习可直接对轨迹进行分析。实验结果表明,该算法在测试视频集上检测准确率超过93%,与现有方法相比,能更好地适应实际应用中复杂的环境条件。     

博物馆监控视频中慢速移动稀疏目标异常轨迹检测研究

传统异常轨迹检测方法将轨迹序列看作轨迹特征,无法有效描述轨迹,导致异常轨迹检测结果不可靠。为此,提出一种新的博物馆监控视频中慢速移动稀疏目标轨迹检测方法。采用一种快速计算方法对和目标相似度较高的粒子进行筛选,滤除和均值相差较大的粒子。对跟踪目标进行稀疏表示,为了避免目标被干扰或遮挡,进行非负性约束优化,完成稀疏求解,获取博物馆监控视频中慢速移动稀疏目标跟踪结果。依据跟踪结果将可代表整体轨迹的特征向量与部分可代表局部轨迹的特征向量合成一个整体特征向量,利用整体特征向量对慢速移动稀疏目标轨迹进行描述,通过描述结果和K聚类方法实现目标异常轨迹检测。实验结果表明,所提方法检测的异常轨迹与其他轨迹之间的差异最大,检测结果可靠,实际应用性较高。     

基于深度学习的监控视频树叶遮挡检测

结合稀疏自编码器的自动提取数据特征能力和深度置信网络较好的分类性能,提出一种基于深度学习的监控视频树叶遮挡检测方法。首先从视频中随机选取一帧图像,通过栈式稀疏自编码器主动学习视频图像的特征信息,然后采用深度置信网络建立分类检测模型,最后引入学习速率自适应调整策略对整个神经网络进行微调。该方法不需要对视频连续取帧,具有较好的图像特征主动学习能力,克服了人工提取特征能力有限的缺陷。实验结果表明,在样本量充足的条件下,使用本文方法进行监控视频树叶遮挡检测可以达到88.97%的准确率。     

智能视频监控中运动目标检测研究综述

运动目标检测是智能视频监控技术中非常重要的一个组成部分,现有的运动目标检测算法主要包括背景差分法、帧差法、光流法和背景统计模型等四种类型。本文在对现有算法进行研究的基础上,对四种算法各自的基本原理、优缺点、研究现状和发展趋势等方面进行了介绍。     

无监督和弱监督视频异常检测方法回顾与前瞻

随着监控技术的不断发展,监控摄像头已经被广泛部署到各种场景中。手动检测视频异常情况已经变得不可能。因此,作为智能监控系统核心的视频异常检测技术正在受到广泛关注和研究。随着深度学习的发展,视频异常检测领域取得了显著的成就,并涌现出许多新的异常检测方法。本文将梳理了应用在不同数据类型上的无监督和弱监督视频异常检测学习方法,分析现有方法的贡献,并比较不同模型的性能。此外,还整理了一些常用的和新发布的数据集,并总结了未来工作要面临的挑战和发展趋势。     

基于视频监控应用的视频压缩

介绍了视频服务器的组成及常见的图像压缩标准，通过深入研究H．263视频压缩算法，提出了基于视频监控应用的三点改进。研究了DCT／IDCT快速算法，并直接采用MMX实现了DCT／IDCT和运动向量估计等大运算量模块，完整地实现了整套基于H．263的软件监控系统。     

针对空中监控平台的异常行为检测方法

空中监控平台拍摄的视频具有背景移动、视距较远等特点,结合其特点提出适用于空中监控平台的人群异常行为检测方法。首先通过估计图像的深度信息,适当修正特征点的光流矢量,以减小透视现象导致的对特征点运动速度的估算误差;然后对特征点的光流矢量聚类,并结合背景运动一致性规律检测出前景特征点。通过双高斯混合模型检测异常特征点,用最大期望(EM)算法求取模型参数。最后采用一种时间队列机制检验误判;并通过简化的凝聚层次聚类算法对异常特征点的空间坐标进行聚类,去除孤立的异常特征点并标记出异常群体。多个场景下的实验结果验证了方法的有效性。     

基于视频的车辆检测算法综述

首先回顾了各种车辆检测方法,指出视频检测技术日益成为最具优势、最有发展潜力的检测方法.在此基础上,对各种基于视频的车辆检测算法分别进行了详细介绍,并给出了它们的性能比较.最后,本文提出了基于视频的车辆检测算法研究的难点及未来发展趋势.     

基于异常检测的入侵检测技术

对目前的异常检测技术进行了全面概述, 按照采用的不同技术将异常检测分为基于统计、 基于机器学习和基于数据挖掘3种, 阐述了各种异常检测技术的特征, 并描述了目前基于异常入侵检测系统用到的各种算法及其实现方法. 通过实验结果, 比较了各种算法的检测效果.     

视频监控技术的研究

视频监控在国民经济中发挥着越来越重要的作用,如何对监控系统中的图像序列进行实用化的智能场景检测分析和智能化管理,实现信息实时有效的获取和控制,是视频监控网络化、智能化的核心技术。本论文在对视频监控技术的构成与发展进行研究分析的基础上,针对视频监控中涉及的异常检测、异常分析等关键技术进行了分析。     

定点视频监控系统中行人检测平台设计与实现

行人检测技术是定点视频监控中数据采集分析的一项关键技术,实现对系统中运动行人自动检测,有着非常重要的意义.由于监控视频中远景区域中的运动行人目标相对较小,对运动行人的检测常存在漏检和误检等问题.通过设置辅助变焦摄像头,对远景区域进行数据采集,使得采集到的图像分辨率得到提高,再进行检测分类处理,从而解决远景区域中运动行人...     

基于双尺度串行网络的视频异常行为检测

针对传统视频异常行为检测模型存在的性能不佳与时间开销较大的问题,从空间和时序维度构造双尺度串行网络的视频异常行为检测模型(Dual-Scale Serial Network,DSS-Net)。首先,利用深度可分离卷积对Vgg-16网络进行改进,并利用改进的特征提取器从空间维度提取特征,从而可以通过减少计算参数量来降低模型的时间开销。接着,在此基础上引入注意力机制,从而强化目标特征的表达能力。最后,利用长短期记忆(Long Short-Term Memory,LSTM)网络从时序维度提取运动视频每一帧之间的上下文时序关系。在当前主流的UCSD Ped1和Ped2数据集以及更具挑战性的UCF数据集上进行测试,结果表明,在3个数据集上DSS-Net的ROC(Receiver Operating Characteristic)线下面积(Area Under Curve,AUC)值分别达到95.30%、96.80%、80.60%,等错误率(Equal Error Rate,EER)分别达到10.60%、12.60%、18.50%,同时具有更强的实时性。相比经典的One-class Neural Network (ONN)和Aggregation of Ensembles (AOE)模型,DSS-Net在Ped1和Ped2数据集上的AUC值分别提升了0.42%和0.94%。此外,DSS-Net也在UMN、ShanghaiTech和CUHK Avenue等数据集上进行了泛化能力和鲁棒性的测试,结果与当前主流模型相比具有一定的竞争力。     

基于机器和深度学习的入侵检测综述

随着互联网的普及,网络空间与陆地、海洋、天空、太空齐名,已成为国家第五大主权领域空间。网络安全的重要性日益凸显,入侵检测作为有效的攻击检测手段,正被广泛研究。首先从入侵检测的概念和分类出发,详细阐述了入侵检测的前两个环节：数据采集及处理和信号分类。然后,围绕机器学习和深度学习两个研究热点对信号分类的技术进行了归纳和总结。最后,对于当前研究的问题提出了思考和总结,并对未来方向进行了分析和展望。     

双交叉注意力自编码器改进视频异常检测

针对视频中包含的异常事件数量稀少,信息密集的特征容易被遗漏等问题,本文提出一种双交叉注意力自编码器的视频异常事件检测方法.首先预处理视频集,提取视频帧中表观和运动特征,然后设计双交叉注意力模块融入自编码器中,使特征图在自编码器中能够更好地关联全局特征.其次将提取后的特征放入各自的自编码器中学习正常行为,使含有正常事件的视频帧能被模型重构,含有异常事件的视频帧则无法被重构.最后通过检测模型得到各个视频帧的重构误差从而进行异常事件判定.该方法可以以局部特征关联全局特征的方式有效提高视频异常事件检测的准确率,通过在多个公开数据集中进行实验验证,证明该方法优于其他同类方法.     

基于运动目标检测的视频存储策略

运动目标检测和视频存储是嵌入式视频监控系统中的两个重要功能。对于背景不变区域监控的存储,本文提出了一种基于背景减除算法(运动目标检测)的视频存储策略。该策略大大提高了磁盘空间的利用率。     

视频监控系统故障报警设计

本文通过交流视频监控系统，摄像机的故障及线路问题的检测和报警设计，最后得出：产品设计中关键是MAX7461芯片的使用，如果没有这款芯片或者不了解芯片的作用，要想设计同样功能的产品，是比较困难的。     

声音事件检测综述

声音事件检测技术能够识别出一个音频段中存在的事件类别并标注出各事件的起止时间,在智能城市、医疗监控、野生动物保护等应用场景有巨大潜力,是机器听觉领域的一个重要研究课题。本文从监督学习和半监督学习2个方面对声音事件检测方法进行综述,汇总和分析现有研究中使用的特征、检测模型及其性能。对于监督学习,重点介绍机器学习方法和深度学习方法。对于半监督学习,总结基于均值教师、协同训练、多尺度卷积和注意力机制等4种有效方法。最后,介绍常用数据集和评价指标,并讨论未来可能的研究方向,包括声音分离预处理、合成数据和真实数据域适应、自注意力模型优化、特征选择和融合、流式系统建模等问题。