智能视频识别技术的发展现状

一、智能视频分析技术应用现状

  作为强化视频监控系统应用的一门主要技术——视频智能分析技术,近几年一直得到业界的广泛的关注,其通过对视频内容的分析,将客户所关注的目标从监控背景中分离出来,按照目标的移动方向、速度、时间等参数和某些行为特征进行关联,从而达到主动监控防御的目的。按说这一技术的大规模推广应用对于提高当前治安监控系统的利用效率将起到很大的作用,但实际上却没有得到有效的推广,所谓“叫好不叫座”。笔者认为,造成这一现象的主要原因有以下几个方面:

 
【您可以是大型系统集成商、可以是相关贸易的经销商、也可以是设计单位、即便您是个人、只要您有资源、只要您有渠道、我们都会最大限度内保证您的利益。】

  一是当前多数能够识别的行为特征仅局限于一些特定的场合。如目标跟踪、越界、计数、目标丢失、物体遗留等,主要应用于像看守所、监狱、博物馆、仓库、厂区、地铁站等相对固定的应用场景,而在针对社会层面的监控环境中,因监控场景的复杂和多变性导致监控的稳定性大打折扣,而以报警事件准确性为评价标准的智能监控产品也因此而突显了其应用局限性;

  二是实现的方式还不能完全满足治安监控的要求。目前来看,市场上虽然已经存在多种不同形态的智能产品,但是多数的视频分析应用属于前端分析,即通过DSP嵌入到摄像机或黑匣子中,然而因为现有视频分析技术的局限性,目前一般都只能针对特定的某一路或几路视频进行分析,对于动辄几千上万路的治安监控系统来讲,显然是不适合的;如何适应变化多端且规模庞大的监控外部环境,与安防设备进行有效融合是智能视频分析厂家还有待研究解决的问题。

  三是市场价格相对昂贵,因其远高于传统
  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
作  者:万卫兵 等编著 出 版 社:上海交通大学出版社 出版时间:2010-1-1 本书系统介绍了智能视频监控中目标检测与识别的基本问题及其相关处理技术。主要内容包括智能视频监控的理论、算法和典型应用实例。包括计算机视觉基本理论、运动目标检测技术、运动目标跟踪和分类技术、运动的场景分析及行为理解技术。其中目标的检测与识别技术在资助的科研项目中有成熟可行的应用实例。本书内容由浅入深、循序渐进,着重于经典内容和最新进展的结合,并辅以较多的应用范例。 上篇 智能视频监控中目标检测与识别概论 第1章 绪论 1.1 智能视频监控概述 1.1.1 智能视频监控的发展 1.1.2 智能视频监控中的关键问题 1.2 智能视频监控的研究内容 1.2.1 智能视频监控的系统结构 1.2.2 智能视频监控的难题 1.3 研究现状与应用前景 参考文献 第2章 计算机运动视觉相关理论 2.1 摄像机的标定 2.1.1 坐标系的变换 2.1.2 摄像机的标定 2.2 双目立体视觉 2.2.1 特征匹配关键技术 2.2.2 特征匹配算法分类与立体成像 2.3 运动视觉 2.3.1 运动视觉的研究内容 2.3.2 运动视觉处理框架 2.4 场景理解 2.4.1 场景理解认知框架 2.4.2 静态场景理解 2.4.3 动态场景理解 参考文献 第3章 运动目标检测技术 3.1 运动目标检测概述 3.1.1 光流法 3.1.2 相邻帧差法 3.1.3 背景差法 3.1.4 边缘检测方法 3.1.5 其他重要的相关方法 3.2 视频监控中的背景建模 3.2.1 背景提取与更新算法概述 3.2.2 基于GMM的背景提取与更新算法 3.2.3 基于AKGMM的背景提取与更新算法 3.2.4 去除阴影 3.3 ROI面积缩减车辆检测搜索算法 3.3.1 改进的帧差法 3.3.2 图像的腐蚀与膨胀 3.3.3 车辆目标分割识别 3.3.4 实验结果与分析 参考文献 第4章 运动目标跟踪技术 4.1 目标跟踪的分类 4.2 目标跟踪方法 4.2.1 基于特征的跟踪方法 4.2.2 基于3D的跟踪方法 4.2.3 基于主动轮廓的跟踪方法 4.2.4 基于运动估计的跟踪方法 4.3 粒子滤波器 4.3.1 离散贝叶斯滤波系统 4.3.2 蒙特卡洛采样(Monte Carlo Sampling) 4.3.3 贝叶斯重要性采样(Bayesian Importance Sampling) 4.3.4 序列化重要性采样(Sequential Importance Sampling) 4.3.5 粒子滤波(Particle Filte)一般算法描述 4.3.6 粒子数目N的选取 4.4 多视角目标跟踪 4.4.1 目标交接 4.4.2 多摄像机的协同 4.4.3 摄像机之间的数据通讯 4.4.4 多摄像机系统总体设计与集成 参考文献 第5章 运动目标分类技术 5.1 目标分类方法 5.1.1 基于形状信息的分类 5.1.2 基于运动特性的分类 5.1.3 混合方法 5.2 分类的特征提取 5.2.1 视频图像的两种特征 5.2.2 分类特征选择 5.3 分类器构造 5.3.1 支持向量机理论 5.3.2 多类支持向量机 5.3.3 特征训练 5.4 训练和分类方案 5.4.1 静态图像训练分类模型 5.4.2 动态视频中运动对象的分类 5.4.3 训练和分类的实验结果 参考文献 第6章 行为理解技术 6.1 行为理解的特征选择与运动表征 6.1.1 特征选择 6.1.2 运动表征 6.2 场景分析 6.2.1 场景结构 6.2.2 场景知识库的建立和更新 6.3 行为建模 6.3.1 目标描述 6.3.2 约束表达 6.3.3 分层的行为模型结构 6.4 行为识别 6.4.1 基于模板匹配方法 6.4.2 基于状态转移的图模型方法 6.4.3 行为识别的实现 6.5 高层行为与场景理解 6.6 行为理解存在的问题与发展趋势 参考文献 下篇 智能视频监控应用实例 第7章 白天车辆检测实例 7.1 道路交通样本库的采集与组织 7.1.1 样本的采集 7.1.2 样本库元信息和组织 7.2 车辆检测系统结构设计 7.2.1 基于视频的车辆检测方法概述 7.2.2 虚拟线圈车辆检测法的算法流程 7.2.3 系统框图 7.3 背景重构 7.3.1 视频背景重构技术回顾 7.3.2 基于IMFKGMM的背景提取与更新算法 7.4 灰度空间阴影检测算法研究 7.4.1 彩色图像的灰度变换 7.4.2 算法原理 7.4.3 试验结果 7.5 虚拟线圈车辆检测法 7.5.1 数学形态学后处理与状态机 7.5.2 交通参数的测量 第8章 夜间车辆检测实例 8.1 夜间视频车辆检测系统框架 8.2 摄像机配置 8.2.1 摄像机安装和标定 8.2.2 车灯在路面上的投影与视野的设置 8.3 车灯提取配对跟踪算法 8.3.1 车灯提取与车灯形状特征 8.3.2 配对跟踪算法 8.3.3 交通参数计算与实验结果和分析 第9章 昼夜亮度变化及切换方法 9.1 离线亮度变化建模 9.1.1 交通视频亮度变化实例与S型曲线 9.1.2 离线曲线拟合 9.1.3 在线亮度变化识别 9.2 昼夜检测算法的切换方法 9.2.1 亮度模型分析与切换时间选取策略 9.2.2 过渡时段的切换方法 9.2.3 切换方法试验结果 9.3 仿真试验平台 第10章 距离测量实例 10.1 摄像机标定及距离测量 10.1.1 OpenCV中的标定方法 10.1.2 测距算法 10.2 实验与结果分析 10.2.1 内参数矩阵与场景无关性 10.2.2 标定平面上两点间距离测量 10.2.3 垂直于标定平面轴线上两点间距离测量 10.2.4 双视角同时标定,任意两点间距离测量 第11章 客流检测系统实例 11.1 视频图像采集与数据结果传输 11.1.1 视频图像采集系统设置 11.1.2 视频文件 11.1.3 数据结果的传输 11.2 基于背景检测的行人检测 11.2.1 背景分割 11.2.2 行人检测 11.3 基于blob检测的行人跟踪与计数策略 11.3.1 基于blob的跟踪方法 11.3.2 计数策略 11.4 算法的工程实现与实验结果

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值