監(jiān)控視頻結(jié)構(gòu)化分析的研究與系統(tǒng)實現(xiàn).pdf

1、當前，在互聯(lián)網(wǎng)上傳輸?shù)囊曨l數(shù)據(jù)占據(jù)了網(wǎng)絡(luò)流量的大約70％。毫不夸張的說，視頻數(shù)據(jù)是大數(shù)據(jù)時代最大的數(shù)據(jù)。如何讓計算機更好的看清與理解眼前的世界不是一個簡單的問題，近年來也一直是計算機視覺研究的熱點。近年來深度學習的算法獲得了快速發(fā)展?；谏疃葘W習的計算機視覺方法在大部分情況下能更好的解決計算機視覺的相關(guān)任務(wù)，目前已經(jīng)是產(chǎn)業(yè)界與學術(shù)界的共識。為了更好的讓計算機理解鏡頭前的景物，本文探索計算機視覺應(yīng)用中的眾多核心算法，以社會需求與自己的實際

2、項目為驅(qū)動，對計算機軟件，硬件與相關(guān)算法進行綜合設(shè)計與研發(fā)。本文分為兩個部分，第一部分是本人以多目標檢測，多目標跟蹤等為切入點進行研究開發(fā)。第二部分是本人挖掘社會實際需求研發(fā)完成的三個互相關(guān)聯(lián)的項目。
　　在所完成的項目中，主要研究了計算機視覺中的以下問題:
　　1.用基于深度學習的算法對每一幀進行多目標檢測已經(jīng)能夠達到實時，但是對每一幀圖像進行目標檢測無法確定前后幀之間同一個目標的關(guān)系，這樣無法得知目標在場景中的運動軌跡，

3、目標出現(xiàn)和離開位置與時間等。為解決這個問題，本文設(shè)計了一種綜合外觀與運動特征的高速目標跟蹤算法與多目標檢測算法進行結(jié)合，實驗對比傳統(tǒng)的基于移動偵測與多目標跟蹤算法在實際項目應(yīng)用中的效果表明本文方法具有檢測跟蹤速度快，效果好的特點。
　　2.基于深度學習的目標檢測算法對較大的目標，例如行人車輛檢測效果較好，但是對視頻中較小目標例如行人的衣著，車輛的年檢標志檢測效果較差。經(jīng)過分析這是由于卷積神經(jīng)網(wǎng)絡(luò)在特征提取中，由于卷積與池化造成特征

4、精度不夠因而難以準確的定位。為了解決這個問題本文采用了串級神經(jīng)網(wǎng)絡(luò)的方法進行場景中目標細節(jié)的分析。將一級檢測網(wǎng)絡(luò)檢測到的目標從圖像中取出，投入二級網(wǎng)絡(luò)進行精細化識別，較好的解決了對視頻中目標細節(jié)特征識別的問題。
　　3.在實際的項目應(yīng)用中串級神經(jīng)網(wǎng)絡(luò)對遠處的較小的目標進行精細化識別依然效果不夠理想。經(jīng)過分析這主要是由于遠處的目標在鏡頭中分辨率特別低，深度學習算法對小目標檢測效果不好，對目標的細節(jié)特征確認困難。為解決這個問題，本文設(shè)

5、計了一套硬件系統(tǒng)，系統(tǒng)采用云臺控制的變焦鏡頭對固定槍機檢測并跟蹤的目標逐個進行細節(jié)抓拍，之后識別人臉，針對室外遠程抓拍到的人臉容易受到光照影響的問題，論文利用GAN網(wǎng)絡(luò)進行了光照修復，經(jīng)過對比，本文方法優(yōu)于傳統(tǒng)的圖像增強算法。
　　4.為了在系統(tǒng)層面解決傳統(tǒng)的監(jiān)控系統(tǒng)難以兼顧看得廣與看得清的問題，本文設(shè)計實現(xiàn)了一種基于增強現(xiàn)實的攝像頭AI高點立體云防控系統(tǒng)。并介紹了其中的核心算法一種基于神經(jīng)網(wǎng)絡(luò)的增強現(xiàn)實坐標關(guān)聯(lián)算法。為了提升增強

6、現(xiàn)實標簽的定位精度，需要獲知場景中的目標深度信息，但又不能增加系統(tǒng)的硬件成本。論文提出了一種基于GAN的單目深度估計方法，設(shè)計了一種環(huán)式損失函數(shù)。這種方法在NYU-Depth數(shù)據(jù)集上對比之前的方法取得了較好的實驗結(jié)果并具有較大的改進空間。
　　5.高空拋物檢測系統(tǒng)是社區(qū)安防監(jiān)控結(jié)構(gòu)化系統(tǒng)的一部分，但是目前尚未有一種真正有效通過視頻來檢測高空拋物的手段。目前雖然有一些基于計算機視覺的產(chǎn)品采用移動偵測算法，來檢測高空拋物的過程，但這些