基于深度学习的监控视频图像增强处理方法

传统的图像增强处理方法常存在图像清晰度较低、失真度较高的问题。因此,提出基于深度学习的增强处理方法。在获取监控视频图像信息后,对图像进行序列对齐处理。通过图像量化处理的方式显示单个图像中的关键像素点和邻近像素点之间的分布。采用深度学习技术,用8个方向的梯度算子提取反射图像的方向梯度,得到细节增强的反射图像,再通过Retinex反变换完成增强处理。设计对比实验,证明该方法可以改善监视视频的图像增强效果,获得更清楚的景物图片。

基于监控视频数据的城市轨道交通车站闸机设施处行人停滞行为谱特征研究

[目的]为科学设置闸机,改善其实际通行能力,以及减少行人异常停滞行为带来的拥挤风险,需对城市轨道交通车站闸机设施处行人停滞行为谱特征进行研究。[方法]利用视频轨迹追踪技术,采集城市轨道交通车站闸机设施处监控视频中的行人运动参数;确定行人停滞行为表征指标,从闸机类型、行人流及个体停滞行为三类要素构建了城市轨道交通车站闸机设施处行人停滞行为谱,并采用四分位差法确定行人停滞行为谱表征指标上下限阈值;对行人停滞行为起点至闸翼/闸杆中心的纵向距离和横向距离,以及行人停滞范围和停滞时间等4个表征指标的差异性进行了分析,并全面解析了不同闸机类型和不同行人流率下的行人停滞行为谱特征。[结果及结论]行人易在闸机设施正前方停滞,行人停滞行为起点至闸翼/闸杆中心的纵向距离远大于其横向距离;当行人流率为>5~10人次/min时,行人停滞范围波动性最大;随着行人流量的增加,行人可用空间、停滞范围及停滞时间均减小。

色度域亮度域信息融合的监控视频重压缩取证

为解决当前视频重压缩取证方法没有考虑色度域信息、取证准确度低的问题,提出一种面向最新多用途视频编码(versatile video coding,VVC)标准色度域亮度域信息融合的监控视频重压缩取证方法(CLF-SVRF)。基于VVC标准的编码原理,从监控视频的色度域和亮度域维度分析并确定VVC视频码流中与压缩次数密切相关的基础码流特征;基础码流特征包括色度域和亮度域编码单元(coding unit,CU)的划分类型及预测模式;结合拉格朗日率失真优化技术分析随着压缩次数的增加,色度域亮度域CU划分类型和预测模式的变化;进一步确定色度域亮度域CU划分类型和预测模式可以作为检测视频压缩次数的基础码流特征;接着考虑视频监控应用对重压缩取证方法低复杂度的需求,基于色度域亮度域CU划分类型和预测模式构建低复杂度高级码流特征;将高级码流特征输入支持向量机完成监控视频的重压缩取证。实验结果表明,与当前先进方法相比,CLF-SVRF方法的监控视频重压缩取证准确度平均提升了13.53%,同时可以大幅度地降低重压缩取证耗时,重压缩取证时间平均减少了47.42%。

基于监控视频的交通事故自动识别算法

为了充分发挥现有交通监控网络提供的有效信息,提高交通事故发生后的救援、责任认定和交通疏导效率,以交通监控视频网络为数据源,采用了精简的YOLOv3目标检测网络实现监控视频中车辆与行人的实时多目标检测。在多目标跟踪方面,为了提高deepSORT算法实时性和稳定性,提出了基于无向图的特征描述矩阵,通过对车辆类目标的二次特征提取进行deepSORT级联匹配。基于交通时空冲突判定设计了事故自动识别算法,对各交通参与者运动特征进行了甄别处理,实现了交通事故的自动识别和事故特征的自动化提取。通过对不同角度的监控视频进行了数据提取,人工标注了13000多张训练数据,完成了对精简YOLOv3网络的训练。采用50个典型交通事故案例对事故自动识别算法进行了测试。结果表明:精简YOLOv3网络能够实现对包括轿车、客车、行人等8种常见交通元素的识别平均精度超过80%;事故自动识别算法达到了80%的识别成功率和8%的虚警率。提取的事故信息不仅包含事故的时间和地点等简单信息,而且包含事故各方的速度、轨迹等高维运动特征和视频片段,对实现交通事故的远程快速处理和救援、缓解由于交通事故引起的拥堵压力等方面具有重要的意义。

基于机器视觉技术和多尺度时空特征的监控视频人体异常行为识别

监控容易受到光流动态特征影响,无法精准识别人体异常行为。为此,提出了基于机器视觉技术和多尺度时空特征的监控视频人体异常行为识别方法。构建异常行为多尺度时空特征矩阵,剔除无用兴趣点;提取多尺度时空特征矩阵连续帧人体轮廓高与宽、人体姿态变化的前一帧与当前帧及人体轮廓点到轮廓中心距离;通过判断跳、蹲和爬异常行为轨迹,实现对人体异常行为识别。试验结果表明,所提方法识别的跳、蹲、爬异常行为与实际数值最大误差分别为0.2 m、0.02 m和0.01 m,具有精准的识别效果。

基于动态特征融合的监控视频图像小目标检测研究

在实际监控场景中,监控视频图像往往会受到复杂的背景干扰和光照变化的影响,使得小目标的检测变得非常困难且准确性较差。因此,文章提出基于动态特征融合的监控视频图像小目标检测方法。首先对监控视频图像进行预处理,主要是对不同类型的噪声进行噪声滤除操作,以提高图像质量并突出小目标;其次融合数学形态学处理技术,提取预处理后图像的小目标相关特征;最后采用动态特征融合方式进行小目标检测,将多个特征融合在一起,以更全面地描述图像中的小目标。通过这种动态特征融合方法完成了监控视频图像小目标检测方法设计。实验结果表明:新方法在检测不同类型的小目标中具有明显优势,能够实现对小目标的准确监测,说明其在监控视频图像小目标检测中具有应用价值。

基于深度学习和PP-MSVSR视频超分模型的监控视频修复系统

提出了一种以深度学习和PP-MSVSR模型为基础的监控视频修复系统,通过特征提取、局部融合和特征传播等实现低分辨率视频的修复,提高计算机视觉任务的准确性,为改善安防监控效果、构建智能视频监控系统和提升监控系统性能与功能提供方案。

基于SEI的煤矿智能监控视频传输方法

目前煤矿视频监控数据传输存在高延迟问题,而视频传输延迟的主要成因是编码延迟。针对该问题,提出了一种无视频编码的基于媒体补充增强信息(SEI)的煤矿智能监控视频传输方法。该方法在解复用视频流得到视频压缩帧后缓存一份副本,解码视频压缩帧得到视频解码帧,通过SEI存储视频解码帧中AI模型分析结果,根据时间戳对应关系将自定义SEI写入该视频解码帧对应视频压缩帧副本的网络提取层单元,并复用视频压缩帧副本,实现煤矿智能监控视频实时传输。在24核CPU上对该方法进行实验测试,结果表明:对于1280×720分辨率的视频,采用该方法处理视频时CPU整体使用率由采用传统方法时的24.7%~36.6%降至20.3%~23.9%,端到端延迟由1946 ms降至345 ms;对于1920×1080分辨率的视频,采用该方法处理视频时CPU整体使用率由采用传统方法时的29.2%~41.8%降至18.5%~26.3%,端到端延迟由6204 ms降至479 ms。该方法通过规避视频编码环节,降低了煤矿智能监控视频传输延迟,且节省了视频编码所需的CPU或GPU资源,降低了智能视频监控系统硬件成本。

工作面监控视频清晰化应用技术研究

针对井下工作面监控视频的视觉清晰化问题,首先提出一种监控摄像仪防尘自动疏水方法,利用疏水涂层制备摄像仪视窗,有效减少煤尘、水雾等附着,提高监控视频画面的可视化监控效果。针对工作面工况条件下粉尘雾气导致监控视频图像质量下降问题,提出一种监控视频图像实时去雾算法。通过实时去雾处理后监控图像峰值信噪比保持在28.2左右,使得监控图像特征信息很好保持的同时,增强工作面监控视觉效果。在监控视频图像视觉畸变矫正技术研究过程中,提出一种工作面监控视频图像校正方法,充分利用视频图像内部特征信息,无需外部标定实现监控视频图像边缘畸变校正。实验表明,文章提出的工作面监控视频清晰化技术一定程度上能够满足实际生产需求,提升工作面监控视频可视化效果。

基于标准H.265的监控视频压缩编码方法

为了提升视频压缩编码效率,解决成本问题,基于标准H.265研究了一种新的监控视频压缩编码方法。通过H.265/HEVC选取色度帧内预测参数,确定参数格式,同时完成帧内和帧间预测。通过DM模式计算色度亮度参数的分量间相关性,得到五种候选模式,推导最优模式,根据推导结果得出分解结果。通过平滑处理确定像素精度,分别计算DCT2和DST7之间反复切换的参数,匹配监控视频的压缩编码速度与视频监控的播放采集速度,实现视频压缩编码。实验结果表明,标准H.265的压缩效率得到了大幅度提升,节省了大量成本,说明该方法能够提高编码性能,降低视频处理成本。

突发公共安全事件监控视频异常行为监测仿真

公共安全事件监控视频中的异常目标通常为中小型个体,其监测过程也易受到周围公共场所环境的干扰。提出突发公共安全事件监控视频异常行为监测方法。建立符合人体异常行为特点的增强型Cucker-Smale群体运动模型,描述人体异常行为的目标运动函数。以上述函数为基础,采集监控视频中与突发公共安全事件相关的异常行为数据。利用光流块为单位提取异常行为数据特征,并将异常行为数据特征与K-means聚类算法结合,全面分类异常行为数据特征,实现突发公共安全事件监控视频异常行为的监测。仿真结果表明,研究方法能够准确的识别出监控视频中的异常行为,且AUC值最高可达0.983,说明所提方法具有更好的应用性能。

油田监控视频画面识别的边缘检测算法

现实中的油田工业环境是三维空间,但在监控视频里变成了二维图像。要想将目标从二维平面中分离出来,就要涉及图像识别。边缘检测是图像识别的关键环节之一。围绕识别领域中的边缘检测展开论述,剖析高斯模型的建模原理,并提出具体的高斯模型改进方案。此外,通过具体图像测试来比较高斯算法和高斯改进算法,进而加强对高斯建模的认知。

基于属性基加密的实验室监控视频用户访问身份甄别算法研究

为了提高实验室监控视频用户访问身份甄别效果,设计了基于属性基加密的实验室监控视频用户访问身份甄别算法。利用相关设备采集实验中相关用户身份信息数据,并对采集的数据进行处理后,提取其特征,在此基础上,通过属性基加密对提取的数据特征进行加密处理,再通过计算提取密文的特征,对数据进行分类处理。通过计算待甄别身份信息特征向量与分类类别之间的相关性,生成用户访问身份甄别算法。完成对实验室监控视频用户访问身份甄别算法的设计。实验结果表明,设计的基于属性基加密的实验室监控视频用户访问身份甄别算法甄别准确率为98.02%,甄别效果较好。

国土空间基础信息平台集成监控视频数据的方法研究

针对国土空间基础信息平台集成监控视频数据过程中的跨网络、数据异构等问题,本文首先对国土空间基础信息平台集成监控视频的现状需求进行研究分析,提出了数据集成的解决思路,并对涉及的跨网络数据传输、流媒体数据转换、服务代理网关等关键技术进行研究,最终提出了一种集成监控视频的方法,并对该方法进行了实践验证。实践表明,该方法能够在保障网络安全前提下,解决数据集成过程中的跨网络、数据异构等问题。国土空间基础信息平台集成监控视频数据,能够实现监控视频数据与涉密或敏感数据的叠合联动,具有较为丰富的应用场景。

智慧城市中的深度监控视频事件分析

随着智慧城市建设的持续深化,监控视频分析的重要性日益凸显。为了实现对视频中出现事件的即时响应与精准处理,对监控视频进行深度分析变得至关重要。这不仅能够为城市管理提供坚实支撑,还能大幅增强城市的安全防控能力。而深度学习技术的飞速进展,为监控视频分析提供了更加自动化和精确的视频特征提取能力。借助深度学习算法对监控视频进行实时分析,城市管理者能够迅速识别异常事件、交通拥堵、人流密集等问题,并快速采取相应措施。这不仅显著提升了城市管理的反应速度和效率,更增强了城市的安全性和稳定性。因此,本文深入分析和总结了监控视频下的事件分析技术,并对未来监控视频在智慧城市中的应用方向进行了进一步的思考与展望。

监控视频高效智能检索研究

随着监控设备和计算机视觉相关技术的逐步成熟,监控视频被广泛应用于安全防范、交通管理和刑事侦查等多个领域,如何准确高效地利用监控视频检索成为一个难题。文章在对基于语义的监控视频检索系统、基于对象的监控视频检索系统、基于颜色的监控视频检索系统以及基于深度卷积神经网络的视频检索的优势和局限性进行比较和研究后,对智能监控视频检索的未来发展趋势进行了展望。

基于改进FasterRCNN的受电弓监控视频弓网燃弧检测研究

高速列车弓网系统的稳定运行对于列车电力输送有着十分重要的意义。为提高弓网系统燃弧检测的准确性,探究了一种基于改进FasterRCNN的受电弓监控视频弓网燃弧检测方法,用于提取受电弓视频中的燃弧区域;同时,融合了VGG16网络,以改善图像分类与定位的性能。在仿真测试中,模型成功检测386张,误检5张(其中被误检为无燃弧情况的2张),漏检12张。由仿真实验结果可知,检测准确率为99.2%,查准率为99.2%,查全率为99.5%,证明了所提算法的有效性,具备一定的实际应用价值。

基于监控视频图像的智慧变电站远程可视化自动巡检方法

由于变电站数据采集受各种磁场干扰,采用传统巡检方法得到的可视化巡检结果较模糊。为此,提出了一种基于监控视频图像的智慧变电站远程可视化自动巡检方法。首先建立变电站监控视频图像数据集,采用图像数据增强技术扩充数据集,然后通过巡检定位技术识别变电站中的关键设备和区域,最后,基于YOLOv3网络框架实现巡检图像识别以及可视化自动巡检功能。结果表明,应用所提方法,其巡检结果准确率均高于95.3%,优于对比方法,具有良好的巡检效果。

基于OpenCV-python监控视频车辆计数统计功能研究

针对实时获取监控视频车流量的迫切需求,利用OpenCV-Python实现监控视频车辆计数统计功能。首先,通过背景减除法的前景提取算法来分割出图像中的车辆。然后,通过轮廓检测和形态学操作对车辆进行处理和过滤,以消除噪声和不必要的检测结果确保准确计数。最后,将该方案与YOLOv5模型和SORT算法相结合作对比。实验结果表明,两种方案都能够有效地实现车辆的计数,但传统图像处理没有深度学习精度高,且难以适应不同路段的道路场景,为此提出将传统图像处理与深度学习相结合的建议,为车辆计数提供更好的解决方案。

二维变分模态分解矿井监控视频图像去噪

煤矿监控已基本覆盖到各矿井下的安全生产中,但矿井下复杂且恶劣的环境严重影响图像的质量,受到大量的椒盐噪声污染,降低了保障安全和消除隐患的能力。为此提出一种变换域图像去噪方法,将图像使用二维变分模态基于不同频率分解成低频和高频子模态图像,低频和高频图像中包含着不同的图像信息,对低频图像采用各向异性扩散滤波进行保边去噪处理,使用自适应中值滤波对高频图像中的大量噪声进行降噪,重构各子模态图像。以实际监控图像为研究对象,在不同噪声环境下进行对比实验,结果表明,与其他方法相比该方法具有优异的去噪效果,并且还能保留原始图像的边缘结构信息。