Intelligent Mobile Video Surveillance System with Multilevel Distillation

This paper proposes a mobile video surveillance system consisting of intelligent video analysis and mobile communication networking. This multilevel distillation approach helps mobile users monitor tremendous surveillance videos on demand through video streaming over mobile communication networks. The intelligent video analysis includes moving object detection/tracking and key frame selection which can browse useful video clips. The communication networking services, comprising video transcoding, multimedia messaging, and mobile video streaming, transmit surveillance information into mobile appliances. Moving object detection is achieved by background subtraction and particle filter tracking. Key frame selection, which aims to deliver an alarm to a mobile client using multimedia messaging service accompanied with an extracted clear frame, is reached by devising a weighted importance criterion considering object clarity and face appearance. Besides, a spatial- domain cascaded transcoder is developed to convert the filtered image sequence of detected objects into the mobile video streaming format. Experimental results show that the system can successfully detect all events of moving objects for a complex surveillance scene, choose very appropriate key frames for users, and transcode the images with a high power signal-to-noise ratio （PSNR）.

基于卡尔曼(Kalman)滤波算法的体育训练视频中的运动目标检测

体育训练视频中的运动目标检测往往存在目标快速移动、目标遮挡和场景变化等问题,导致运动目标检测的难度增大。为了解决这些问题,提出了基于卡尔曼(Kalman)滤波算法的体育训练视频中运动目标检测的方法。为了提升体育训练视频图像的质量,首先对体育训练视频的图像进行一系列预处理(包括灰度变换、轮廓对比增强和噪声抑制等);然后借助混合高斯模型(Gaussian mixture module,GMM)有效提取体育训练视频的前景信息;为了精准捕捉体育训练视频中的运动目标,运用三帧差分法设定Kalman滤波器的初始状态,利用高效检测算法准确获取每一帧图像中运动目标的观测位置;随后将初始状态和观测位置的数据输入Kalman滤波器;最后在Kalman滤波器中,结合上一帧的预估值和当前帧的监测值,对体育训练视频中运动目标的当前状态进行精确估算和优化,并对下一帧的状态进行预测,从而实现了对运动目标的持续跟踪与精准预测。实验结果表明,与基于特征融合的全卷积孪生网络(siamese full convolution,Siamfc)目标追踪算法和基于连续自适应均值漂移(continuously adapting mean shift,Camshift)的均值漂移(mean shift,Meanshift)改进算法相比,采用基于Kalman滤波算法的运动目标检测方法对运动目标的重叠精度(overlap precision,OP)和中心位置误差(center location error,CLE)进行检测,不仅能够有效检测到体育训练视频中的运动目标,还可表现出较高的准确性和实时性。

基于多列深度3D卷积神经网络的手势识别

传统2D卷积神经网络对于视频连续帧图像的特征提取容易丢失目标时间轴上的运动信息,导致识别准确度较低。为此,提出一种基于多列深度3D卷积神经网络(3D CNN)的手势识别方法。采用3D卷积核对连续帧图像进行卷积操作,提取目标的时间和空间特征捕捉运动信息。为避免因单组3D CNN特征提取不充分而导致的误分类,训练多组具有较强分类能力的3D CNN结构组成多列深度3D CNN,该结构通过对多组3D CNN的输出结果进行权衡,将权重最大的类别判定为最终的输出结果。实验结果表明,将多列深度3D CNN应用于CHGDs数据集上进行手势识别,识别率达到95.09%,与单组3D CNN及传统2D CNN相比分别提高近7%,20%,对连续图像目标识别具有较好的识别能力。

一种基于高斯混合模型的视频监控运动物体提取系统

现有的视频监控系统必须要依靠人对监控图像的实时观察才能发挥作用。设计并实现了一种基于高斯混合模型的自适应的视频监控运动物体提取系统,使用高斯混合模型对监控场景进行建模,利用对象形状的空间连通性和最小像素尺寸约束去除噪声影响,从而实时地分离出前景中的运动物体并对其进行追踪和计数,仿真实验的结果证明了系统的有效性。

基于双目立体视觉的集装箱卡车定位方法研究

针对目前存在的集装箱卡车(以下简称集卡)定位方法无法有效地解决集卡准确定位以及箱距计算等问题,提出一种基于计算机视觉的集卡定位系统方案。实验表明,该方案能提供准确、及时的集卡定位引导信息,能够极大提高集装箱的装卸效率。

视频监控中背景的提取和更新算法

获取高质量的背景图像是在背景消减法中决定目标提取效果的关键。针对传统方法存在的问题,从实际情况出发提出一种改进的背景提取和更新算法,并在Matlab环境下进行仿真,仿真结果显示该算法具有良好的性能,说明它对于各种外部因素的影响,如光照变化、阴影、目标遮挡等,具有很强的适应能力。

竞技运动目标的提取及视频合成与比较

以跳远运动的视频分析为背景,介绍了背景差分和连续帧间差分相结合的运动目标提取方法及其实现过程,给出了两个不同运动目标的视频合成和同屏同步播放的视频比较方案,为竞技运动训练的科学化、现代化提供了有力的支持。

基于感兴趣区域的幅型比变换新方法

基于人类视觉系统对运动目标比较敏感的特性,提出了一种新的幅型比变换方法.综合时空信息提取视频序列中的运动目标,利用图像修复技术对被提取运动目标后的视频图像进行背景修补.采用插值算法以不同的方式分别缩放运动目标和修复后的背景,并将变换后的运动目标与背景相叠加合成相应幅型比的视频图像.实验结果表明:此方法避免了已有幅型比变换方法的缺陷,保证了变换后运动目标的无失真性,与人类的视觉感知有较好的一致性.

在MPEG压缩域中进行运动对象提取的现状研究

运动对象的提取是进行视频分析的一个重要部分。传统的提取方法是在像素域中完成,将其用于以压缩形式存储的视频则需要耗费大量的时间先进行压缩码流的解码。为了提高速度,许多科研人员开始分析MPEG码流的特性,研究直接在压缩域中进行运动对象提取的方法。对近年来提出的压缩域中运动对象的提取方法进行分析,为进一步提高算法性能奠定基础。

基于核Fisher判别分析视频运动目标的分类

针对线性判别分析只能提取线性特征而不能描述非线性特征的缺点,采用将核函数和Fisher判别分析方法的可分性结合起来的核Fisher判别分析的方法对视频中的运动目标进行自动分类,运动目标包含人、汽车和宠物三类。该方法取得了较好的分类效果,且在查全率、查准率和F1-Measure获得了满意的性能。

一种视频运动区域检测的方法

在镜头不动的情况下,提出了一种基于累积帧差分割技术的视频运动区域检测方法,这种方法对传统累积帧差法作了改进采用相邻帧差和隔帧差结合并对图像累计相加.实验结果表明:这种方法不仅能很好的消除视频图像的噪声,且可以有效地从对比度较小和噪声较大的视频序列中较精确地检测出比较完整的运动区域轮廓.

一种基于运动目标的视频水印方法

提出一种基于视频中运动目标的自嵌入水印方法,可以实现在视频信息接收端对运动目标的无损恢复。为保证在水印嵌入前后获取的目标完全一致,给出一种新的运动目标提取方式,即使用近似于原始视频帧的合成帧来提取视频中的运动目标。实验结果表明,在视频未被篡改或在一定程度上被篡改的情况下,该方法可以实现运动目标的完全恢复,具有一定的可行性。

跳水动作的视频合成与比较

如何利用计算机视频处理技术,提高体育运动员的科学训练水平,是当前信息处理技术和体育科学技术交叉研究领域的重点问题之一。借助多段运动视频的合成,对各种动作进行观察比较,找出运动员在同一动作上的差异,对于诸如跳水等多项运动而言具有重要的意义。文章根据跳水视频的特点,提出了一种基于运动目标的视频合成算法。通过对不同的方法进行比较实验,结果表明:所提出的算法能很好地完成视频比较,对背景变化具有较强的鲁棒性。另外,算法还可以扩展到多个运动目标比较等应用领域。

基于ViBE与面向对象分类的视频卫星运动车辆检测

为了提高视频卫星对运动车辆的检测质量,在经典视觉背景提取器(ViBE)算法的基础上,结合遥感的面向对象分类技术,从提升正确检测运动目标数量和抑制虚假运动目标检测数量两个方面着手,提出了一种新的运动车辆检测方法(VOMVD)。首先通过优化ViBE模型参数,尽可能多地获取真实运动目标,但这在一定程度引入了许多的虚假目标。研究继而依据影像上地面小尺度运动目标和道路的依存关系,采用面向对象的分类方法,基于光谱、纹理、空间属性,构建了均值、标准差、卷积核内平均灰度值、卷积核内平均信息熵、面积、长度、紧密度、延伸度等8个特征,用于提取道路信息,以此掩膜ViBE提取的虚假运动目标和伪运动目标。结果表明,基于本研究提出的视频卫星运动目标检测方法较之三帧差分法、ViBE检测方法等,其精度有明显提升。在本研究中,三帧差分法、ViBE和VOMVD对运动目标的检测精度P分别为70.91%,61.49%和85.71%,召回率R分别为84.78%,98.91%和97.83%,F值分别为77.23%,75.83%和91.37%,有效提升了方法对运动目标的检测效果。

基于分层匹配五元组Codebook的运动目标检测算法

运动目标检测是智能视频分析的第一步,Codebook算法是该领域中广泛应用的算法之一。分层匹配五元组Codebook算法是在经典Codebook算法基础上的一种改进算法。该改进算法在码字模型中引入平均亮度代替最大亮度和最小亮度,并且依据平均亮度对高亮度和低亮度区域采用不同的匹配计算方法。实验表明,改进后的Codebook算法成功利用五元组代替六元组实现处理速度的提高,利用高低亮度区域分层匹配实现检测精度的提高。

基于视差和变化检测的立体视频对象的实时提取

随着立体视频的发展,立体视频对象提取技术也成为研究的热点。本文提出一种基于视差和运动变化检测的立体视频对象实时提取算法:结合立体视频的视差、运动和边缘等信息,由立体匹配得到视差图,对视差图初次提取得到二值图像,再运用对称差分法变化检测,根据对象的运动速度实时选取用于变化检测的视频帧,结合运动信息提取出最终的立体视频对象。实验表明该算法能够实时地从复杂背景中提取出视频对象,并可以保证在视频停止变化时保持视频对象的连续输出。

基于HEVC的车辆异常事件检测

当前传统交通事故检测和查阅主要通过人工监测的方法,这种方法效率低且实时性差,本文提出一种基于最新压缩域视频编码标准HEVC(High-efficiency video coding)的车辆异常事件检测方法。首先对HEVC码流中提取出的运动矢量信息进行运动矢量累积迭代和中值滤波的预处理,之后根据提取出的块划分信息和运动矢量信息计算运动对象的运动强度,然后根据运动强度值和八连通区域法提取出运动对象,最后根据空间距离法和运动强度判别法检测出视频序列中发生的车辆异常事件。实验证明,该方法可以准确地检测出视频序列中发生的车辆异常事件;对于有着快速移动的运动目标以及多个运动目标的视频效果更好。

像素域运动对象提取算法的研究

针对像素域运动对象的提取,较系统地分析比较了现有主要算法各自的原理、提取效果及时间特性,为研究者在各种不同的场合选择不同的提取算法提供了依据。为使算法具有可比性,实验在同一Hall_Monitor序列上进行。然后,提出一种改进的、同时进行帧间差分和减背景的运动对象提取算法,其鲁棒性在于能对光照变化、运动物体的暂停,显露部分的背景区域等复杂情况作出正确判断处理。

集成目标监控功能的视频内容过滤系统

提出一种把远程目标监控功能集成到不良视频内容过滤的方法,并实现基于IP网络的多功能流媒体视频监控系统。该方案根据远程目标监控和不良视频内容监控之间存在较强的技术耦合,即两者共同包含的传输协议识别分析、视频文件组建、视频帧提取等关键技术,把两种功能集成到一起,实现一个统一的多功能监控平台,具有较高的实用价值。

运动车辆提取算法研究

在监控系统的背景中往往有活动的物体,给运动目标的提取造成一定的困难。文章分析了背景中静止不动的物体及背景中做类周期性活动的物体。利用像素灰度归类的方法,在一个或多个灰度区间里,根据表示静止不动的背景和做类周期运动的背景来对运动物体进行提取。此方法消除了做类周期运动的非运动物体对运动物体提取的影响。