关键词： 智能视频分析   视频监控应用   集成安全性  

摘要： 政府更加关注公共安全,公众的公共安全意识及其自身安全性具有重要影响。智能视频分析技术发展迅速。根据智能视频分析技术和多产品未来发展空间,介绍了智能视频分析系统的必要性,介绍了智能视频分析系统技术在智能安全中的作用。简要分析和介绍了智能视频分析系统的应用,并简要介绍了其发展前景。

关键词： 智能视频分析   深度学习   暴力行为检测   时序定位  

摘要： 随着“平安城市”的概念出现在大众面前,安防建设逐渐得到了各个城市的重视,视频监控技术也得到了不断的发展与应用。但是随着实际应用的功能需求越来越多样化,视频监控系统也需要更加智能化。目前,实现智能化的视频监控系统主要面临着以下几个关键问题:(1)如何解决视频信号的高效存储及传输问题;(2)视频流的全互联网共享问题;(3)智能视频分析算法的准确性和高效性。前两个问题涉及到硬件及编码技术,因此本文将研究重点放在智能视频分析方法上。智能视频分析方法的应用,一方面可以将事后分析变为事中分析,及时的对异常行为进行报警;另一方面可以为监控人员在大量的视频数据中对目标片段进行快速的检索及定位提供便利。近几年,深度学习开启了人工智能的新时代,在计算机视觉,自然语言处理及语音识别等许多领域均取得了非常好的效果,这也为智能视频分析技术提供了新的解决方案。因此本文结合实际的问题,针对异常行为中较为复杂的暴力行为,基于深度学习的方法进行了以下的研究:1、针对监控系统中异常行为特别是暴力行为检测效率低下、准确度不高的问题,提出了一种基于卷积神经网络(Convolution Neural Network,CNN)与轨迹结合的暴力行为检测方法。该方法利用了手工特征和深度特征的优点,通过卷积神经网络提取视频的空间特征和时间特征并与轨迹特征进行结合,从而提高了视频中暴力行为检测的准确率。实验结果表明,本文提出的方法在有遮挡变化、人群密集以及清晰单一的场景下均能进行准确的识别。同时整个检测过程的处理速度为每秒21帧,兼顾了实时性与鲁棒性,并且处理速度可以通过提升GPU设备的性能来提高。2、针对异常行为在长时序视频下难以被准确检索定位的问题,本文提出了一种基于DEC3D网络模型的二阶段暴力行为时序定位方法。该方法综合考虑冗长视频所带来的检测速度低,定位不准确的问题,建立了第一阶段的基于三维卷积神经网络(3D Convolution,C3D)的候选视频生成模型以及第二阶段的DEC3D(Deconvolution 3D Convolution)网络定位模型,通过提取空间和时序的特征,然后利用C3D网络模型在空间上进行卷积操作的同时能够在时序上进行反卷积操作的特点,实现了对暴力行为发生时间精确到帧级的定位,提高了长时序视频下对目标行为检索定位的准确率。

关键词： 视频分析   智能化   防撞预警   系统研究  

摘要： 针对桥梁防撞偏航预警的热点问题,通过对典型桥梁船撞事故产生原因及国内外发展研究现状的分析,提出了融合雷达与视频分析技术的智能桥梁防撞偏航预警系统的解决方案。通过雷达与摄像机的逐级架设并结合智能视频分析构建了从探测、跟踪到预警的全方位、一体化、多维度的监控预警体系,实现了对偏航目标与危险船舶实时、精准的监控,为降低船舶偏航碰撞风险、保障桥梁安全提供了合理有效的解决途径。

关键词： 监控视频   深度学习   视频分析技术   学习算法   人工智能   智能视频分析   隐含层   机器学习   人工神经网络   车牌识别   视频数据  

摘要： 经过几十年的发展,视频监控已成长为一个新兴的IT产业。从技术角度看,视频监控技术经历了模拟方式、数字/网络/高清方式的发展,目前正进入以智能化视频分析为核心的发展新阶段。随着视频的采集、处理、显示和传输技术的快速发展,使视频监控不仅能"看得见",而且还"看得清"。随着光纤网络、3G/4G、Wi Fi的普及,今后5G网络的开通,以往的监控视频"看得远"的传输瓶颈问题

关键词： 广告效果评估   智能视频分析   行人检测   特征融合   人脸姿态估计  

摘要： 近年来,以LCD、LED大屏幕为代表的户外新媒体广告业发展迅速且产业规模日益壮大。随着商家对广告资金的大量投入,对广告投放效果的评估也成为整个产品营销中不容忽视的重要一环。现阶段对广告效果的评估主要以人工观测和问卷调查的方式为主,手段落后,在时间和样本的抽样上存在局限性,无法实现全时段的动态监测。随着目前视频监控技术的快速发展,对视频信息的智能化处理已经成为前沿的研究课题。通过视频监控技术实现对广告效果的自动评估,将具有广泛的应用意义。针对这一问题,本文设计了一种基于智能视频分析技术的广告效果评估系统。系统通过采集广告牌前方人群场景视频,可自动对行人运动状态和姿态信息进行分析,并最终对广告宣传效果做出科学的评价。系统首先通过行人检测与跟踪技术,对人流量进行统计,随后在视频中对面向广告牌方向一侧的行人进行人脸检测。为了进一步判断行人的视线是否望向广告区域内,本文提出了一种基于特征融合的随机森林人脸姿态分类方法,对人脸朝向进行了精确的估计。对观看广告的行人,系统会自动记录其观看数量、观看时长、观看模式等信息,并最终利用反馈信息对广告效果进行量化的分析与评价。实验结果显示,本文所提出的基于特征融合的随机森林人脸姿态分类方法在人脸姿态数据库上实现了97.16%的姿态识别率,高于其它单一特征分类方法,可有效的对人脸姿态进行判别。同时,与传统的人工评价方式相比,本文的基于智能视频分析的户外广告评估系统,对行人观看比例的统计准确率达到了88.82%,对观看时长比例的统计准确率达到了96.06%,可以有效的实现对行人反馈信息的获取和分类,对广告的效果做出科学合理的评价。

关键词： 微视频   内容分析   似物性采样   显著物体检测   标签精化   个性化推荐  

摘要： 随着互联网技术和移动设备的飞速发展,视频的采集、存储和传播变得越来越普及和便捷.由于集成了视觉、听觉、文本等模态,视频具有丰富生动的表现能力,逐步成为了社会媒体中分享信息的重要媒体形态.微视频是一种时长受限的新型视频形态,其时长通常被限定为几秒至十几秒.这大大降低了视频制作、传播和观看的要求,因而微视频在社交媒体网站上呈现出爆炸式增长.构建面向微视频的有效管理和智能化服务的需求也应运而生.作为视频有效管理和消费的基础,视频内容分析技术近年来取得了长足进展.但与传统长视频相比,微视频具有来源广泛、多样性强、信息密度高、标签稀疏等特点.这对面向微视频的内容分析技术提出了新的挑战.本文从微视频的自身特点入手,围绕面向微视频的内容分析关键技术展开研究,主要关注面向微视频的似物性采样、显著物体检测、标签精化和个性化推荐,从而为有效管理和消费微视频提供有力支撑.本文的创新性工作主要包括:(1)提出了一种基于多特征融合的微视频似物性采样方法.相比于面向图像的似物性采样,视频似物性采样难以直接获取候选区域,需要分析不同模态的似物性特征,并且要求提供具有准确位置和持续时间的边界框轨迹作为结果,因而具有更高的难度.根据视频中物体的特性,本文提出了一种融合微视频中多种特征的似物性采样方法,可以有效地检测出具有不同特性的物体.此外,本文充分利用了视频内容的时空一致性和冗余性,对视频似物性采样中关键帧似物性采样和短时长边界框轨迹的跟踪和匹配等关键环节进行改进,有效地控制了计算开销.该方法能够有效地处理包含复杂场景的视频,在综合考虑效果和效率的情况下,取得比已有代表性视频似物性采样方法更好的效果.(2)提出了一种基于时空差异度和一致性的微视频显著物体检测方法.相比于面向图像的显著物体检测,视频显著物体检测除了需要考虑视频帧内的静态显著性特征,还需要考虑帧间运动显著性特征、显著度一致性以及处理效率等问题,因而面临更多的挑战.根据视频中显著物体具有的特性,本文提出了一种融合微视频内容的空间差异度和时间差异度的显著物体检测方法,可以同时有效地检测出静止和运动的显著物体.同时,本文充分利用了相邻视频帧在内容上的冗余性,仅在关键帧上直接进行显著物体检测,并根据时空一致性传播显著性来生成其它各帧的显著性图,从而提高了方法效率.该方法能够有效处理包含复杂物体运动和场景的视频,在综合考虑效果和效率的情况下优于已有代表性视频显著物体检测方法.(3)提出了一种基于多源数据辅助的微视频标签精化方法.微视频的哈希标签存在严重的分布不均、质量低下等问题,很难直接采用哈希标签来描述微视频内容;同时,由于难以构建大规模的、人工标注的微视频数据集,直接训练有效的微视频自动标注模型也十分困难.考虑到许多已有人工标注的数据集在内容上与微视频具有较强的相关性,本文采用多个用于物体检测、行为检测和场景检测的公开数据集,提出了基于多源数据辅助的微视频标签精化方法,从而克服了微视频标签精化中哈希标签质量过低、训练数据严重不足等困难.该方法对拥有不同质量哈希标签甚至缺乏哈希标签的微视频均能取得较好的标签精化结果.同时,本文构建了一个面向微视频标签精化的测试数据集,可以用作微视频标签精化任务的评测基准.(4)提出了一种基于层次式用户兴趣建模的微视频个性化推荐方法.由于微视频的时长很短,用户在观看微视频时不可能逐个人工选择,而需要依赖于社会媒体网站的自动推荐.微视频推荐除了要考虑流行度等微视频的自身属性外,还需要根据用户观看历史和点赞、评论等反馈来对用户兴趣建模.考虑到用户的个性化兴趣及其随时间的变化,本文提出了一种面向微视频的层次式用户兴趣模型,可以同时有效地描述用户职业爱好引起的长期兴趣和观看微视频过程中的临时兴趣.以此为基础,本文提出了一种微视频个性化推荐方法,其推荐结果会满足不同用户需要并随时间推移而变化.该方法能够有效地描述用户观看微视频时的兴趣,从而取得比已有代表性方法更好的微视频推荐效果.

关键词： 智能视频分析   高速公路   服务区   停车管理  

摘要： 基于智能视频分析技术的高速公路服务区精细化管理方式是现代化服务区自动管理的发展趋势,通过智能视频分析的结果可实现行高速公路服务区停车诱导、危化品车辆监控、防逃费、流量预警、云监控、紧急调度等功能,进一步促进服务区停车场车位及道路利用率,最大限度地提高服务区的接待能力,提高服务区的服务水平。

关键词： 智能视频分析   目标跟踪   相关滤波   动作识别   视觉词袋模型  

摘要： 目标跟踪与行为识别是智能视频分析的核心问题,对这两个核心问题进行深入研究对于提高视频分析监控系统的性能有着重要的意义。主要工作如下:1、提出了一种基于改进相关滤波的长时目标跟踪算法。长时间的准确跟踪是目前目标跟踪领域面临的主要挑战。大多数传统的目标跟踪方法主要是针对短时的跟踪问题,在面对长时的视觉跟踪时,由于目标自身的外观变化及周围环境的遮挡,容易出现目标模版漂移的现象。在长时目标跟踪中,随着视频推移,模版漂移的现象会愈发严重并最终导致目标丢失。为解决上述问题,提出了基于改进相关滤波的长时跟踪算法;以相关滤波算法为跟踪框架,采用了高置信度的模版更新策略防止模版污染,并设置了一个目标重检机制用于找回丢失的目标。实验结果证明所提出的算法有效避免了模版漂移问题,并且可以长期稳定的跟踪目标。2、提出了一种基于时空加权的多特征融合动作识别算法。针对传统视觉词袋BOF编码方式中对所有特征进行无序编码,而忽略了动作中的时序以及某些特征本身的特质等问题,提出了针对BOF编码加权的多特征融合行为识别算法。在跟踪目标位置基础上扩大目标框的范围,提取HOF、HOG以及CN特征进行融合,使用加权的BOF编码方式对其进行特征编码,最终将加权后的BOF特征输入SVM实现动作识别。实验证明该算法能够有效提高动作识别的准确率。3、构建了一个火车司机监控视频违规行为智能筛查原型系统。将提出的算法应用于火车司机违规行为的智能筛查,实现了在海量的离线监控视频中对火车司机违规驾驶行为的智能筛查,减轻了视频审查人员的负担、提高了筛查效率。

关键词： 智能交通   视频分析技术   分布式处理   交通流量检测  

摘要： 随着城市道路交通流量日益增大,如何高效率、低成本的解决交通拥堵是智能交通领域的重点研究内容。使用视频分析技术统计监控视频中的交通流量数据,可以为交通管理部门进行拥堵疏导提供参考依据。由于车辆密度和路况条件等因素,不同交通密度场景下车流量统计的需求不同。基于此,本文针对低交通密度场景,提出了基于预视频切分和帧差法的分布式交通流量检测方法;针对高交通密度场景,提出了基于视频帧段分布式处理和背景差法的交通流量检测方法。并最终实现高效率的交通流量检测系统。本文主要研究工作如下:(1)研究低密度分布式交通流量检测方法。现有检测方法对交通密度低的场景进行交通流量统计时,通常存在检测速度较慢的问题。本文预先将完整视频切成若干个短视频,并设计Spark视频完整读取方案,再使用两帧差法实现视频的分布式车流量统计,提升交通流量统计速度。(2)研究高密度分布式交通流量检测方法。对交通密度高的场景进行交通流量统计时,传统检测方法存在漏检及统计速度较慢的问题。通过研究视频帧段分布式读取方式和Spark数据倾斜解决方法,本文提出自定义视频帧段读取方案和任务平均分配法,并通过背景差法对视频帧段进行分布式车流量统计,在保证准确率较高的同时提升检测速度。(3)设计实现高低密度场景交通流量检测系统。通过系统业务需求进行功能模块的分析与设计,实现不同交通密度场景下的车流量分布式统计、统计结果展示等功能,并使用Spring、SpringMVC、Hibernate等技术进行系统构建。最后,通过功能测试和性能测试,验证了本系统在不同交通场景下具有较快的检测速度和较高的准确率。本文的研究成果能在真实场景中应用,并有利于交通流量检测研究的发展。

关键词： 情感识别   关键帧提取   视频内容分析   特征融合   多核学习  

摘要： 随着数字媒体处理技术和计算机网络技术的快速发展以及智能设备的不断普及,数字图像、音频、视频已经逐渐成为信息传播的主要方式。视频由于具有直观生动的特点,应用越来越广泛,每天都会有海量的视频被分享到互联网。为了方便有效的组织和管理这些海量视频,亟需一种基于视频语义内容的组织分类和检索方法。视频内容不仅包含事件和动作,还包含丰富的情感语义信息,对视频情感语义研究意义重大,既可以提升数字媒体的检索、标注效率,又能够提高数字娱乐产品的情感交互能力和促进人工智能的发展。情感是视频的固有特征之一,视频的情感识别主要是分析视频本身所包含的情感或预测视频会给观看者带来怎样的情感体验。本文以用户生成的网络视频作为研究对象,从情感认知角度出发,基于机器学习方法对视频进行情感识别。本文所作的具体的研究工作和创新点如下:(1)针对在视频情感识别预处理工作中,随机抓取视频帧或者是利用传统聚类方法提取关键帧来表示视频内容而导致选取的帧存在较大的冗余性和代表性不强的问题,本文提出一种基于距离阈值聚类的关键帧提取方法。该方法通过对样本密集采样确定距离阈值来完成聚类,既改进了传统聚类方法的阈值选取问题,又提高了关键帧的有效性,使视频的表征能力有了明显的提高。(2)在视频情感表达方面,考虑到关键帧中可能存在一些重要区域,本文利用词袋模型和空间金字塔模型对关键帧进行了分块和量化表示来获取更完整的视觉特征信息。除了使用视听特征来表达视频的个性化情感内容,本文引入了Classemes和SentiBank两种富含语义的深层语义属性特征,来弥补低层视听特征和高层人类情感之间的语义鸿沟,使视频的情感表达更加丰富。大量的实验结果表明,基于属性特征的模型在情感识别方面能够产生非常优异的性能。(3)受启发于多特征融合对分类精度的影响,本文提出一种基于特征权重调节的视频情感识别方法,通过对不同的特征描述符构建不同的分类模型并训练特征权重,组合多个分类模型完成终极分类。此外,本文还探讨了多核学习的多特征融合,并将多核学习思想运用到了视频情感识别中,通过核函数处理特征后线性融合特征,使得视频的情感识别有了一定的提高。