視頻畫面中目標(biāo)尺寸測量方法

浙江警察學(xué)院、浙江省公安廳物證鑒定中心等。2100433B

李苑、謝賢能等。

《智能視頻監(jiān)控中目標(biāo)檢測與識別》系統(tǒng)介紹了智能視頻監(jiān)控中目標(biāo)檢測與識別的基本問題及其相關(guān)處理技術(shù)。主要內(nèi)容包括智能視頻監(jiān)控的理論、算法和典型應(yīng)用實例。包括計算機(jī)視覺基本理論、運(yùn)動目標(biāo)檢測技術(shù)、運(yùn)動目標(biāo)跟蹤和分類技術(shù)、運(yùn)動的場景分析及行為理解技術(shù)。其中目標(biāo)的檢測與識別技術(shù)在資助的科研項目中有成熟可行的應(yīng)用實例?！吨悄芤曨l監(jiān)控中目標(biāo)檢測與識別》內(nèi)容由淺人深、循序漸進(jìn)，著重于經(jīng)典內(nèi)容和最新進(jìn)展的結(jié)合，并輔以較多的應(yīng)用范例?！吨悄芤曨l監(jiān)控中目標(biāo)檢測與識別》可作為高等院校有關(guān)專業(yè)的研究生和高年級本科生的教學(xué)參考書，也可供相關(guān)專業(yè)的科技人員學(xué)習(xí)參考。

上篇 智能視頻監(jiān)控中目標(biāo)檢測與識別概論

第1章 緒論

1.1 智能視頻監(jiān)控概述

1.1.1 智能視頻監(jiān)控的發(fā)展

1.1.2 智能視頻監(jiān)控中的關(guān)鍵問題

1.2 智能視頻監(jiān)控的研究內(nèi)容

1.2.1 智能視頻監(jiān)控的系統(tǒng)結(jié)構(gòu)

1.2.2 智能視頻監(jiān)控的難題

1.3 研究現(xiàn)狀與應(yīng)用前景

參考文獻(xiàn)

第2章 計算機(jī)運(yùn)動視覺相關(guān)理論

2.1 攝像機(jī)的標(biāo)定

2.1.1 坐標(biāo)系的變換

2.1.2 攝像機(jī)的標(biāo)定

2.2 雙目立體視覺

2.2.1 特征匹配關(guān)鍵技術(shù)

2.2.2 特征匹配算法分類與立體成像

2.3 運(yùn)動視覺

2.3.1 運(yùn)動視覺的研究內(nèi)容

2.3.2 運(yùn)動視覺處理框架

2.4 場景理解

2.4.1 場景理解認(rèn)知框架

2.4.2 靜態(tài)場景理解

2.4.3 動態(tài)場景理解

參考文獻(xiàn)

第3章 運(yùn)動目標(biāo)檢測技術(shù)

3.1 運(yùn)動目標(biāo)檢測概述

3.1.1 光流法

3.1.2 相鄰幀差法

3.1.3 背景差法

3.1.4 邊緣檢測方法

3.1.5 其他重要的相關(guān)方法

3.2 視頻監(jiān)控中的背景建模

3.2.1 背景提取與更新算法概述

3.2.2 基于GMM的背景提取與更新算法

3.2.3 基于AKGMM的背景提取與更新算法

3.2.4 去除陰影

3.3 ROI面積縮減車輛檢測搜索算法

3.3.1 改進(jìn)的幀差法

3.3.2 圖像的腐蝕與膨脹

3.3.3 車輛目標(biāo)分割識別

3.3.4 實驗結(jié)果與分析

參考文獻(xiàn)

第4章 運(yùn)動目標(biāo)跟蹤技術(shù)

4.1 目標(biāo)跟蹤的分類

4.2 目標(biāo)跟蹤方法

4.2.1 基于特征的跟蹤方法

4.2.2 基于3D的跟蹤方法

4.2.3 基于主動輪廓的跟蹤方法

4.2.4 基于運(yùn)動估計的跟蹤方法

4.3 粒子濾波器

4.3.1 離散貝葉斯濾波系統(tǒng)

4.3.2 蒙特卡洛采樣

4.3.3 貝葉斯重要性采樣

4.3.4 序列化重要性采樣

4.3.5 粒子濾波(Particle Filte)一般算法描述

4.3.6 粒子數(shù)目N的選取

4.4 多視角目標(biāo)跟蹤

4.4.1 目標(biāo)交接

4.4.2 多攝像機(jī)的協(xié)同

4.4.3 攝像機(jī)之間的數(shù)據(jù)通訊

4.4.4 多攝像機(jī)系統(tǒng)總體設(shè)計與集成

參考文獻(xiàn)

第5章 運(yùn)動目標(biāo)分類技術(shù)

5.1 目標(biāo)分類方法

5.1.1 基于形狀信息的分類

5.1.2 基于運(yùn)動特性的分類

5.1.3 混合方法

5.2 分類的特征提取

5.2.1 視頻圖像的兩種特征

5.2.2 分類特征選擇

5.3 分類器構(gòu)造

5.3.1 支持向量機(jī)理論

5.3.2 多類支持向量機(jī)

5.3.3 特征訓(xùn)練

5.4 訓(xùn)練和分類方案

5.4.1 靜態(tài)圖像訓(xùn)練分類模型

5.4.2 動態(tài)視頻中運(yùn)動對象的分類

5.4.3 訓(xùn)練和分類的實驗結(jié)果

參考文獻(xiàn)

第6章 行為理解技術(shù)

6.1 行為理解的特征選擇與運(yùn)動表征

6.1.1 特征選擇

6.1.2 運(yùn)動表征

6.2 場景分析

6.2.1 場景結(jié)構(gòu)

6.2.2 場景知識庫的建立和更新

6.3 行為建模

6.3.1 目標(biāo)描述

6.3.2 約束表達(dá)

6.3.3 分層的行為模型結(jié)構(gòu)

6.4 行為識別

6.4.1 基于模板匹配方法

6.4.2 基于狀態(tài)轉(zhuǎn)移的圖模型方法

6.4.3 行為識別的實現(xiàn)

6.5 高層行為與場景理解

6.6 行為理解存在的問題與發(fā)展趨勢

參考文獻(xiàn)

下篇 智能視頻監(jiān)控應(yīng)用實例

第7章 白天車輛檢測實例

7.1 道路交通樣本庫的采集與組織

7.1.1 樣本的采集

7.1.2 樣本庫元信息和組織

7.2 車輛檢測系統(tǒng)結(jié)構(gòu)設(shè)計

7.2.1 基于視頻的車輛檢測方法概述

7.2.2 虛擬線圈車輛檢測法的算法流程

7.2.3 系統(tǒng)框圖

7.3 背景重構(gòu)

7.3.1 視頻背景重構(gòu)技術(shù)回顧

7.3.2 基于IMFKGMM的背景提取與更新算法

7.4 灰度空間陰影檢測算法研究

7.4.1 彩色圖像的灰度變換

7.4.2 算法原理

7.4.3 試驗結(jié)果

7.5 虛擬線圈車輛檢測法

7.5.1 數(shù)學(xué)形態(tài)學(xué)后處理與狀態(tài)機(jī)

7.5.2 交通參數(shù)的測量

第8章 夜間車輛檢測實例

第9章 晝夜亮度變化及切換方法

第10章 距離測量實例

第11章 客流檢測系列實例

……2100433B

2020年4月28日，《辦公家具―辦公椅―尺寸測量方法》發(fā)布。

2020年11月1日，《辦公家具―辦公椅―尺寸測量方法》實施。