导读:本文包含了监控视频事件论文开题报告文献综述及选题提纲参考文献，主要关键词:视频监控系统,消毒供应中心,手术器械,不良事件
监控视频事件论文文献综述
朱娟,尹世玉,刘于[1]（2019）在《视频监控系统在消毒供应中心1例不良事件分析中的应用》一文中研究指出消毒供应中心(central sterile supply department,CSSD)是医院内承担所有重复使用的诊疗器械、器具和物品清洗、消毒、灭菌以及无菌物品供应的部门,是控制医院感染保证医疗护理安全的重要环节[1]。近年来消毒供应中心得到了国家及医院层面各级领导的高度重视,趋于专业化、集中化、自动化的发展方向,在基础建设、设备配备和医院感染监测工作上得到大量的人力物力投入,以保证医疗工作质量和病人安全,同时也对(本文来源于《全科护理》期刊2019年17期）
郜义浩,高志权,张明月,杨勇,刘星宇[2]（2019）在《基于YOLOV3和KCF的高速公路监控视频交通事件检测》一文中研究指出本文基于高速公路监控视频对道路事件进行检测,实现了高速公路环境下的人、车的识别,并检测了行人、停车以及逆行这叁类事件。本文总体上包含叁个模块:目标检测、目标跟踪、道路事件检测。对主流的目标检测和目标跟踪模型算法进行了对比分析,选择了适用于高速行业的算法,同时,本文提出行人事件、停车事件、逆行事件检测算法,为管理部门及时有效把握道路异常运行状态提供有力依据。(本文来源于《中国交通信息化》期刊2019年S1期）
曹鑫坤[3]（2019）在《基于深度学习的监控视频分析与事件检测》一文中研究指出随着深度学习的快速发展,智能视频监控系统成为了当前的热门研究课题,涉及到目标检测、目标跟踪、事件检测与识别等计算机视觉相关任务。本文主要关注于行人检测、事件检测和人群密度估计叁个研究任务。对于行人检测,本文从模型结构、候选区域生成、区域特征提取、困难样本挖掘四个方面对R-FCN检测框架进行改进,实现了一种兼具精度和速度优势的行人检测模型。此方法在SED-PD.v2数据集上的性能超过了其他现有方法,并且在Caltech数据集上取得了可以与当前最优方法相媲美的性能。对于事件检测,本文针对SED-2017评测中人群稠密的监控场景,提出了一种端到端的个体事件检测方法,利用R-FCN模型在多帧图像输入中直接定位目标事件的位置。对于ActEV-2018评测中事件分布稀疏且涉及目标尺寸偏小的监控场景,提出了一种基于候选片段的人车事件检测方法。此方法先检测视频中的人和车并生成众多候选轨迹片段,再通过行为识别模型定位出事件的时间边界。上述两种方法分别在SED-2017和ActEV-2018评测中排名前列。对于人群密度估计,本文基于多尺度特征表达和高分辨率密度图两个关键点,提出了尺度聚合网络模型。该模型分为特征提取模块和密度图估计模块两个部分,特征提取模块用于从图像中提取多尺度特征,密度图估计模块用于生成高分辨率的密度图。此外,为了利用密度图中的局部相关性,本文提出局部模式一致性损失函数来实现多层次的监督学习。该方法在四个主要人群计数数据集上取得了超过现有最优方法的性能指标。(本文来源于《北京邮电大学》期刊2019-05-29）
李朋[4]（2019）在《基于深度学习的监控视频事件检测》一文中研究指出随着人们对于公共安全问题的日益重视以及摄像头的普及,智能安防技术逐渐受到人们的关注。事件检测是智能安防的重要组成部分,也是计算机视觉的主要问题之一,而多目标跟踪是事件检测的基础。在本文中,我们将主要研究事件检测与多目标跟踪。事件检测方面,我们参与了 TRECVID SED评测任务,并对Pointing事件检测进行了研究。采用了基于关键姿态检测技术,利用RFCN检测场景中的关键姿态。同时结合困难负样本挖掘技术以及多分类训练进一步减少虚检。在2017年TRECVID SED评测中的Pointing任务中,基于关键姿态检测的方法取得了第一名,证明了该方法的优越性。多目标跟踪方面,我们对实验室已有的分层关联算法进行了改进。在数据关联方面我们增加了更高层次的轨迹连接,同时使用了行人重识别技术提取轨迹的特征以实现更加稳定地跟踪。我们将改进后的算法应用到徘徊事件数据集中,证明了改进的有效性。同时将改进后的算法与多种经典跟踪算法进行对比,证明了算法的优越性。同时我们对车辆转弯任务进行了研究,采用了轨迹分析的方法,根据车辆转弯的位置采用两种不同的策略对轨迹进行分析,对于发生在场景中的转弯事件采用曲率分析的方法,对发生在场景边缘的转弯事件采用关键区域方法。我们参与了2018年的TRECVID ActEV评测中的车辆转弯事件检测,该方法在召回率方面表现较好。(本文来源于《北京邮电大学》期刊2019-05-29）
鲍天龙[5]（2019）在《基于深度学习的监控视频中的异常事件检测和对象识别》一文中研究指出近年来,国内物联网概念和深度学习的兴起使得人工智能开始渗透到生活的各个领域。而安防产业,作为维护社会稳定和人们人身安全的重要手段,因人工智能的产业赋能而得到长足的发展。为了持续推动安防产业的发展,我国提出了平安城市的概念。建设平安城市的基础是信息感知,构建出全面立体的安防监控网络是必不可少的手段。因此视频监控技术得到越来越广泛的应用,大量的监控设备部署在校园、街道和小区等公共场所,产生了海量的监控视频数据。然而传统的视频监控技术多数只提供采集、存储和回看功能,存在诸多弊端。当下随着人工智能的发展,如何智能地分析处理海量视频数据,从中提取出有用的信息,并对视频中的目标进行识别,成为人工智能领域的热点研究问题。本论文针对异常事件检测、不同分辨率人脸识别和行人重识别等问题开展研究工作,主要有:(1)监控视频中的异常事件检测,比如打斗、追逐或人群聚集等事件;(2)监控视频中异常或者可疑行人的身份识别。深度学习在图像识别,语音识别等领域取得巨大进展,为监控视频的智能处理提供了契机,本文以深度学习为工具,开展的研究工作和主要创新如下:1.对于监控视频中异常事件的检测问题,提出了一种基于自适应自编码器的特征重构方法。该方法针对异常事件检测问题中正负样本分布不均的问题(监控视频中95%以上为正常事件,异常事件出现的频次远低于正常事件),只利用监控视频中的正常事件作为训练数据,综合正常事件在空间和时序上信息训练网络模型,学习出正常事件的自编码器模型,拟合正常事件的时空分布,利用正常事件的模型实现异常事件的检测和定位。由于该方法只需要正常事件作为训练数据,大大降低了任务和模型的复杂度。实验表明,该方法可对监控视频中的异常事件做出准确的检测和定位。2.为了进一步提升异常事件检测的效果,提出了一种使用主成分分析网络的特征提取和异常检测方法。该方法利用非监督深度学习模型PCANet,提取出正常事件的高层特征表示,然后使用聚类方法对提取出的高层特征进行聚类,从而得到正常事件的聚类中心。对于测试数据,利用其与聚类中心的距离判断其异常值,从而实现异常事件的检测。3.针对监控视频中人脸图像训练集因分辨率不同导致识别准确率低的问题,提出了使用卷积神经网络的高低分辨率人脸识别方案。该方案提出了两种算法:(1)将不同分辨率的人脸图像使用线性插值归一化到同一尺寸,然后使用混合样本训练深度卷积模型;(2)改进了深度网络,在模型训练中加入回归误差,低分辨率的人脸和对应身份的高分辨率人脸作为模型输入,将对应的高分辨率的人脸图像和其身份信息作为监督信息,综合利用分类和回归误差,缩小低分辨率的人脸在特征空间上与高分辨率人脸的距离,从而实现识别准确率的提升。4.针对监控视频中的行人重识别任务因人体遮挡和躯体不对齐等因素导致的识别准确率低的问题,提出了使用深度学习的解决方案,该方案提出两种算法:(1)设计了一种结合分类模型和多尺度匹配模型的深度网络,使用分类模型得到高层特征图,在此基础之上使用多尺度匹配模型在不同尺度上对特征图做卷积,从而捕获不同行人图像在语义上的关联,克服躯体不对齐带来的影响;(2)使用二阶池化实现注意力池化,从而有效地提取出人体区域的特征,克服背景等外界因素的干扰,提升了行人重识别的准确率。(本文来源于《中国科学技术大学》期刊2019-05-01）
邹海峰[6]（2019）在《基于AI算法的视频事件检测系统性能分析及其在高速公路监控系统中的应用》一文中研究指出高速公路机电系统拥有庞大的网络资源和大量的实时视频图像,但由于现有视频车辆检测系统,核心算法落后,误报率高,无法为交通组织、应急处置的决策分析提供详实的基础数据。基于AI算法的视频事件检测器采用深度学习算法,将非结构化的视频图像转化为结构化的数据资源,为高速公路运营工作提供有力支撑。(本文来源于《信息记录材料》期刊2019年04期）
孙嘉玉[7]（2019）在《监控视频中异常事件检测的方法研究》一文中研究指出随着公共安全问题的日益突出,及时地发现公共场所发生的异常事件,将有助于相关安全部门快速地采取措施并提供救援,从而减少居民的人身伤害及财产损失。近年来,随着智能监控和安全技术的飞速发展,基于视频的异常事件检测已成为图像处理、机器视觉、机器学习等领域的热门研究课题之一。异常事件检测的主要任务是自动筛选视频中的异常事件,继而反馈并处理这些被筛选出的异常事件。但在实践中,列举出在给定的监控视频序列中可能发生的所有异常情况是不可行的,这使得该研究课题更加具有挑战性。此外,复杂视频中的异常事件为智能监控、自动报警系统等各种前瞻性应用提供了大量有价值的信息,这使得这一问题更具现实意义。目前所有解决异常事件检测问题的前沿性方法大致分为两类,一类是基于浅层次人工特征提出的算法,另一类是基于深层次理解特征提出的算法。这两类方法多数采用分段学习的方式,而这种方式将带来不可避免的局部最优解问题。本文首先提出了一种将单类支持向量机(One-class SVM)集成到卷积神经网络(Convolutional Neural Networks)中的用于监控视频异常事件检测问题的全新解决方案,即端到端的深度单分类异常检测模型。不仅如此,文中还引出了一种从单类支持向量机中导出的鲁棒损失函数,以优化该模型的参数。与分段模型相比,该检测模型不仅简化了过程的复杂性,还求得了整个过程的全局最优解。实验结果表明,深度单分类检测模型具有较好的性能,对监控视频异常事件检测问题非常有效。此外,现有大部分研究算法并不能同时处理小规模数据和大规模高维数据,一些处理小规模数据的方法应用到高维数据中将显现出超高的计算复杂度,而一些能够处理高维数据的方法所提取出的中间数据将占用大量的存储空间。为解决这类问题,本文还提出了一种基于变分自编码器(Variational Auto-Encoder)隐藏空间字典的稀疏表示框架。对于大型数据集,它可以起到降维的作用,获取隐藏信息,并提取比浅层人工特征更有意义的特征。同时,对于正常事件信息的存储,空间成本大大降低。为了验证该算法的通用性和性能,实验部分对不同类型的异常检测任务进行了对比。除深度单分类算法用到的UCSD行人数据集,还使用了用于网络入侵检测的KDD-CUP数据集和用于图像异常检测的Mnist数据集。实验结果表明,该算法在各种异常检测任务中均具有较好的实验效果。(本文来源于《电子科技大学》期刊2019-03-20）
丁茜,袁明辉[8]（2019）在《基于监控视频的异常事件识别》一文中研究指出提出了一种基于监控视频的异常事件识别模型,该模型可以实时监测视频中的前景目标,并通过分析目标的运动信息判断是否有异常事件的发生。首先,采用背景建模的混合高斯算法提取前景目标;然后,用金字塔迭代的L-K特征点跟踪算法得到前景的光流运动信息,并通过分析前景的面积比例、速度方差、整体熵判断视频中是否有异常事件的发生;最后,利用爆炸、人群短时聚集和分散两种异常事件做仿真实验。结果表明,该模型可以准确提取前景目标区域,并可以快速、精准地判断监控视频中的异常事件,可以为管理部门及时发现和控制异常事件提供有效的帮助。(本文来源于《光学仪器》期刊2019年01期）
费风长[9]（2018）在《监控视频中人群异常事件检测方法的研究》一文中研究指出传统视频监控系统一般采用“记录存储+人工处理”的工作模式,人工成本较高,并且长时间盯着屏幕容易让监控人员身心疲惫。近几年监控摄像头的数量成几何数增长,若还要求监控人员实现对每路视频信息进行实时观看已不现实,因此视频监控的智能化是大势所趋。本文通过对监控视频的特点进行分析,在前人研究的基础上提出算法模型,以实现自动检测监控视频中的人群异常事件。主要工作如下:(1)研究中发现监控人员在观看视频时,眼球对视频不同区域的关注度是有一定规律的。在播放正常视频时,人眼对视频中每个区域的注意力会在一定时间后达到某个平衡。当视频场景中突然出现异常事件时,场景中的行人会立刻做出异常反应(运动),这时监控人员的人眼注意力会立刻持续聚焦在异常事件所发生的区域。根据这个现象,基于特征整合理论,结合人类视觉感知系统和四元数傅立叶变换,本文提出了一个适用于人群异常事件检测的显着性检测模型,并用该模型所生成的显着信息图实现人群异常事件检测。(2)本文提出的显着性检测模型采用了像素点的运动速度及亮度信息,而由此构建的人群异常事件检测模型会受到背景亮度信息的影响。因此,为了降低这种影响,本文将光流场统计特征和显着信息结合起来,实现人群异常事件检测。由于加入了光流场统计特征,检测模型提高了人群异常事件检测的准确率。(3)一直以来,基于人群异常事件检测模型多采用手工特征(低级特征)实现对视频的表示,如:光流场、光流场直方图、全局方向光流场直方图等等。近年来随着深度神经网络的广泛运用,研究人员普遍认为:在图片、视频的分类任务中,用高级语义特征来表示样本会更加有效。这种从低级特征到高级特征的提取过程十分类似大脑的学习过程。基于这点,本文采用一个深度神经网络——PCANet对低级特征进行更进一步的特征提取,用抽象出来的高级语义特征来实现人群异常事件检测。实验结果显示采用PCANet后,高级语义特征确实能够进一步提高人群异常事件检测的准确率。(4)在人群异常事件检测中,光流场作为一个重要的时空特征被大量模型所采用,因为它是像素点的二维瞬时速度场,能够反映视频帧的运动信息。但由于光流场是当前帧中所有像素点的运动信息,它无法区分行人和非行人的运动,于是会将非行人的运动一块作为运动信息被人群异常事件检测模型所使用,最终会影响到人群异常事件检测的结果。要降低这个影响,就不能用整个帧的光流场来代表视频中的人群运动,而应该将行人与非行人区分开来,用行人的运动信息来实现人群异常事件检测。但行人定位、追踪本身就是一个研究的难点,故本文提出采用人群密集度来表示视频中的行人,用人群密集度的变化来表示场景中行人的运动。最后的实验结果也证明了用人群密集度变化来表示行人的运动,能够较好地实现人群异常事件检测,并且其计算速度远快于基于光流场的模型。(本文来源于《江西财经大学》期刊2018-06-01）
司绍寒[10]（2018）在《从“水滴直播事件”看视频监控的法律问题》一文中研究指出最近一段时间曝光的"水滴直播事件"中,很多消费者使用360摄像头进行监控的画面被传到水滴直播平台,其中包含一些不雅和隐私画面,给当事人造成严重的损害,也引起了社会的热议。~①监控画面被传播到"水滴直播"上,此事并非第一次。早在2015年,北京朝阳区的一家西餐厅为了宣传,利用"水滴直播"将监控画面24小时网络直播,虽然摄像头没有正对客人餐桌,但部分客人的一举一动仍然能够看(本文来源于《犯罪与改造研究》期刊2018年04期）
监控视频事件论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文基于高速公路监控视频对道路事件进行检测,实现了高速公路环境下的人、车的识别,并检测了行人、停车以及逆行这叁类事件。本文总体上包含叁个模块:目标检测、目标跟踪、道路事件检测。对主流的目标检测和目标跟踪模型算法进行了对比分析,选择了适用于高速行业的算法,同时,本文提出行人事件、停车事件、逆行事件检测算法,为管理部门及时有效把握道路异常运行状态提供有力依据。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
监控视频事件论文参考文献
[1].朱娟,尹世玉,刘于.视频监控系统在消毒供应中心1例不良事件分析中的应用[J].全科护理.2019
[2].郜义浩,高志权,张明月,杨勇,刘星宇.基于YOLOV3和KCF的高速公路监控视频交通事件检测[J].中国交通信息化.2019
[3].曹鑫坤.基于深度学习的监控视频分析与事件检测[D].北京邮电大学.2019
[4].李朋.基于深度学习的监控视频事件检测[D].北京邮电大学.2019
[5].鲍天龙.基于深度学习的监控视频中的异常事件检测和对象识别[D].中国科学技术大学.2019
[6].邹海峰.基于AI算法的视频事件检测系统性能分析及其在高速公路监控系统中的应用[J].信息记录材料.2019
[7].孙嘉玉.监控视频中异常事件检测的方法研究[D].电子科技大学.2019
[8].丁茜,袁明辉.基于监控视频的异常事件识别[J].光学仪器.2019
[9].费风长.监控视频中人群异常事件检测方法的研究[D].江西财经大学.2018
[10].司绍寒.从“水滴直播事件”看视频监控的法律问题[J].犯罪与改造研究.2018