导读:本文包含了多摄像机协同论文开题报告文献综述及选题提纲参考文献，主要关键词:飞机着陆,多摄像机协同,目标检测与跟踪,运动状态测量
多摄像机协同论文文献综述
王洪亮[1]（2019）在《基于多摄像机协同的飞机着陆过程视频监测方法》一文中研究指出为确保飞机的安全着陆,国内外机场常采用多个摄像机监视飞机的下降着陆过程。然而,目前的飞机着陆监视仅限于像素层面,摄像机之间相互独立、没有关联,需要人为在多个画面中切换,判断飞机的着陆状态,不能实现对飞机潜在危险的自动报警。针对这一问题,本文提出了一种分布式多摄像机协同飞机监测方法,该方法实现了飞机在着陆过程中的运动状态测量与姿态估计,为飞机的安全着陆提供保障。本文开展的主要工作如下。首先,研究一种单摄像机静态背景下运动目标检测与跟踪算法。针对飞机目标检测,研究了帧间差分法、叁帧差分法与背景差分法的检测原理,并提出了一种改进的叁帧差分法作为本文的飞机目标检测算法,与之前的检测算法相比,该方法能获得更加完整的飞机轮廓与更加准确的飞机定位。同时,本文深入研究了KCF目标跟踪算法原理,并验证了该算法在飞机目标跟踪上能同时满足实时性与准确度要求。其次,研究一种基于视频图像的飞机运动状态测量与姿态估计方法。本文通过对附加约束条件下的透视投影方程进行求解获得了飞机的空间位置,进一步估计了飞机的运动速度,并分析了算法的理论误差。针对飞机的姿态估计问题,本文在研究了SFM姿态求解算法后,提出了一种基于标定图像的飞机姿态求解方法。仿真实验结果表明,本文提出的飞机运动状态测量方法与飞机姿态估计方法均满足监测精度要求。最后,针对多摄像机飞机连续跟踪问题,提出了一种基于视野分界线的多摄像机协同跟踪策略,该策略能在不同摄像机之间实现对飞机的持续跟踪。此外,为获得飞机的全局位置,本文研究了基于视野分界线的图像拼接融合方法并建立了跑道坐标系。随后,针对单摄像机位置解算存在误差的情况,本文研究了基于双目测距原理的定位误差修正方法,仿真实验结果表明该方法的误差修正效果良好。(本文来源于《哈尔滨工业大学》期刊2019-06-01）
孙璐[2]（2018）在《基于热点目标的摄像机协同防控评价研究》一文中研究指出热点目标与摄像机前端布点的协同程度是评估公安机关视频监控系统效能的重要因素。目前,在公安专用摄像机前端点位选择过程中,很大程度上依赖于相关工作人员的经验,很少考虑热点目标与摄像机之间的协同,缺乏对摄像机点位选择合理性的客观评价方法。因此,本文构建摄像机协同防控评价模型,旨在改善摄像机协同防控研究中的不足,为衡量监控热点目标与摄像机协同程度提供新的方法与手段。本文以传统的视频监控系统前端布点效能评估方法为基础,以热点目标为切入点,以评价摄像机协同防控为目的,采用多种方式来实现这一目的。首先,本文在分析现有视频监控系统前端布点效能评估方法后,结合工作实际需求,在评价指标体系中加入了热点目标因素,完成了对指标体系的改进,并且通过AHP法,确定体系中各指标权重,利用DEMATEL法对指标初始权重进行修正。其次,通过对热点目标和摄像机点位之间相关性分析和密度分析,对指标体系中各类热点目标修正后的权重进行验证,确定其在指标体系中的权重是否符合实际,并推导出摄像机协同防控评价模型,该模型能够对摄像机前端布点方案进行评估及优化。最后,本文基于所构建的评价模型,完成摄像机协同防控评价工具,并结合实例,分析和验证了模型的可行性。本文首次将热点目标作为评价模型的重要指标,构建完成协同评价模型,重在分析摄像机与监控目标之间的相关关系,并提出一种较为全面的摄像机协同防控评价模型,可以有效衡量热点目标与摄像机之间的协同程度,对摄像机前端布点提供一种宏观上的指导,提供最佳的摄像机布点密度,提高摄像机前端布点的科学性。(本文来源于《中国人民公安大学》期刊2018-06-15）
苏晋鹏,葛亚鸣,魏嫚,陈秀梅,王鹏飞[3]（2017）在《基于多摄像机协同的异常行为目标检测、跟踪与再识别》一文中研究指出当今,人口密集度不断增大,人的活动范围也越来越大,面临的突发事件和异常事件也越来越多,对一些不允许人和车辆靠近或进入的区域进行准确的监控并实施报警的重要性和难度也越来越突出,尤其对大型人群集散地,如博物馆、动物园、军事、监狱等禁区,往往难度更大。近年来,随着公共安全问题的日益突出、高性能微处理器的推陈出新、视频分析技术的不断发展,视(本文来源于《物联网与无线通信-2017年全国物联网技术与应用大会和2017年全国无线电应用与管理学术会议论文集》期刊2017-12-01）
黄伟楠,朱秋煜,王辉,高翔[4]（2017）在《交迭固定多摄像机协同自标定》一文中研究指出针对视场交迭的固定多摄像机监控场合,提出了一种基于射影分解的多摄像机协同自标定方法。首先,根据对极几何知识得到的基础矩阵和极点,求出匹配点对像素坐标组成的矩阵。然后,对该矩阵进行奇异值分解(Singular Value Decomposition,SVD),求出每个摄像机的投影矩阵和像点的空间坐标。利用旋转因子模约束得到新的投影矩阵,进一步分解可得摄像机的内参数矩阵、旋转矩阵和平移矢量。根据分解出来的像点模糊世界坐标与新建立的实际世界坐标系之间的变换关系,求解出所有像点的叁维空间坐标。通过与张氏标定法的对比,证明了该方法的可行性。(本文来源于《电视技术》期刊2017年Z3期）
张娇[5]（2016）在《基于重迭视域多摄像机协同的目标定位与跟踪技术研究》一文中研究指出随着视频监控范围的扩大,监控场景的复杂化,传统纯二维图像序列的视频分析技术面临着巨大的挑战。因此,利用从二维图像信息中恢复目标对应的空间坐标进行辅助视频分析的技术成为了视频监控领域的研究热点。本文研究基于多摄像机环境下的目标定位和跟踪技术,主要研究内容和成果如下:1、基于测量数据归一化的单应矩阵估计。提出了一种在单应矩阵估计之前进行归一化变换,提高了单应矩阵估计的精度的有效方法。首先采用条件平差的方法对测量数据进行处理,得到更精确的场景平面标识点GPS坐标,然后设计相似变换矩阵,对图像平面和场景平面标识点坐标进行归一化处理,最后通过奇异值分解的方法求得高精度的单应矩阵2、基于重迭视域多摄像机协同的快速行人定位。提出了一种利用多摄像机几何约束条件,对行人对象矩形框进行采样,并对候选目标脚点进行加权的多摄像机协同快速行人定位方法。通过对矩形框的上边进行采样并投影,结合多摄像机几何约束在场景平面上形成候选目标脚点,利用脚点可见的视角中的前景信息得到脚点重心的位置,然后根据候选目标脚点与重心的距离赋予候选目标脚点合适的权重,由重心与加权的候选目标脚点获得行人在场景平面上的坐标。3、基于视野分界线的重迭视域目标交接改进算法。提出了一种利用空间位置信息辅助进行基于视野分界线的目标交接方法。首先利用单应矩阵得到一个摄像机在其相邻摄像机中的视野分界线,然后利用基于视野分界线的目标交接法得到待分配目标标识的目标,接着计算待确定目标的脚点的空间坐标并进行重投影,将与被跟踪目标对应于同一空间点的当前摄像机的重投影点替换当前跟踪结果,重复执行目标定位和目标替换过程,直到当前摄像机中可完全分离相互遮挡的目标,再将所跟踪目标标识赋予当前跟踪结果,完成目标交接。论文通过模拟数据和真实场景对上述算法进行了实验和性能分析。实验结果表明,基于测量数据归一化的单应矩阵估计表现出更好的鲁棒性,基于重迭视域多摄像机协同快速行人定位方法,可以有效处理有遮挡和无遮挡情况下的目标定位,基于视野分界线的重迭视域目标交接改进算法在被跟踪目标与其他目标在视野分界线处存在遮挡时,仍然可以准确跟踪到目标。本文最后对全文工作进行了总结,并对本文研究工作中存在的不足及可能改进的方向做了进一步讨论。(本文来源于《南京邮电大学》期刊2016-11-18）
周常鑫,王洪元,王佳[6]（2016）在《多摄像机协同行人灰度图像匹配方法》一文中研究指出为解决多摄像机协同行人关联问题,提出一种改进的灰度图像直方图匹配算法。利用K-means聚类算法对行人灰度信息进行聚类,获得更准确的主灰度信息;构造一个行人人体模型,将空间信息引入到主要灰度直方图中,对行人各个部分进行加权匹配,在整体和局部保证行人的一致性。实验结果表明,该方法能排除非期望的匹配干扰,其匹配度高于传统方法,减少了具有相似灰度信息的不同行人错误匹配,对行人轻微姿态变化有较好鲁棒性。(本文来源于《计算机工程与设计》期刊2016年07期）
胡强[7]（2016）在《基于Adaboost的多摄像机协同跟踪方法研究》一文中研究指出视频监控中,随着监控规模的不断扩大、监控需求的不断增长,越来越多各种各样的监控设备被应用到监控环境中,监控系统的智能化也逐渐变得越来越重要。作为智能视频监控技术研究的重要分支,基于目标跟踪的多摄像机协同调度策略逐渐成为一个具有重大意义的研究方向。视频监控时不仅多摄像机协同目标跟踪可以减少系统资源冗余、增强目标跟踪稳定性,而且信息的协作融合处理可以增强目标信息的丰富性及鲁棒性。基于有重迭视域单目标多PTZ摄像机监控环境,本文主要对多摄像机协同调度方法进行了深入研究。本文首先阐述了视频监控中不同监控环境下目标检测跟踪的关键技术,分析了视觉跟踪系统的整体架构以及多摄像机协同调度的相关理论基础。其次,基于PTZ网络摄像机分析了单摄像机单目标的动态跟踪方法。在对网络摄像机视频流进行采集预处理后,应用基于核相关滤波器的目标跟踪算法对序列帧中的目标位置进行预测,然后基于PTZ摄像机的控制模型根据目标位置与图像中心的偏差量应用比例控制算法对摄像机的运动量进行控制,摄像机通过P/T运动来对目标进行动态跟踪。然后,对基于协作学习的目标检测方法进行了分析。针对离线训练样本构成检测分类器的方式,在对SVM、Cart分类方法研究分析后,基于Adaboost集成方法,提出了一种改进的SVM-adaboost目标检测方法来进行目标检测和特征降维。最后,基于目标检测集成策略和单PTZ摄像机目标动态跟踪系统,研究了多摄像机协同调度方法。采用各摄像机视野中预测位置目标特征信息与相应的融合滤波模板的相似性作为衡量参数来选择调度进行动态跟踪的摄像机序列,并采用Adaboost方法集成由各摄像机跟踪系统中基于核相关滤波器的目标跟踪算法构造成的弱分类器,以此生成强分类器来在目标丢失后进行重新检测。基于几个标准视觉数据库和搭建的室内监控实验平台,本文通过一系列实验对本文中所涉及的单PTZ网络摄像机的目标动态跟踪性能、目标检测时集成学习策略的有效性以及多摄像机协同调度方法的摄像机调度效果进行了论证分析。(本文来源于《哈尔滨工程大学》期刊2016-05-01）
王福晴[8]（2016）在《基于LOPOR的多摄像机的运动目标协同跟踪算法研究》一文中研究指出单摄像机运动目标跟踪的监控视域有限,不能有效解决受透视现象、目标间遮挡影响时的准确跟踪问题。后来采用多摄像机进行目标跟踪,扩大了监控视域,解决了目标间遮挡问题,可以捕捉运动目标多角度的信息。针对目前的多摄像机跟踪算法难以在LOPOR下将多摄像机的运动目标跟踪结果有效协同的问题,本文提出了一种基于LOPOR的多摄像机的运动目标协同跟踪算法,其具有无共同定标的多摄像机目标跟踪算法监控范围大的优势,并且在利用共同重迭视域对多摄像机进行共同标定的基础上,实现多摄像机中的同一目标的匹配,和匹配后的目标在全局视域的融合,并利用目标的全局信息对各摄像机跟踪的目标位置修正,最终实现各摄像机跟踪结果的交互和共享。本文的工作内容如下:1.利用LOPOR的共同重迭视域对多摄像机共同定标,得到统一的全局坐标系。2.在单摄像机跟踪算法对运动目标跟踪的基础上,提出根据目标间的空间关系和目标与其被捕捉到的摄像机的关系,对单摄像机跟踪目标的显着性进行等级划分。3.结合各摄像机的跟踪结果,提出通过正反变换实现多摄像机中同一目标的匹配,并对目标的显着性赋予不同的权重,将匹配后的目标结合目标的显着性在全局坐标系下融合,实现目标在全局视域中的跟踪。4.利用目标的全局信息对各摄像机跟踪的目标位置进行修正,并参与到下一帧的摄像机跟踪中。相比于其他算法,本算法能够将多摄像机的目标跟踪结果在LOPOR下有效地协同,解决了重迭视域中目标的遮挡问题,监控效率高,目标定位准确,实现了运动目标在大场景下长距离持续的跟踪。(本文来源于《西华大学》期刊2016-04-01）
张丹[9]（2016）在《基于Agent和最优搜索理论的多摄像机协同跟踪》一文中研究指出随着社会的逐步发展,广域视频监控成为维护社会安全稳定和预防犯罪的重要手段之一。为了满足监控的需求,获得更多的目标信息,需要多个摄像机进行协同合作。考虑到经济成本及环境等因素,无重迭视野域多摄像机协同跟踪技术成为一个研究热点。由于越来越多的摄像头分布于生活中并形成一个巨大的视频网络,计算量也随之递增,为提高系统对捕捉到画面的处理速度,分布式处理成为一个重要的手段。所以如何使分布于不同计算机上的多摄像机实现合作完成共同追踪目的,是本文所要解决的问题关键。对此,本文将Agent和最优搜索理论两者相结合,构建理论化模型,并将其应用到无重迭多摄像机的目标跟踪,本文的主要研究工作如下：(1)提出了一种基于马尔科夫的最优搜索控制模型。考虑到目标在摄像机间移动的过程类似于马尔科夫过程的转移状态,所以本文将马尔科夫的搜索过程应用于多摄像机协同。同时将马尔科夫搜索和其它搜索模型进行了对比,验证了该模型具有一定的优势。(2)提出了一种在JADE平台基础上,利用Socket实现了ACL语言下Agent实时双向通信,完善了现有的JADE包的单向单次通信。利用Socket实现了远程Agent通信的稳定性及安全性,解决了多目视觉分布式图像采集的通信问题。(3)提出了一种基于Agent和最优搜索的理论框架和实现方法。该框架中利用智能Agent代理摄像机,从而使摄像机具有Agent的特性。首先系统利用基于马尔科夫最优搜索模型,按照一致最优方案进行搜索确定下一个检测目标的摄像机,然后通知相应的摄像机进行目标追踪。(4)利用JADE平台搭建新的智能多Agent系统,初步实现基于Agent和最优搜索理论的多摄像机协同跟踪系统。并利用真实的视频数据,进行了一系列实验,验证本文提出的框架的有效性。(本文来源于《北京交通大学》期刊2016-03-01）
牛世伟[10]（2016）在《基于支持向量机的多摄像机协同下运动车辆识别》一文中研究指出随着社会经济的快速发展和现代科技的巨大进步,智能监控系统也迎来了其快速发展的新契机,现如今它已被广泛的应用于公共安全、交通、军事等众多领域。但是,现阶段的智能监控系统仍然存在许多关键技术问题需要解决,比如遮挡问题、实时性问题等,特别是在交通拥挤或人流高峰情况下,遮挡问题变得更加复杂,使得多个目标的检测、识别和跟踪变得更加难以实现,这无疑大大增加了系统对高性能处理算法的需求。传统的单摄像机监控系统视角单一,对车辆的识别率低,若遇遮挡问题,则难以或无法进行识别。针对上述问题,本文采用以下几种方法展开研究：首先,针对混合高斯模型(GMM)对噪声敏感,更新率低的问题,提出了一种将支持向量机(SVM)与混合高斯相结合的方法来进行背景建模。本方法先通过混合高斯模型初步建立背景模型,然后通过一个模板窗口对当前帧、前一帧以及由GMM获取的背景图像进行扫描并计算对应窗口内的统计特征,并利用SVM对前景背景进行分割,最后,融合两者分割结果得出最终检测结果。本方法能够很好地降低噪声的影响；其次,采用了基于运动目标提取的车辆识别方法,本方法先用背景减法提取出运动目标区域,然后利用基于特征融合SVM分类器对检出区域进行识别。本方法大大减少了被检测区域,减少车辆识别的时间,同时减少了背景干扰,提高了系统实时性；最后,针对遮挡问题,采用了基于匹配的多摄像机协同的运动车辆识别方法。首先每个摄像机独立的进行运动车辆的检测和识别,然后运用区域匹配方法和D_S证据理论将同一目标在不同摄像机下的识别结果进行融合,作出最优决策。本文方法提高了系统整体的识别率。(本文来源于《南京理工大学》期刊2016-01-01）
多摄像机协同论文开题报告
（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：
热点目标与摄像机前端布点的协同程度是评估公安机关视频监控系统效能的重要因素。目前,在公安专用摄像机前端点位选择过程中,很大程度上依赖于相关工作人员的经验,很少考虑热点目标与摄像机之间的协同,缺乏对摄像机点位选择合理性的客观评价方法。因此,本文构建摄像机协同防控评价模型,旨在改善摄像机协同防控研究中的不足,为衡量监控热点目标与摄像机协同程度提供新的方法与手段。本文以传统的视频监控系统前端布点效能评估方法为基础,以热点目标为切入点,以评价摄像机协同防控为目的,采用多种方式来实现这一目的。首先,本文在分析现有视频监控系统前端布点效能评估方法后,结合工作实际需求,在评价指标体系中加入了热点目标因素,完成了对指标体系的改进,并且通过AHP法,确定体系中各指标权重,利用DEMATEL法对指标初始权重进行修正。其次,通过对热点目标和摄像机点位之间相关性分析和密度分析,对指标体系中各类热点目标修正后的权重进行验证,确定其在指标体系中的权重是否符合实际,并推导出摄像机协同防控评价模型,该模型能够对摄像机前端布点方案进行评估及优化。最后,本文基于所构建的评价模型,完成摄像机协同防控评价工具,并结合实例,分析和验证了模型的可行性。本文首次将热点目标作为评价模型的重要指标,构建完成协同评价模型,重在分析摄像机与监控目标之间的相关关系,并提出一种较为全面的摄像机协同防控评价模型,可以有效衡量热点目标与摄像机之间的协同程度,对摄像机前端布点提供一种宏观上的指导,提供最佳的摄像机布点密度,提高摄像机前端布点的科学性。
（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。
多摄像机协同论文参考文献
[1].王洪亮.基于多摄像机协同的飞机着陆过程视频监测方法[D].哈尔滨工业大学.2019
[2].孙璐.基于热点目标的摄像机协同防控评价研究[D].中国人民公安大学.2018
[3].苏晋鹏,葛亚鸣,魏嫚,陈秀梅,王鹏飞.基于多摄像机协同的异常行为目标检测、跟踪与再识别[C].物联网与无线通信-2017年全国物联网技术与应用大会和2017年全国无线电应用与管理学术会议论文集.2017
[4].黄伟楠,朱秋煜,王辉,高翔.交迭固定多摄像机协同自标定[J].电视技术.2017
[5].张娇.基于重迭视域多摄像机协同的目标定位与跟踪技术研究[D].南京邮电大学.2016
[6].周常鑫,王洪元,王佳.多摄像机协同行人灰度图像匹配方法[J].计算机工程与设计.2016
[7].胡强.基于Adaboost的多摄像机协同跟踪方法研究[D].哈尔滨工程大学.2016
[8].王福晴.基于LOPOR的多摄像机的运动目标协同跟踪算法研究[D].西华大学.2016
[9].张丹.基于Agent和最优搜索理论的多摄像机协同跟踪[D].北京交通大学.2016
[10].牛世伟.基于支持向量机的多摄像机协同下运动车辆识别[D].南京理工大学.2016