导读:本文包含了场景监控论文开题报告文献综述及选题提纲参考文献，主要关键词:区间逻辑检查,综合监控系统,站间传输,区间方向电路
场景监控论文文献综述
李源[1]（2019）在《基于特殊场景的QJK-JS区间综合监控系统改进》一文中研究指出通过对铁路信号区间综合监控系统实现站间安全信息传输、区间方向控制、区间占用逻辑检查等功能的介绍,分析其逻辑检查电路存在的问题,并提出优化方案。(本文来源于《铁道通信信号》期刊2019年08期）
肖珂,戴舜,何云华,孙利民[2]（2019）在《基于城市监控的自然场景图像的中文文本提取方法》一文中研究指出智慧城市的首要任务是城市场景监控及其信息分析,场景图像中文本信息的识别是一种直观且高效的场景信息分析手段,但目前场景图像的中文文本提取由于图像光照和模糊、中文字符结构复杂等因素,未能达到很好的效果.为解决这一问题,提出一种边缘增强的最大稳定极值区域(maximally stable extremal regions, MSER)检测方法,可在光照和模糊影响的条件下提取MSER,通过几何特征约束条件高效地过滤明显的非MSER,得到高质量的候选MSER.之后使用提出的中心聚合方法对分割成多个MSER的候选中文文本域进行中文的聚合,使得候选区域成为单个候选的中文文本分量,再对这些分量进行分析,并运用机器学习选出正确的中文文本.实验结果表明:该算法能够更有效地提取出自然场景图像中的中文文本.(本文来源于《计算机研究与发展》期刊2019年07期）
张敬锋,王佐成,马韵洁[3]（2019）在《基于场景特征的城市视频监控前端点位规划方法》一文中研究指出近年来,随着平安城市、雪亮工程等项目在全国范围内的相继开展,城市公共安全视频监控系统已在各地得到普及。当前城市公共安全视频监控系统前端点位的规划和设计主要依靠人工,自动和智能化水平不高,难以实现精准规划。为实现前端点位规划上图,需首先构建相应的布建规则。本文基于重点覆盖城市公共空间节点的思想构建精准规划前端点位的方法。首先对城市公共安全视频监控系统的应用(本文来源于《中国安防》期刊2019年07期）
龚威[4]（2019）在《从此告别平面,高效大场景监控神器来了——大华哈勃守望者全景监控摄像机评测》一文中研究指出市场现状现有的监控前端究其根本还是平面可视化,虽然使用久了也习惯了,但是却存在着全局掌控难、监控效果差、业务联动低叁大弊端。具体表现在对于异常或突发事件,仅能做到单点预警,缺乏全局、全过程掌控手段:基于二维地图/单点视频监控无法兼顾动态实景与全局,缺乏立体化动态实况监控手段;业务系统烟囱式建设,系统间分散独立,各自为战,业务联动较低,不够高效;数据接入相对单一(视频、图片等),资源整合性较差;资源整合接入基于"一张图"设计理念,贴合一(本文来源于《中国公共安全》期刊2019年07期）
蒋振伟[5]（2019）在《重点场景的自动化移动网优监控系统》一文中研究指出随着经济的发展与城市的建设,城市中的星级宾馆、重要写字楼、大型购物商场、体育场馆等数量逐渐增多,建筑面积多数在数万平方米以上。如何更好、更准确、更有效率的监控这些重点场景的网络状况,保障用户的网络感知,是各大运营商关注的事情。本文结合上海某运营商网络现状,研究对重点场景的自动化监控,介绍重点场景监控的方法与评估。(本文来源于《电子元器件与信息技术》期刊2019年06期）
朱辉辉[6]（2019）在《监控场景下基于视频目标分析的异常检测算法研究》一文中研究指出近年来随着经济、科技的不断发展,人们对于安全防范的需求不断增加,我国也不断推行各项政策来推动相关智能监控产业的发展。作为智能监控的核心部分,异常检测在公共安全领域有着广泛的应用空间。异常检测是指通过设计算法使得计算机能够自动的检测出监控视频中人物的异常行为。开展监控场景下基于视频目标分析的异常检测算法研究,在学术研究和实际应用中具有重要的研究意义和价值。在现实监控场景中,异常检测算法仍然有诸多问题需要克服,主要表现为:(1)现实场景中大多数异常行为和运动关系密切。而现有的运动特征往往过多挖掘光流方向信息,忽视了光流幅度信息,无法充分提取有效的运动信息;(2)不同的场景对异常行为的定义不同,.而现有的异常检测算法多数基于非正常即异常的原则通过对正常视频建模来检测异常行为,不能给出判定成异常的原因。本课题的研究内容是监控场景下基于视频目标分析的异常检测算法研究,重点解决现有异常检测算法存在的这些问题,提升异常检测算法的性能。本课题主要研究内容和创新点如下:1.提出一种基于HMOF特征和跟踪的异常检测算法。考虑传统运动特征对运动信息表现不足的缺点,本文提出一种新的HMOF运动特征。相比现有的运动特征,HMOF特征对光流幅度更为敏感,有利于区分异常。本文首先提取视频帧前景区域,接着计算前景区域的HMOF特征,之后将所有的特征送入自编码器中进行重构,使得正常和异常区域的运动特征分布差异更为明显;然后利用混合高斯模型来判别异常;最后采用跟踪模块来跟踪异常的区域,从而使得异常在时间域和空间域上呈现连续性。后续实验表明,在不加入跟踪模块时,本文提出的算法不仅性能优于现有其他算法,而且能够实时的检测异常。在加入跟踪模块后,虽然速度会有所降低,但算法性能得到了进一步提升。2.提出一种基于多元融合的异常检测算法,通过分析监控视频中每一个目标的视觉概念来检测异常。其中,本文将从目标类别、动作类别和运动特征这叁个分支来提取目标的视觉概念。目标类别分支聚焦于视频中目标的外观纹理信息,动作类别分支聚焦于目标的动作信息,运动特征分支聚焦于目标运动特征的分布情况。虽然这些分支关注的侧重点各不相同,但它们可以相互补充,共同检测异常行为。通过融合叁个分支的检测结果得到最终的异常分数。此外,在动作类别分支,本文提出了一个动作识别模块,利用视频信息来解决单帧多目标多动作识别问题,这一技术也是首次在异常检测领域被使用。后续实验表明,本文提出的异常检测算法的性能不仅领先其他异常检测算法,而且在检测异常的同时从多个视角去解释判定成异常的原因。(本文来源于《中国科学技术大学》期刊2019-06-02）
李令飞[7]（2019）在《基于深度学习的多摄像机监控场景3D人脸识别技术研究》一文中研究指出视频监控技术的普及为社会公共财产及公民人身安全提供了更有力的保障。其中,人脸识别技术已经成为日益普及的视频监控系统中身份识别的核心技术。然而,当面临人脸图像正面角度小、拍摄光线弱以及存在遮挡物等情况时,目前基于二维图像的人脸识别方法往往无法获取足够的人脸特征信息,从而导致人脸识别准确率较低。因此,在一些对身份识别有较强需求的应用场景,如何利用现有设备来提高人脸识别准确率成为了一个重要的研究课题。本文在研究了人脸识别和叁维模型等相关技术的基础上,针对多摄像机监控场景,提出了一种基于人脸叁维模型的人脸识别方法。该方法以具有更多人脸信息的人脸叁维模型为识别特征,主要分为图像预处理、叁维模型重建、多人脸叁维模型融合和叁维人脸识别四个阶段。在图像预处理阶段,本文使用多任务多层的卷积神经网络和级联回归树实现人脸检测和人脸对齐,为重建叁维人脸模型提供图像数据。在叁维模型重建阶段,本文采用深度残差网络ResNet-101根据二维人脸图像回归人脸叁维模型的参数,使用以中国人为主的CAS-PEAL人脸数据库训练网络模型。在多个人脸叁维模型融合阶段,通过变换叁维模型,融合每个模型的特征,实现人脸特征的增强。在叁维人脸识别阶段,将人脸叁维模型按照横纵坐标权重转化成二维深度图,然后使用卷积神经网络提取特征,最后通过计算特征余弦相似度来识别其身份。构建由多摄像机拍摄的人脸数据集并进行算法实验。实验结果表明,我们的方法取得了理想的实验结果。(本文来源于《北京邮电大学》期刊2019-06-01）
王群[8]（2019）在《面向监控场景的婴儿哭声识别》一文中研究指出啼哭是婴儿与外界交流的主要方式,也是人类早期语言的一种雏形。早期婴儿大部分时间处于睡眠状态,如果在婴儿睡眠期间进行哭声状态监控并进行实时提醒,能减少监护人很多不必要的看护时间,对减轻监护人的心理压力及负担有着?分重要的现实意义。目前在国内外已经出现了一些结合摄像头或传感器使用的婴儿睡眠状态下的无人看护系统,能在婴儿醒来哭闹时发出预警。但是购买和使用额外的设备需要用户付出较高成本,另外除了结合视频监控及动作捕捉的系统识别率较高外,只进行音频监控的系统都普遍存在识别率偏低的问题。为了降低用户的使用门槛及成本,本文提出了一个基于移动端设备应用的音频监控系统,结合主流的深度学习与模式识别方法,并提供动态更新和扩展终端的识别能力,方便更多家庭用上低成本且相对高效的婴儿智能看护系统。主要工作内容有以下几个部分:1.建立监控场景下的婴儿哭声数据库,数据来自Freesound数据源,主要是个人用户在室内环境使用手机等设备录制上传的音频数据,通过用户自定义标签及分类信息收集整理了四个数据类别:婴儿哭声、婴儿笑声、背景白噪声及环境噪音。2.利用基于GMM Fisher Vector的婴儿哭声音频特征提取方法,解决由于啼哭声时长不同引起的特征向量对齐问题。过去处理特征对齐通常是截取相同长度音频或者直接使用特征均值,导致时序特征的细节分布及变化信息的丢失。GMM Fisher Vector可以从完整音频提取到等长的局部特征并最大化保留特征细节,从而提升模型的稳定性及可靠性。3.基于深度学习的婴儿哭声识别模型,相比传统的音频识别模型(VQ,DTW,GMM,HMM,RFC,SVC)能够更好地学习和检测到音频数据里的一些潜在特征,对数据扩展及特征复杂度有着更强的包容性和理解能力。4.建立移动端婴儿哭声识别系统。采用了能够感知人耳听力特征的梅尔倒谱系数(MFCC),并结合短时过零率(ZCR),短时能量均方值(RMSE)叁类特征,结合GMM Fisher Vector及DNN模型,实现对婴儿哭声的高效检测及告警,同时具有离线识别及在线更新功能。(本文来源于《中国科学院大学(中国科学院深圳先进技术研究院)》期刊2019-06-01）
程森林[9]（2019）在《基于监控场景下深度学习的人脸识别研究与设计》一文中研究指出随着计算机视觉技术的飞速发展,人脸识别技术已经进入了人们的生活中。人脸识别中一个很重要的应用是监控场景中的实时人脸识别,往往也是难度最大的。真实的监控场景有很多不确定因素的挑战,首先我们没办法搜集到大量的数据,如何基于少量数据进行人脸识别,还有人脸往往不会主动有意识的望向摄像头,摄像头下的人脸会有不同的姿态、不同光照强度、较低的分辨率、不同尺寸大小和遮挡的情况。针对这些存在的问题,本文的研究内容可以分为以下四个内容:1.关于人脸识别损失函数的研究,在真实监控场景下,因为复杂的环境条件,仅仅使用传统的softmax损失函数不能进行正确的分类,我们需要缩小类内的间距,增大类间的距离,我们提出了 I-center loss,并在MNIST、CIFAR10、LFW上进行了对比实验验证,并做了可视化分析。2.关于人脸特征提取的研究,我们提出了一个很有创新的想法,提出了一种新的人脸识别模型Mir-Net,在少量数据上使用迁移学习的方法认为不同的个体存在共性,人脸与人脸之间的共性提取出来,用剩下的特性来做分类,会提升人脸识别的准确率。3.关于人脸检测的研究,我们融合了不同层级的特征,使得网络学到高分辨率,强语义的特征,从而应对真实复杂的监控场景,提升人脸检测的准确率。4.人脸识别系统的实现,我们搭建了实时视频的人脸识别系统,可进行在线摄像头的人脸识别,针对不同模块进行测试。本文针对实际中存在的问题,对人脸检测和人脸识别算法分别做出了改进,经过理论研究和实际测试并搭建实时人脸识别系统并测试,效果达到预期目标。(本文来源于《北京邮电大学》期刊2019-05-31）
张璐岩,贾磊,方路成[10]（2019）在《一种基于地图爬虫的场景边界识别与质量监控方法》一文中研究指出本文提出了一种基于地图爬虫的场景边界识别与质量监控方法,参考互联网爬虫技术实现场景边界自动识别,依靠MR+OTT和帕累托法则实现场景资源信息自动更新,在此基础上,关联网优大数据实现重点场景网络质量的智能预警监控。在某市进行试点,方案上线后自动识别场景4361处,实现场景小区自动更新,初次评估覆盖率92.85%,经过两个月的整治,覆盖率提升至94.22%,弱覆盖小区占比下降4.72百分点。(本文来源于《电信工程技术与标准化》期刊2019年05期）
场景监控论文开题报告
（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：
智慧城市的首要任务是城市场景监控及其信息分析,场景图像中文本信息的识别是一种直观且高效的场景信息分析手段,但目前场景图像的中文文本提取由于图像光照和模糊、中文字符结构复杂等因素,未能达到很好的效果.为解决这一问题,提出一种边缘增强的最大稳定极值区域(maximally stable extremal regions, MSER)检测方法,可在光照和模糊影响的条件下提取MSER,通过几何特征约束条件高效地过滤明显的非MSER,得到高质量的候选MSER.之后使用提出的中心聚合方法对分割成多个MSER的候选中文文本域进行中文的聚合,使得候选区域成为单个候选的中文文本分量,再对这些分量进行分析,并运用机器学习选出正确的中文文本.实验结果表明:该算法能够更有效地提取出自然场景图像中的中文文本.
（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。
场景监控论文参考文献
[1].李源.基于特殊场景的QJK-JS区间综合监控系统改进[J].铁道通信信号.2019
[2].肖珂,戴舜,何云华,孙利民.基于城市监控的自然场景图像的中文文本提取方法[J].计算机研究与发展.2019
[3].张敬锋,王佐成,马韵洁.基于场景特征的城市视频监控前端点位规划方法[J].中国安防.2019
[4].龚威.从此告别平面,高效大场景监控神器来了——大华哈勃守望者全景监控摄像机评测[J].中国公共安全.2019
[5].蒋振伟.重点场景的自动化移动网优监控系统[J].电子元器件与信息技术.2019
[6].朱辉辉.监控场景下基于视频目标分析的异常检测算法研究[D].中国科学技术大学.2019
[7].李令飞.基于深度学习的多摄像机监控场景3D人脸识别技术研究[D].北京邮电大学.2019
[8].王群.面向监控场景的婴儿哭声识别[D].中国科学院大学(中国科学院深圳先进技术研究院).2019
[9].程森林.基于监控场景下深度学习的人脸识别研究与设计[D].北京邮电大学.2019
[10].张璐岩,贾磊,方路成.一种基于地图爬虫的场景边界识别与质量监控方法[J].电信工程技术与标准化.2019