导读:本文包含了多摄像机论文开题报告文献综述及选题提纲参考文献，主要关键词:多摄像机,共线点,单应矩阵
多摄像机论文文献综述
罗欢[1]（2019）在《利用共线点求解多摄像机内外参数》一文中研究指出文中利用运动中共线点的几何特性来获得多摄像机的内外参数。首先,由空间中共线点与图像点之间的对应矩阵来得到对内参数的线性约束,获得了多个摄像机的内参数;然后,根据共线点在摄像机组中各个摄像机下运动前后的坐标,获得摄像机相对于基准摄像机的旋转矩阵和平移向量,以求出摄像机的外参数;最后,进行模拟数据实验和真实图像实验,结果表明了该方法的可行性和有效性。(本文来源于《计算机科学》期刊2019年S2期）
王艳芬,朱绪冉,云霄,孙彦景,石韫开[2]（2019）在《面向公共安全监控的多摄像机车辆重识别》一文中研究指出由于现有的车辆重识别方法大多是在已标注车辆边界框的图像间进行的,但在真实场景中无标注信息,同时环境的复杂性、车辆外观的相似性和多样性也是导致重识别精度不高的原因。因此,针对公共安全监控领域中无标注的原始视频,提出一种结合车辆检测与识别的多摄像机车辆重识别方法。首先设计了二值-单点多盒车辆检测网络以获取视频中的车辆边界框,并在线生成候选车辆数据库;其次设计了一种多任务孪生车辆识别网络以提高重识别精度;最后组建"VeRi-1501"车辆数据集。该数据集在现有数据集上扩充车辆身份,并均衡每个车辆身份在不同摄像机下的图像数量。该方法在VeRi-1501数据集和实际交通场景中识别准确且精度高。(本文来源于《西安电子科技大学学报》期刊2019年04期）
胡明合[3]（2019）在《多摄像机下模糊图像细节特征目标快速检测研究》一文中研究指出人工检测方法只收集了模糊目标相关信息以及模糊背景分析结果,导致图像细节特征检测效果较差。为了解决该问题,提出多摄像机下模糊图像细节特征目标快速检测方法。根据多摄像机下模糊图像监控工作流程,对现有摄像机资源进行分配,并对统一目标进行识别与检测。提取模糊图像细节特征,衡量边缘图像相似情况,通过搜索目标图像与待匹配图像之间的匹配度量,计算倒角距离最小值。使用矩形窗口定义局部边缘特征,并对其进行采集与处理,由此生成视野分界线,在多摄像机固定情况下对目标进行检测。通过实验对比结果可知,该方法比人工方法检测效率要高,最大相差70%,为摄像机准确检测出模糊图像特征提供支持。(本文来源于《现代电子技术》期刊2019年13期）
王洪亮[4]（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）
李令飞[5]（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）
王亚萌[6]（2019）在《基于深度学习的多摄像机目标交接跟踪技术研究》一文中研究指出智能监控技术的应用为视频监控系统带来了真正意义的变革,特别是运动目标检测与跟踪等计算机视觉算法的提出,极大的节省了人力和物力。随着视频安防产业的迅速发展,视频监控系统的规模也随之扩大,单摄像机监控视域小和信息不连续的缺点日益显现。多摄像机监控正好可以弥补单摄像机的局限性,多摄像机下智能监控视频分析技术成为新的研究方向。尤其是在室内人员密集的环境中,多摄像机非重迭视域下运动目标的连续跟踪一直是计算机视觉领域的研究重点和难点。本文充分利用监控视频产生的巨大数据量,基于深度学习对多摄像机多运动目标的交接和跟踪技术进行研究。1、单摄像机下运动目标检测和跟踪算法的性能,对多摄像机运动目标的连续跟踪有重要影响。因此,为实现多摄像机运动目标的精确交接与跟踪,首先要保证单摄像机运动目标检测算法的性能。针对室内监控环境中人员密集易遮挡的问题,根据监控摄像机监控视角的特点,选取人脸作为目标检测对象。同时为提高室内环境下人脸检测的精度,基于级联卷积神经网络MTCNN建立人脸检测模型,并利用监控视频中的海量数据对人脸检测模型进行训练。实验表明,该模型对室内监控视频中的人脸检测检测精度高达96%以上,能够很好的满足本文对运动目标检测精度与实时性的要求。2、在人脸检测的基础上,对室内单摄像机下多运动目标跟踪的要点和难点进行分析。为提高多运动目标的跟踪算法的性能,将MTCNN和卡尔曼滤波相结合,充分发挥级联卷积神经网络的特点。首先通过卡尔曼滤波对运动目标的运动状态进行预测;然后使用MTCNN的子网络对目标预测区域进行检测,从而确定人脸框的位置;最后通过人脸框的重迭度实现运动目标间的关联匹配。实验表明,结合MTCNN和卡尔曼滤波可以有效的实现摄像机下多运动目标的精确跟踪。3、多摄像机运动目标交接一直是计算机视觉领域的研究难点,尤其在非重迭视域下,运动目标的不连续性和不确定性使目标交接更加困难。结合本文运动目标检测与跟踪的具体需求,根据特征匹配的特点将人脸作为运动目标交接的对象。为获得更加精确的人脸特征,基于深度卷积神经网络构建人脸特征提取模型。为提高人脸匹配的准确率,采用两种相似度度量方法进行比较,选取最优的人脸相似度度量方法进行人脸匹配。实验表明,深度卷积网络可以精确的提取到运动目标的人脸特征,有效的完成多摄像机下运动目标的交接跟踪任务。(本文来源于《山东建筑大学》期刊2019-06-01）
赵凌[7]（2019）在《地铁站出入通道多摄像机移动目标跟踪研究》一文中研究指出为及时发现、预警、防控进入地铁站的可疑人员及其行为,实现多摄像机之间的移动目标传递十分关键。为此,以行人进站乘车的必经之路——地铁站出入通道为背景,以安装其间的相邻2台摄像机的监控图像为研究对象,选用ViB e算法针对2台固定有效监测视域且无重迭区域的摄像机建立移动目标背景检测模型。当有行人出现时,建立移动目标模板,从行人的移动方向、身高宽度比、行走速度、空间颜色直方图4个方面实施特征匹配。实验结果表明:在2台摄像机之间顺利实现了对行人的移动目标传递和轨迹跟踪,跟踪准确率高于在单摄像机上直接使用SIFT算法。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年05期）
朱绪冉[8]（2019）在《多摄像机行人检测与行人重识别方法研究》一文中研究指出随着安防监控体系越来越完善,视频监控设备数量越来越多,人们对视频监控技术智能化的要求越来越高。行人重识别作为视频监控技术中的核心环节,利用图像处理、计算机视觉、模式识别和机器学习等相关技术解决跨摄像机跨场景下的行人检索问题。现有大多行人重识别方法都是基于已裁剪好的行人图像进行匹配,然而在实际监控场景下,行人标注是不存在的,需要先在原始视频中检测出所有行人,再进行重识别。为解决上述问题,本文提出一种结合行人检测和行人重识别的算法框架,该框架由两个独立训练的算法组成,分别是检测算法和重识别算法。首先,本论文概述了行人检测和行人重识别技术的研究背景、意义以及现状。然后介绍了相关卷积神经网络的理论知识。其次,为提高行人检测模型的准确率,本文基于多目标检测领域的SSD检测算法进行改进,提出一种二值-SSD(Binary-SSD,B-SSD)行人检测算法。首先根据行人宽高比,设计固定长宽比的先验框代替原本算法中的具有多种长宽比的先验框。其次,使用多种数据增强方式增加训练集样本数量提高网络学习能力。实验表明改进后的B-SSD行人检测算法在准确性和速度上均有提升。然后,为提高行人重识别精度,本文提出一种基于联合学习与重排序的行人重识别方法。首先在特征描述方面,分析和对比了目前行人重识别中常用的两种模型——验证模型和识别模型,为了充分利用监督信息,联合学习两种模型对网络共同约束,使网络学习到具有判别性的行人特征。在距离度量方面,本文引入k互近邻方法对初次距离计算的结果进行重排序,通过去除错误匹配,让更相似的正确匹配排名靠前,从而提高重识别精度。实验表明,改进后的行人重识别算法具有良好的性能。最后,总结了主要研究内容,指出了算法中的不足,展望了未来的研究方向。(本文来源于《中国矿业大学》期刊2019-05-01）
成科扬,周博文,詹永照[9]（2018）在《数据驱动下的多摄像机网络逻辑拓扑推理与行人重识别研究》一文中研究指出作为分布式摄像机物联网的重要应用之一,行人重识别任务是从不同摄像头拍摄的监控录像中寻找并识别出已出现在某个摄像机视野的特定行人。为应对低分辨率、遮挡以及姿态、视点和光照变化情形下行人细粒度的重识别问题,提出了一种新的数据驱动模型来推断多摄像机的逻辑拓扑结构模型,重识别不同多摄像机捕获的行人;在模型中,用时间延迟互信息模型(time delayed mutual information,TDMI)实现多摄像机的逻辑拓扑推理,利用训练好的深度卷积神经网络(deep convolutional neural network,DCNN)来提取特征,用可命名模型发现外观属性,并基于该属性的结构输出进行分类,实现行人重识别。实验结果表明,与其他模型相比,所提模型在结构化语义属性输出和行人重识别精度方面都达到了较好的水平。(本文来源于《中国科技论文》期刊2018年20期）
植柯霖[10]（2018）在《多摄像机环境下的视频目标结构化与再识别研究》一文中研究指出随着智慧城市建设的快速发展,越来越多的网络视频监控设备增设到城市的各个角落,并产生了海量的监控视频数据。这些视频数据已经不能单纯依靠人眼完成监控,因此迫切需要开发更加智能化的网络视频监控系统。视频数据结构化是解决视频数据智能分析的核心技术之一。视频数据结构化包括视频运动目标检测、视频目标关联、视频数据结构化描述、存储与管理等关键技术。跨摄像机视频目标的再识别是视频监控网智能监控的关键技术之一。本文针对视频目标检测、视频目标关联、视频数据结构化描述、存储与管理和跨摄像机视频目标序列再识别进行了研究,开展的工作和取得的成果如下:首先,对课题组已有的基于混合高斯目标检测的视频结构化方案进行分析,针对该方案存在较多局限性问题,提出基于深度学习目标检测的视频结构化方案。其次,针对深度学习目标检测模型对特定目标检测准确率低、漏检率高的问题,设计了一个针对监控视频行人和车辆目标的增强数据集,并训练YOLOv2深度神经网络模型,实现行人和车辆目标更高性能的检测。其叁,在深度学习视频目标检测的结构化数据基础之上,提出了一种基于概率关联矩阵的多分立目标关联算法,该算法两两组合质心距离特征、颜色直方图特征和SURF特征,各自形成概率关联矩阵,并进行概率矩阵的加权融合,实现分立目标的出色关联。其四,在深度学习视频目标关联的结构化序列基础之上,提出一种可扩展的xml视频目标序列结构化数据描述方案和结构化数据存储方案,并设计了一个可以统一管理结构化目标数据的数据管理系统。最后,在实现视频目标的结构化描述、存储和统一管理的基础之上,提出两种增强视频数据智能化处理的行人目标再识别算法,分别是基于直方图统计小方差匹配准则的再识别算法和基于区域分割的分立目标序列再识别算法。前者利用了视频目标序列的整体颜色特征,后者则利用了视频目标序列的局部显着颜色特征。(本文来源于《深圳大学》期刊2018-06-30）
多摄像机论文开题报告
（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：
由于现有的车辆重识别方法大多是在已标注车辆边界框的图像间进行的,但在真实场景中无标注信息,同时环境的复杂性、车辆外观的相似性和多样性也是导致重识别精度不高的原因。因此,针对公共安全监控领域中无标注的原始视频,提出一种结合车辆检测与识别的多摄像机车辆重识别方法。首先设计了二值-单点多盒车辆检测网络以获取视频中的车辆边界框,并在线生成候选车辆数据库;其次设计了一种多任务孪生车辆识别网络以提高重识别精度;最后组建"VeRi-1501"车辆数据集。该数据集在现有数据集上扩充车辆身份,并均衡每个车辆身份在不同摄像机下的图像数量。该方法在VeRi-1501数据集和实际交通场景中识别准确且精度高。
（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。
多摄像机论文参考文献
[1].罗欢.利用共线点求解多摄像机内外参数[J].计算机科学.2019
[2].王艳芬,朱绪冉,云霄,孙彦景,石韫开.面向公共安全监控的多摄像机车辆重识别[J].西安电子科技大学学报.2019
[3].胡明合.多摄像机下模糊图像细节特征目标快速检测研究[J].现代电子技术.2019
[4].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
[5].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
[6].王亚萌.基于深度学习的多摄像机目标交接跟踪技术研究[D].山东建筑大学.2019
[7].赵凌.地铁站出入通道多摄像机移动目标跟踪研究[J].重庆理工大学学报(自然科学).2019
[8].朱绪冉.多摄像机行人检测与行人重识别方法研究[D].中国矿业大学.2019
[9].成科扬,周博文,詹永照.数据驱动下的多摄像机网络逻辑拓扑推理与行人重识别研究[J].中国科技论文.2018
[10].植柯霖.多摄像机环境下的视频目标结构化与再识别研究[D].深圳大学.2018