智能视频监控中目标检测与识别PDF电子书下载

上篇　智能视频监控中目标检测与识别概论 3

第1章　绪论 3

1.1　智能视频监控概述 4

1.1.1　智能视频监控的发展 4

1.1.2　智能视频监控中的关键问题 6

1.2　智能视频监控的研究内容 8

1.2.1　智能视频监控的系统结构 8

1.2.2　智能视频监控的难题 10

1.3　研究现状与应用前景 12

参考文献 14

第2章　计算机运动视觉相关理论 17

2.1　摄像机的标定 18

2.1.1　坐标系的变换 19

2.1.2　摄像机的标定 20

2.2　双目立体视觉 25

2.2.1　特征匹配关键技术 26

2.2.2　特征匹配算法分类与立体成像 30

2.3　运动视觉 32

2.3.1　运动视觉的研究内容 32

2.3.2　运动视觉处理框架 34

2.4　场景理解 35

2.4.1　场景理解认知框架 36

2.4.2　静态场景理解 38

2.4.3　动态场景理解 39

参考文献 40

第3章　运动目标检测技术 43

3.1　运动目标检测概述 44

3.1.1　光流法 44

3.1.2　相邻帧差法 45

3.1.3　背景差法 46

3.1.4　边缘检测方法 47

3.1.5　其他重要的相关方法 47

3.2　视频监控中的背景建模 48

3.2.1　背景提取与更新算法概述 49

3.2.2　基于GMM的背景提取与更新算法 53

3.2.3　基于AKGMM的背景提取与更新算法 55

3.2.4　去除阴影 63

3.3　ROI面积缩减车辆检测搜索算法 74

3.3.1　改进的帧差法 76

3.3.2　图像的腐蚀与膨胀 79

3.3.3　车辆目标分割识别 81

3.3.4　实验结果与分析 88

参考文献 91

第4章　运动目标跟踪技术 94

4.1 目标跟踪的分类 95

4.2　目标跟踪方法 96

4.2.1　基于特征的跟踪方法 96

4.2.2　基于3D的跟踪方法 96

4.2.3　基于主动轮廓的跟踪方法 97

4.2.4　基于运动估计的跟踪方法 98

4.3　粒子滤波器 98

4.3.1　离散贝叶斯滤波系统 99

4.3.2　蒙特卡洛采样（Monte Carlo Sampling） 100

4.3.3　贝叶斯重要性采样（Bayesian Importance Sampling） 100

4.3.4　序列化重要性采样（Sequential Importance Sampling） 102

4.3.5　粒子滤波（Particle Filte）一般算法描述 104

4.3.6　粒子数目N的选取 105

4.4　多视角目标跟踪 106

4.4.1 目标交接 106

4.4.2　多摄像机的协同 108

4.4.3　摄像机之间的数据通讯 109

4.4.4　多摄像机系统总体设计与集成 109

参考文献 111

第5章　运动目标分类技术 115

5.1　目标分类方法 115

5.1.1　基于形状信息的分类 115

5.1.2　基于运动特性的分类 118

5.1.3　混合方法 120

5.2　分类的特征提取 120

5.2.1　视频图像的两种特征 121

5.2.2　分类特征选择 121

5.3　分类器构造 122

5.3.1　支持向量机理论 123

5.3.2　多类支持向量机 126

5.3.3　特征训练 131

5.4　训练和分类方案 131

5.4.1　静态图像训练分类模型 132

5.4.2　动态视频中运动对象的分类 133

5.4.3　训练和分类的实验结果 134

参考文献 136

第6章　行为理解技术 139

6.1　行为理解的特征选择与运动表征 141

6.1.1　特征选择 141

6.1.2　运动表征 142

6.2　场景分析 145

6.2.1　场景结构 145

6.2.2　场景知识库的建立和更新 146

6.3　行为建模 147

6.3.1 目标描述 148

6.3.2　约束表达 148

6.3.3　分层的行为模型结构 149

6.4　行为识别 150

6.4.1　基于模板匹配方法 150

6.4.2　基于状态转移的图模型方法 151

6.4.3　行为识别的实现 153

6.5 高层行为与场景理解 155

6.6　行为理解存在的问题与发展趋势 157

参考文献 159

下篇　智能视频监控应用实例 165

第7章　白天车辆检测实例 165

7.1　道路交通样本库的采集与组织 165

7.1.1　样本的采集 165

7.1.2　样本库元信息和组织 166

7.2　车辆检测系统结构设计 169

7.2.1　基于视频的车辆检测方法概述 169

7.2.2　虚拟线圈车辆检测法的算法流程 171

7.2.3　系统框图 172

7.3　背景重构 173

7.3.1　视频背景重构技术回顾 173

7.3.2　基于IMFKGMM的背景提取与更新算法 175

7.4　灰度空间阴影检测算法研究 184

7.4.1　彩色图像的灰度变换 185

7.4.2　算法原理 185

7.4.3　试验结果 188

7.5　虚拟线圈车辆检测法 192

7.5.1　数学形态学后处理与状态机 193

7.5.2　交通参数的测量 196

第8章　夜间车辆检测实例 201

8.1　夜间视频车辆检测系统框架 203

8.2　摄像机配置 204

8.2.1　摄像机安装和标定 204

8.2.2　车灯在路面上的投影与视野的设置 206

8.3　车灯提取配对跟踪算法 209

8.3.1　车灯提取与车灯形状特征 210

8.3.2　配对跟踪算法 212

8.3.3　交通参数计算与实验结果和分析 218

第9章　昼夜亮度变化及切换方法 221

9.1　离线亮度变化建模 221

9.1.1　交通视频亮度变化实例与S型曲线 222

9.1.2　离线曲线拟合 224

9.1.3　在线亮度变化识别 228

9.2　昼夜检测算法的切换方法 232

9.2.1　亮度模型分析与切换时间选取策略 233

9.2.2　过渡时段的切换方法 238

9.2.3　切换方法试验结果 243

9.3　仿真试验平台 245

第10章　距离测量实例 248

10.1　摄像机标定及距离测量 249

10.1.1　OpenCV中的标定方法 249

10.1.2　测距算法 251

10.2　实验与结果分析 256

10.2.1　内参数矩阵与场景无关性 257

10.2.2　标定平面上两点间距离测量 258

10.2.3　垂直于标定平面轴线上两点间距离测量 260

10.2.4　双视角同时标定，任意两点间距离测量 261

第11章　客流检测系统实例 263

11.1　视频图像采集与数据结果传输 264

11.1.1　视频图像采集系统设置 264

11.1.2　视频文件 266

11.1.3　数据结果的传输 267

11.2　基于背景检测的行人检测 271

11.2.1　背景分割 271

11.2.2　行人检测 273

11.3　基于blob检测的行人跟踪与计数策略 276

11.3.1　基于blob的跟踪方法 277

11.3.2　计数策略 279

11.4　算法的工程实现与实验结果 286

后记 291