综述
|
智能视频监控系统动态目标检测与识别算法综述
王聪, 刘明光, 齐飞
北京交通大学电气工程学院, 北京100044
Summary of dynamic target detection and recognition algorithm in intelligent video surveillance system
Wang Cong, Liu Mingguang, Qi Fei
School of Electrical Engineering, Beijing Jiaotong University, Beijing 100044
摘要 随着电力系统自动化程度的不断提高,智能视频监控在电力系统中的应用也变得越来越多。本文针对智能视频监控系统所采用的动态目标检测与识别算法进行了综述。介绍了包括帧间差分法、背景差分法、光流法在内的视频移动目标检测算法、基于传统模板的识别方法以及统计学习识别方法。并对上述各种算法进行了比较,阐述了各算法的适用环境及优缺点。
关键词 :
智能视频监控 ,
光流法 ,
背景差分法 ,
帧间差分法 ,
运动目标识别
Abstract :With the continuous improvement of power system automation, the application of intelligent video monitoring in power systems has been more used. This article summarizes the dynamic target detection and recognition algorithms used in the intelligent video surveillance systems. The video moving object detection algorithm is introduced, including inter-frame difference method, background difference method, optical flow method. In addition, the traditional template-based recognition method and statistical learning method are also introduced. The above algorithms are compared and the applicable environment, advantages and disadvantages of each algorithm are expounded.
Key words :
intelligent video monitoring
optical flow method
background subtraction method
frame differential method
moving target recognition
收稿日期: 2018-01-23
出版日期: 2018-10-23
作者简介 : 王聪(1992-),男,河北廊坊人,北京交通大学电气工程专业,硕士研究生,主要从事计算机视觉方面的研究工作。
引用本文:
王聪, 刘明光, 齐飞. 智能视频监控系统动态目标检测与识别算法综述[J]. 电气技术, 2018, 19(9): 6-11.
Wang Cong, Liu Mingguang, Qi Fei. Summary of dynamic target detection and recognition algorithm in intelligent video surveillance system. Electrical Engineering, 2018, 19(9): 6-11.
链接本文:
http://dqjs.cesmedia.cn/CN/Y2018/V19/I9/6
[1] 夏水英, 王一宁, 赵亮, 等. 视频联动技术在变电站智能巡检系统中的应用实践[J]. 电气技术, 2016, 17(8): 82-85. [2] 曾东, 杜俊杰, 许金明, 等. 风光互补供电系统在输电线路视频监控中的应用[J]. 电气技术, 2012, 13(6): 56-59. [3] 刘艳丽, 陈昊, 余炎峰. 基于帧间差分法和不变矩特征的运动目标检测与识别[J]. 工业控制计算机, 2008(7): 34-36. [4] 林雯. 新型基于帧间差分法的运动人脸检测算法研究[J]. 计算机仿真, 2010, 27(10): 238-241. [5] 李亮, 罗毅. 帧间差分法在视频监控中的应用研究[J]. 四川理工学院学报(自然科学版), 2015, 28(6): 58-62. [6] 薛丽霞, 罗艳丽, 王佐成. 基于帧间差分的自适应运动目标检测方法[J]. 计算机应用研究, 2011, 28(4): 1551-1552, 1559. [7] 刘鑫, 刘辉, 强振平, 等. 混合高斯模型和帧间差分相融合的自适应背景模型[J]. 中国图象图形学报, 2008, 13(4): 729-734. [8] 樊晓亮, 杨晋吉. 基于帧间差分的背景提取与更新算法[J]. 计算机工程, 2011, 37(22): 159-161. [9] 赵婷, 郑紫微. 基于改进的帧间差分运动目标提取算法[J]. 无线通信技术, 2016, 25(2): 46-49, 53. [10] 苟娟迎. 基于背景差分法的运动目标分割[J]. 工业控制计算机, 2013, 26(8): 36-37. [11] 李芳, 张影. 基于改进背景差分法的运动目标检测方法研究[J]. 科技经济导刊, 2017(24): 43. [12] 沈剑雷, 夏定纯. 基于改进背景差分法的运动物体检测的研究[J]. 通信电源技术, 2016, 33(2): 012. [13] 胡永, 师京晶, 郭小丹. 基于图像差分的背景差分算法改进及实验数据分析[J]. 实验室研究与探索, 2014, 33(8): 45-48. [14] 汪国强, 盖琪琳, 于怀勇, 等. 基于背景差分法的视频目标检测算法研究[J]. 黑龙江大学工程学报, 2014, 5(4): 64-68. [15] 黄鑫娟, 周洁敏, 刘伯扬. 自适应混合高斯背景模型的运动目标检测方法[J]. 计算机应用, 2010, 30(1): 71-74. [16] 刘翔, 杨鑫, 王蕾. 改进的基于码本模型目标检测算法[J]. 液晶与显示, 2014, 29(6): 997-1002. [17] 贾斌. 复杂背景下抗遮挡的车辆检测技术[D]. 北京: 北京邮电大学, 2012. [18] 杨贇. 基于核密度估计的运动目标检测算法研究[D]. 南宁: 广西大学, 2012. [19] 裴巧娜. 基于光流法的运动目标检测与跟踪技术[D]. 北京: 北方工业大学, 2009. [20] 黄杭. 基于光流法的运动目标检测与跟踪[D]. 沈阳: 东北大学, 2014. [21] 储珺, 施芒, 符祥. 基于光流的动态背景运动目标检测算法[J]. 南昌航空大学学报(自然科学版), 2011, 25(3): 1-6. [22] 张金林, 万蔚, 芮挺, 等. 基于改进的Lucas-Kanade光流估算模型的运动目标检测[J]. 微计算机信息, 2010, 26(23): 194-196. [23] 云红全, 徐力, 孙骁, 等. 基于超像素时空显著性的运动目标检测算法[J/OL]. 红外技术, 2015, 37(5): 404-410. [24] 贾峻苏. 面向视频监控的运动目标检测和识别技术[D]. 杭州: 浙江大学, 2015. [25] 魏延文. 基于视频的运动目标实时跟踪和识别[D]. 济南: 济南大学, 2013. [26] 郝绪彤. 基于特征速度的运动物体识别研究[D]. 大连: 大连理工大学, 2016. [27] 赵红雨, 吴乐华, 史燕军, 等. 基于HSV颜色空间的运动目标检测方法[J]. 现代电子技术, 2013, 36(12): 45-48. [28] 徐兰. 基于active basis的行人检测与行为分析[D]. 青岛: 中国海洋大学, 2013. [29] 管皓, 薛向阳, 安志勇. 深度学习在视频目标跟踪中的应用进展与展望[J]. 自动化学报, 2016, 42(6): 834-847. [30] 陈林凯. 基于卷积神经网络的运动车辆视频检测方法[C]//2016年全国通信软件学术会议程序册与交流文集, 中国通信学会, 2016.