一、Efficient Approach for Face Detection in Video Surveillance(论文文献综述)
孙垂进[1](2021)在《基于人脸图像的视频检索系统》文中研究说明进入21世纪,互联网技术不断进步,多媒体逐渐成为人们获取信息的主要来源,其中视频因有着传输方便、生动直观、信息量大等一系列特点所以得到了大范围的应用。同时,随着国内各类视频监控的普及应用,视频监控开始普遍的应用于教育、公共安防等领域。然而如果想要在视频监控中找出想要的特定目标,仅仅通过人工浏览来进行查找,那一方面工作人员会因为长时间的眼部工作产生视觉疲劳,另一方面也极有可能会在观看视频时漏掉想要查找的特定目标,从而影响检索的速率和准确率。本文对比分析了基于帧间差分和聚类算法的视频关键帧提取方法、基于YOLO v4的人脸检测识别方法,设计实现了面向学生管理工作需要的基于人脸图像的视频检索系统。系统以Springboot和vue框架为基础,采用帧间差分算法来对视频关键帧进行提取,利用YOLO v4方法对视频关键帧中的人脸目标进行检测并做出框选,使用ArcFace算法对框选出的人脸图片进行特征提取,通过对待检测图片人脸特征与数据库内关键帧的人脸特征进行相似性度量,从而比对出是否存在待检测人脸。系统使用了mysql数据库和mybatis框架,综合使用Java和Python程序设计语言开发完成。本文所实现的视频检索系统以学生证件照和监控视频为输入,输出检索后得到的、包含待检索人脸的视频监控片段,对于目标人脸的检测查全率方面可达95.6%,检测速度方面对时长为1小时的监控视频可以在6分钟左右的时间完成检测,可以满足准确、实时的要求。这将为学校学生管理工作者提供及时、高效的信息化手段,学生管理工作者在需要查阅校园内视频监控时可借助该系统快速确定某学生在视频监控中出现的位置、时间等信息。
朱恒伟[2](2021)在《面向楼宇监控的人脸识别系统的设计与实现》文中研究指明视频监控是现代楼宇中必不可少的安全设施,目前还是以简单拍摄视频为主,出现突发情况时,调用监控录像进行人工查看与取证。此方式存在较大的时间滞后,已难以满足实际需求。面向楼宇监控的人脸识别系统,旨在现有监控网络改动较小的基础上,开发人脸识别、黑名单报警和行人行踪轨迹绘制等功能,提高监控网络的时效性,为楼宇安保工作提供更多保障与支持。本文主要工作包括系统整体结构设计、视频监控中人脸检测、抓拍和识别算法的设计、系统各功能模块的设计与实现、系统功能与性能测试。其中重点工作总结如下:(1)系统采用C/S(客户端-服务器)架构,服务器选择嵌入式设备,能更好的适应视频监控的实际使用场景。人脸识别、黑名单报警、行人行踪轨迹绘制和抓拍历史回查等功能,均由服务器做数据支持,保证系统的可靠性。通过支持ONVIF协议,使得市面上主流监控相机能轻松接入系统,减少了对现有监控网络的改变。(2)在人脸识别过程中,引入了人脸图像质量评估模块。针对视频监控中人像的特点,融合了人脸姿态、清晰度、对比度和明亮度四项指标,从视频人脸序列中选出人脸图像质量最高的图片。并分别对增加评估模块前后的抓拍图像进行实验,结果显示,增加评估模块的人脸识别率具有一定的提升,人脸相似度均值有较大提升。(3)在人脸识别的基础上,开发黑名单报警与目标用户行踪轨迹绘制功能。为管理员提供最新黑名单用户动态,并支持一键行踪轨迹绘制功能,提高视频监控的时效性。行踪轨迹绘制时,采用动态轨迹绘制与静态链式轨迹查看相结合的方式,能更清晰、全面的掌握目标用户的行踪动向。(4)注册用户时,采用“流水线+多线程”的思想对注册过程进行优化,使得注册速度达到40QPS以上,处于相关领域较高水平。快速建立人脸信息数据库,是保障人脸识别系统能够快速投入使用与落地的前提。
王梓凯[3](2021)在《基于边缘计算和微服务的视频监控系统》文中研究指明移动边缘计算的出现使得终端的计算任务可以卸载到边缘侧的高性能服务器进行处理,大大提高了各种应用的表现,其中视频监控是边缘计算应用最广泛的场景。传统云模式下进行视频监测的计算和传输带宽负载较重,边缘计算能对视频监控系统进行时延和效率优化,但仍存在两大问题:一方面,目前国内外的相关研究大多集中在计算机视觉算法模型或整体框架的设计,仍停留在仿真或验证阶段,没有实际搭建一整套物联网系统并部署业务算法对比效果。另一方面,由于视频监控系统功能复杂,未来随着业务丰富需要增加多种算法模块,但是传统架构扩展困难,随着虚拟化容器技术的发展,将多种算法模块进行单独部署可以大大减小了系统扩展的难度,但由于传统单步调试的方式不适用于微服务架构,在系统故障时定位根因模块十分困难,为了提高整个微服务系统的稳定性,设计高效的故障发现和根因定位算法十分必要。基于上述两大问题,本文搭建了一套基于边缘计算的视频监控系统,并设计了微服务归因算法快速发现系统故障并定位故障源头。论文的主要贡献为包括以下三个方面:一、边缘网络平台设计与实现:本文使用Amarisoft相关软件设备搭建传统蜂窝网络平台,采用OVS完成MEC的部署,实现边缘服务器基本的功能,并通过1080P视频传输任务对边缘计算平台进行功能测试和性能测试。总体上看,本文所搭建的边缘计算平台有效实现了边缘计算低延时、高速率的特点,为后续的业务搭建和算法仿真提供了基础。二、视频监控系统的搭建:针对视频监控业务设计了多个算法模型,验证边缘计算的应用价值。首先,在摄像头终端处通过GMG算法检测有效视频片段并通过H264算法压缩视频,模型精准率36.5%召回率95.7%,体积压缩比92.4%,缓解了带宽压力。其次,通过QT开发高速拍照软件并标注人脸关键点,通过数据增强手段丰富训练集,边缘侧基于transfer-learning固定Resnet若干层网络参数并负采样finetune训练生成人脸特征向量并存储,云端任务前置至边缘侧可降低80.6%平均延迟。最后,本文使用了联邦学习的思想,使用联邦平均法更新云端用户向量,并传递至边缘侧,通过师生网络和新增损失函数提高边缘模型精度,并定期新增边缘索引,在保证数据隐私的同时将边缘侧人脸识别模型精度提高了 15.3%。三、微服务系统监控与算法研究:本文提出了一种微服务故障的快速跟踪修复方法。第一部分是异常检测,通过箱线图、线性插值法等对数据预处理,通过DTW算法去相位偏差计算时序相似度,再通过Kmeans聚类和Tsfresh工具抽取时序特征,基于逻辑回归和随机森林算法联合检测异常。第二部分是根因定位,本文基于Zipkin和Prometheus分别对微服务系统进行调用链路级别和机器指标级别的监控,并利用Istio等工具注入故障。自定义统计策略构造有向有权的故障调用图,设计random-walk算法实现根因定位,算法平均耗时0.523s,根因排在top1和top2的准确率分别为84%和94%,与谷歌经典的Pagerank算法相比准确率提升了 23.5%和16.1%。
刘裕源[4](2021)在《多场景行人识别及其动态跟踪算法研究》文中提出随着智能视频监控技术的发展,多场景多摄像头下的行人识别及跟踪受到越来越广泛的关注,其中多摄像头信息融合处理、实时检测识别跟踪、算法模型轻量化等问题成为研究热点。本文主要针对多场景行人检测、识别及跟踪算法的优化,多摄像头并行应用等方面进行研究,其主要研究内容包括:(1)结合用于精细结构检测的MTCNN算法和用于整体检测的YOLO算法,并通过数据增强、数据集扩增进行优化,提出一种多场景行人检测算法。受视频来源及环境噪声影响,单一的行人检测算法具有各自的局限性,而本文提出的检测算法通过提取多尺度特征信息,以丰富深度卷积网络的表征语义,实现了高精度的多场景行人检测。(2)提出一种基于多种算法融合的行人识别算法。本文首先对Inception-ResNet主干神经网络进行调整,扩宽了人脸网络宽度以提取更多人脸信息,从而提高人脸识别准确率。接着利用SE-ResNet对残差网络进行改进,将空间通道内的信息进行融合,以提高多标签属性识别的抗干扰能力,进而提升了识别行人属性的性能。最后采用Open Pose姿态估计和Mask-RCNN人形分割算法进行行人姿态识别。因此,相比单一的行人识别算法,本文提出的算法能获取更全面的行人信息,解决了单一维度的行人脸部特征、外部属性特征及行人姿态特征对识别精度不高的问题。(3)基于知识蒸馏方法,提出ResNet主干网络的压缩模型。针对上述(2)所提算法模块移植困难、计算实时性无法保障等难点,本文通过对多个模块中的ResNet主干网络进行知识蒸馏模型压缩,并在不同压缩率下进行实验验证,提升了模型识别分类精度。(4)提出一种改进的DeepSort行人跟踪算法。针对多个摄像头中的多个行人的实时跟踪问题,本文引入YOLOV4算法进行行人检测,提高了在线跟踪的速率及可靠性。本文基于多场景下行人检测、识别、跟踪的研究背景,从底层特征提取、中层属性姿态识别、上层轨迹预测跟踪等研究路线,形成了一套由下至上、由浅至深的理论算法框架,可广泛应用于智能安防、智慧旅游、无人驾驶等领域,对相关算法的优化具有指导作用和工程应用价值。
李佳[5](2021)在《面向智能安防的视频图像检索技术研究与实现》文中研究说明对于智能安防系统而言,视频监控起着举足轻重的作用。而在视频监控领域,人脸图像检索又是实现智能安防的核心内容。伴随着图像处理技术和机器学习技术的快速发展,基于深度学习的人脸识别技术应运而生。本文研究安防领域的视频图像检索技术,针对实际视频监控场景下人的姿态变化不可控导致人脸识别精度低的问题,本文提出一个改进的人脸姿态校正算法。将人脸和其姿态信息共同作为输入,送至加入约束条件和Wasserstein距离因子的生成对抗网络中,生成正面的人脸图像,有效解决输入人脸姿态不正的问题。选取Multi-PIE人脸数据集进行模型的训练,并采用真实场景下拍摄的不同角度偏转的人脸图像进行测试,验证了姿态校正算法不仅能够生成无偏转的正面人脸,还能够很好地保留输入人脸图像中的特征信息。在姿态校正的基础上,为了进一步提高视频监控系统下的人脸识别算法的准确率,提出特征融合的算法,将人脸的低层特征和深层特征结合进行特征提取。本文选择VLAD和RMAC两个互补的特征相融合的方式,通过实验确定二者融合的权重,进而充分地表达人脸的特征。选取Multi-PIE数据集对引入姿态校正的特征融合算法进行验证,准确率可达96.8%。将本文提出的改进算法用在实际的图像检索系统中,设计并实现一个智能安防的人脸视频图像的检索系统。该系统采用半同步/半异步线程池的工作模式,实现多个摄像头同时进行监控任务,设备间工作独立,并且保障了系统的运行效率。系统首先对待检索视频进行解码,通过隔帧采样的方式提取关键帧,对关键帧图像进行预处理后实现人脸的检索识别。系统运行结果表明,本文提出多姿态人脸识别算法用于智能安防视频监控系统中能提升人脸检索识别精度,具有较高实用价值。
白涛[6](2020)在《移动化视频侦查的研究》文中研究表明随着视频侦查的迅速发展,全国各地筹建的“天网工程”、“雪亮工程”开始快速推进,成为提升“平安中国”建设能力和水平的基础性工程,从而有力地推动了视频侦查技术的广泛应用。使视频侦查不仅成为了维护稳定、反恐处突、治安防控、服务民生、震慑罪犯和精准打击犯罪的新手段,而且成为了侦查破案中发现线索和固定证据的新来源,变成了全国公安刑侦部门的基础性工作,也成为了新时期侦查破案的一个新增长极。但是视频侦查在迅速发展的同时,也出现了很多问题。首先,视频侦查由于主要依靠固定的视频监控为主,导致公安机关获取视频资源的方式过于单一,并且公安机关在视频监控的应用过程中出现了建设、管理、维修等方面的问题,以致于在很多案件中视频侦查发挥不了其真正的作用。基于此,笔者根据视频侦查遇到的这些问题,提出了移动化视频侦查的新方向来弥补当前视频侦查存在的缺陷。其次,笔者了解到对于网上追逃、识别追踪嫌疑车辆、侦破现场地形复杂案件等问题,公安机关一直没有切实可行的侦查手段来应对。因而笔者通过移动化视频侦查的进一步研究,借助现代移动互联网技术,提出了三个相应的移动化视频侦查模式:一、以智能掌上终端中的手机和便携式警务设备中的执法记录仪为载体,建设基于人脸识别技术的移动化视频侦查模式,来应对网上追逃困难的问题。二、以车辆为载体,建设基于车型识别技术的移动化视频侦查模式,来应对识别追踪嫌疑车辆难、高危地域车辆分析难等问题。三、以警用无人机为载体,建设基于遥感技术的移动化视频侦查模式,来应对犯罪现场地形复杂、涉案人员多、涉案地域广等案件侦破难的问题。最后,希望笔者提出的在现代移动互联网支撑下,基于不同科学技术的移动化视频侦查模式,能使公安机关进一步开辟和拓展新的视频侦查阵地,转变视频侦查思维,变革视频侦查方法,提高视频侦查工作的效能。
刘云梦[7](2020)在《基于PCA+SVM的视频人脸识别技术》文中指出随着时代以及科学的发展,现代社会视频监控技术发展迅速,无论是居民日常生活还是社会治安,或者是公安系统刑事案件的侦破都离不开视频监控。而通过视频监控中进行案件侦破的核心是人脸识别,所以它也理所应当的也越来越受人们的重视。在不断更新的识别技术中,相比于眼球的虹膜识别以及指纹识别等技术来说,人脸识别更容易获取样本,并且直观性也要好得多,民众也更容易接受。但是人脸识别仍然准确度低,耗时时间久的缺点。由于各种因素的影响,监控视频中的人像与静态的人像识别差别很大,很大程度上的视频监控中的人脸特征不能代表原始信息。但是用户的安全系数又受识别的准确程度的直接影响,所以人脸识别面临着很大的挑战,对采集信息的场所有一定的要求,人面部的改变,人表情的多变等,都需要进行更深入的探索。本文主要分析了基于视频监控的人脸识别算法,首先检测视频序列中的人脸,采用是基于肤色的图像似然度的检测方法,然后基于MEANSHIFT算法提出更有效的跟踪算法,最后研究基于主成分分析改进的分块PCA算法+SVM算法,提出更有效的人脸识别方式。主要内容有:1.对视频中的人脸图像进行检测采集并且对其进行预处理。对人脸进行检测是人脸识别最先要做的也是整个研究过程的基石。使用YCbCr的模型来进行分析,采用肤色特征的图像似然度的检测方法。有些视频背景是接近肤色的,不太容易识别,进一步对图像进行二值化操作,并且采用人脸长宽比来提高这种情况下识别的鲁棒性。2.人脸图像的跟踪。提出分块MeanShift,可以基于目标特征的变化进行自适应更新。并且由于类肤色区域的干扰,所以提出LBP纹理特征结合颜色直方图来改进MeanShift算法。3.人脸图像的识别。传统人脸识别的方式是在基于PCA的基础上,通过距离函数来实现的,相对来说,准确率低。因此,在这个基础上提出了基于分块PCA算法,并且加上了 SVM分类器,即支持向量机。相比于传统方式来说,准确率得到了较大的提升,由原来的70%左右提升到90%左右,也就是说改进后的方法要更加方便使用。
孙航[8](2020)在《人脸识别的侦查应用研究》文中认为随着现代科技的不断发展与完善,以人脸识别为典型代表的人工智能技术融入到社会生活的各个领域。与此同时,公安工作大数据时代的到来也为人脸识别技术应用于侦查工作提供了有利契机。尽管人脸识别技术在侦查领域得到了广泛应用,但受其技术本身固有缺陷以及其他主客观因素影响,实际侦查工作中的人脸识别应用暴露出了诸多问题,直接导致其只能作为侦查工作的辅助手段。为进一步发挥人脸识别技术助力侦查工作的效能,需针对应用障碍进行深入分析并以此提出优化路径,更好地将现代科技转换为刑侦战斗力。本文共分为五大部分:第一部分对人脸识别技术以及侦查中的人脸识别进行综述研究,提炼出人脸识别技术以及人脸识别应用于侦查工作的相关理论成果,梳理出目前人脸识别应用于侦查工作所存在的弊端与空白,最终明确人脸识别应用于侦查工作的必要性与可行性。第二部分是人脸识别及其侦查应用的概述。首先对相关概念进行厘清与辨析,再对人脸识别应用侦查工作中的适用条件、依据以及相关应用领域进行归纳总结与详细阐述。分析了人脸识别应用于侦查工作的价值体现,如今人脸识别被广泛应用于侦查工作的各个领域必然有其独有的优势与价值,对人脸识别应用于侦查工作的价值进行归纳研究,是更好的发挥其自身优势,服务于侦查破案的前提。第三部分致力于建立侦查工作中人脸识别应用的方法体系。目前侦查人员运用人脸识别大多将其与视频侦查结合,笔者基于以上应用实际,结合人脸识别的特点,建立出不同犯罪阶段中人脸识别的应用体系以及不同侦查技战法中人脸识别的应用方法,以实现人脸识别与侦查方法的联动融合。第四部分阐述了人脸识别应用于侦查工作所存在的障碍和主要弊端。从复杂环境、数据整合、侦查主体三个方面出发,全面分析人脸识别在三个环节的应用障碍,发现问题,并以此作为后续优化路径的切入点。第五部分针对目前侦查工作中人脸识别所存在的问题,从数据分享、技术操作、规范化应用等方面提出人脸识别应用的优化路径,以期最大程度地发挥人脸识别优势,实现其应用于侦查工作的最优效果。
聂继生[9](2020)在《基于视频监控的目标人员跟踪系统研究与实现》文中研究表明随着人类文明的发展,视频监控作为社会公共安全防护中的重要一环,越来越被研究者们重视,尤其是近年来人工智能技术的不断突破,当今社会对于智能视频监控也提出了更高的要求。人脸分析技术在计算机视觉与模式识别领域的研究与应用已经非常成功,例如目前已经普遍使用的人脸打卡系统,手机人脸解锁以及智能门禁系统等。然而,人脸分析技术在视频监控中的应用依然还不够成熟,鉴于其对于公安部门的刑侦、社会公共秩序的维护具有重大意义,再结合自身工作,本文对人脸分析技术及其在视频监控中的应用展开研究,主要工作如下:基于AdaBoost的人脸检测算法,本文研究和设计了一种融合肤色分割技术的改进AdaBoost人脸检测算法,该算法提高了人脸检测的精确度和速度。AdaBoost算法在训练分类器时可能会出现噪声样本权重过大导致样本权重分布扭曲,从而使得集成的强分类器的整体性能降低的退化现象,针对这个问题本文对AdaBoost算法的权重更新方式进行了改进。同时针对训练好的AdaBoost分类器检测速度较慢的问题,本文提出将肤色分割技术与改进的AdaBoost算法相结合,利用肤色分割技术进行人脸区域预选,然后再利用改进的AdaBoost分类器进行人脸检测。基于CamShift人脸跟踪算法,本文研究和设计了一种改进的CamShift人脸跟踪算法,该算法提高了人脸跟踪的精确度。CamShift人脸跟踪算法在跟踪时容易受背景颜色影响发生跟踪漂移,而且当目标被严重遮挡时,CamShift算法也无法对其进行处理最终导致跟踪失败。针对以上问题,本文引入跟踪漂移系数对CamShift算法跟踪时的搜索窗口进行评估,当出现上述问题时,结合肤色分割技术和LBP特征直方图对人脸进行重定位,实现了对人脸持续稳定的跟踪。最后,基于改进的人脸检测和人脸跟踪算法,再结合人脸识别技术,将其应用到实际的视频监控中,设计和实现了一个基于视频监控的目标人员跟踪系统,该系统具备人脸检测、人脸识别以及人脸跟踪功能,能够对视频监控中出现的人脸进行检测识别,并能够对识别出的目标人脸进行持续稳定的跟踪。
钟晓菲[10](2020)在《视频监控中的智能人脸识别系统设计与实现》文中提出视频智能分析平台服务是视频大数据平台和整个视频云计算的基础服务,通过系统后端分析平台可以灵活的对前端监控点的视频图像进行分析,实现视频浓缩摘要分析、人脸采集与识别、车辆分析、视频质量轮巡等多种智能分析功能。通过智能视频分析平台服务,可以提升上层图侦系统的应用能力,有效帮助公安刑侦人员在面对海量案件视频时遇到的各类问题。本文的主要研究了非限制条件下视频图像序列的人脸识别算法,对现有的人脸识别算法进行改性和性能提升,主要研究工作包括以下三个方面:首先对基于人脸的识别技术进行介绍,对比分析了基于视频人脸检测、跟踪、识别三个技术环节的不同方法。然后,基于方向梯度直方图特征和前馈神经网络设计了一套适合于视频监控场景下的用于人脸检测与识别的网络模型,大量实测视频数据集验证了算法的有效性。最后结合实际工程应用,进行了复杂场景下基于视频的人脸识别系统,给出了各部分功能的架构,最后搭建了人脸识别系统的平台和实现框架,能够实现人脸抓拍、人脸检测识别、区域预警等功能。通过对实际视频序列图像的测试,验证了系统的可行性和稳定性。
二、Efficient Approach for Face Detection in Video Surveillance(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:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(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。
三、Efficient Approach for Face Detection in Video Surveillance(论文提纲范文)
(1)基于人脸图像的视频检索系统(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 视频关键帧提取的研究现状 |
1.2.2 人脸检测识别的研究现状 |
1.2.3 视频检索系统的发展与研究现状 |
1.3 主要研究内容 |
1.4 文章结构 |
2 视频关键帧提取 |
2.1 基于帧间差分的关键帧提取算法 |
2.1.1 帧间差分的计算方法 |
2.1.2 关键帧提取流程及实验结果 |
2.2 基于k-means聚类的视频关键帧提取 |
2.2.1 图片预处理与相似度计算 |
2.2.2 基于K-means算法的关键帧提取过程及结果分析 |
3 基于YOLO v4和ArcFace方法的人脸检测与识别 |
3.1 基于YOLO v4的人脸检测 |
3.1.1 YOLO v4算法网络结构 |
3.1.2 候选区域产生 |
3.1.3 检测效果评估 |
3.1.4 非极大值抑制 |
3.1.5 训练过程与实验结果 |
3.2 基于ArcFace算法的人脸特征提取 |
3.2.1 特征间距离约束 |
3.2.2 损失函数 |
3.2.3 网络结构 |
3.2.4 实验效果 |
4 基于人脸图像的视频检索系统设计与实现 |
4.1 系统需求分析 |
4.1.1 功能需求分析 |
4.1.2 用例模型分析 |
4.1.3 非功能性需求 |
4.1.4 可行性分析 |
4.2 系统设计 |
4.2.1 整体设计 |
4.2.2 流程设计 |
4.2.3 数据库设计 |
4.2.4 系统E-R图 |
4.3 系统开发与实现 |
4.3.1 开发工具和环境 |
4.3.2 基本模块实现 |
4.3.3 相关功能实现 |
4.4 系统测试 |
4.4.1 单元测试 |
4.4.2 模块功能测试 |
4.4.3 系统性能测试 |
结论 |
参考文献 |
致谢 |
(2)面向楼宇监控的人脸识别系统的设计与实现(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究现状 |
1.2.1 视频监控研究现状 |
1.2.2 人脸检测 |
1.2.3 人脸跟踪 |
1.2.4 人脸识别 |
1.3 论文主要内容与章节安排 |
第二章 系统总体设计 |
2.1 系统设计目标与需求分析 |
2.2 系统框架设计 |
2.3 功能模块划分 |
2.4 开发环境 |
2.5 本章小结 |
第三章 人脸识别相关算法设计 |
3.1 系统算法框架设计 |
3.2 人脸检测 |
3.2.1 Adaboost算法原理与实现 |
3.2.2 人脸检测实验结果 |
3.3 人脸优选与抓拍 |
3.3.1 人脸优选与抓拍策略 |
3.3.2 人脸抓拍实验结果 |
3.4 人脸识别 |
3.4.1 人脸识别原理与实现 |
3.4.2 人脸识别实验结果 |
3.5 本章小结 |
第四章 系统软件设计与实现 |
4.1 系统软件整体流程 |
4.2 人脸信息数据库管理模块 |
4.2.1 数据库结构设计 |
4.2.2 用户组操作 |
4.2.3 用户操作 |
4.2.4 批量注册用户 |
4.2.5 库管理模块运行流程 |
4.3 相机管理 |
4.4 实时监控视频 |
4.4.1 实时视频播放 |
4.4.2 抓拍与识别结果显示 |
4.4.3 黑名单报警与一键式轨迹绘制 |
4.5 行踪轨迹绘制 |
4.5.1 新建楼宇地图 |
4.5.2 动态行人轨迹绘制 |
4.5.3 链式轨迹图与轨迹回查 |
4.6 人脸识别算法测试 |
4.6.1 人脸检测 |
4.6.2 人脸比对 |
4.6.3 人脸识别 |
4.7 本章小结 |
第五章 系统测试 |
5.1 系统测试方法 |
5.2 功能测试 |
5.3 性能测试 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 论文总结 |
6.2 工作展望 |
致谢 |
参考文献 |
附录 |
攻读硕士学位期间取得的成果 |
(3)基于边缘计算和微服务的视频监控系统(论文提纲范文)
摘要 |
英文摘要 |
第一章 绪论 |
1.1 研究背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.3 研究内容和创新点 |
1.4 论文结构安排 |
第二章 边缘计算网络平台设计与实现 |
2.1 边缘计算概述与关键技术 |
2.1.1 边缘计算概述 |
2.1.2 边缘计算关键技术 |
2.2 边缘计算网络平台设计与搭建 |
2.2.1 Amrisoft的配置与使用 |
2.2.2 基于Open Vswitch的边缘服务器搭建 |
2.3 边缘计算网络平台性能测试 |
2.3.1 测试环境与配置 |
2.3.2 功能测试 |
2.3.3 性能测试 |
2.4 本章小结 |
第三章 基于边缘计算与联邦学习的视频监控算法 |
3.1 视频监控系统的背景 |
3.2 云边协同的视频监控系统设计 |
3.2.1 功能需求 |
3.2.2 系统框架 |
3.3 终端视频预处理 |
3.3.1 方案设计 |
3.3.2 有效片段识别算法 |
3.3.3 视频压缩算法 |
3.4 云边协同的视频监控算法 |
3.4.1 方案设计 |
3.4.2 人脸数据集构建 |
3.4.3 人脸检测算法 |
3.4.4 人脸识别算法 |
3.5 基于联邦学习的更新策略 |
3.5.1 联邦学习概念 |
3.5.2 云端模型更新算法 |
3.5.3 边缘模型更新算法 |
3.6 实验结果与分析 |
3.6.1 实验配置与评价指标 |
3.6.2 功能验证与分析 |
3.6.3 模型效果与对比分析 |
3.7 本章小结 |
第四章 微服务的部署监控与故障定位算法研究 |
4.1 微服务的优势与挑战 |
4.1.1 单体架构及其缺陷 |
4.1.2 微服务及其优势 |
4.1.3 微服务的挑战 |
4.1.4 故障定位算法的相关研究 |
4.2 高效全自动的异常检测算法 |
4.2.1 数据预处理 |
4.2.2 基线提取 |
4.2.3 相似性度量 |
4.2.4 曲线聚类 |
4.2.5 特征工程 |
4.2.6 二分类模型 |
4.3 基于图随机游走的根因定位算法 |
4.3.1 故障图构建 |
4.3.2 根因概率模型 |
4.4 微服务监控架构 |
4.4.1 监控方案设计 |
4.4.2 业务指标采集存储 |
4.4.3 机器指标采集存储 |
4.5 实验结果与分析 |
4.5.1 实验环境 |
4.5.2 数据收集 |
4.5.3 故障定位实验结果 |
4.6 本章小结 |
第五章 总结与展望 |
5.1 论文工作总结 |
5.2 未来展望 |
参考文献 |
致谢 |
(4)多场景行人识别及其动态跟踪算法研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.3 本文内容与创新 |
1.4 论文结构安排 |
第二章 深度学习介绍及经典模型 |
2.1 深度学习介绍 |
2.1.1 算法环境介绍 |
2.1.1.1 硬件环境介绍 |
2.1.1.2 软件环境介绍 |
2.1.2 深度学习库介绍 |
2.1.2.1 Tensorflow库介绍 |
2.1.2.2 Py Torch库介绍 |
2.2 经典网络介绍 |
2.2.1 VGGNet网络模型 |
2.2.2 GoogLeNet网络模型 |
2.2.3 ResNet网络模型 |
2.3 本章小结 |
第三章 模型优化及模型压缩 |
3.1 数据预处理 |
3.1.1 数据归一化 |
3.1.2 白化 |
3.2 数据增强 |
3.2.1 几何变换 |
3.2.2 颜色空间变换 |
3.2.3 随机擦除 |
3.3 模型压缩 |
3.4 本章小结 |
第四章 行人检测算法 |
4.1 人脸检测算法 |
4.1.1 总体网络结构及原理 |
4.1.2 模型训练 |
4.1.3 实验结果 |
4.2 YOLOV4 行人检测算法 |
4.2.1 总体网络结构及原理 |
4.2.2 模型训练 |
4.2.3 实验结果 |
4.3 本章小结 |
第五章 行人识别算法 |
5.1 人脸识别算法 |
5.1.1 总体网络结构及原理 |
5.1.2 模型训练 |
5.1.3 实验结果 |
5.2 人脸属性识别算法 |
5.2.1 方法原理 |
5.2.2 模型训练 |
5.2.3 实验结果 |
5.3 行人姿态估计算法 |
5.3.1 姿态估计算法原理 |
5.3.2 姿态估计模型训练 |
5.3.3 实验结果 |
5.4 人形分割算法 |
5.4.1 人形分割算法原理 |
5.4.2 人形分割算法模型训练 |
5.4.3 实验结果 |
5.5 行人属性识别算法 |
5.5.1 行人属性识别原理 |
5.5.2 行人属性识别模型训练 |
5.5.3 实验结果 |
5.6 本章小结 |
第六章 行人跟踪算法 |
6.1 DEEPSORT跟踪算法原理 |
6.1.1 卡尔曼滤波与匈牙利算法 |
6.1.2 DeepSort跟踪算法 |
6.2 DEEPSORT跟踪算法模型训练 |
6.3 DEEPSORT跟踪算法实验结果 |
6.4 本章小结 |
第七章 总结与展望 |
7.1 全文总结 |
7.2 后续工作展望 |
致谢 |
参考文献 |
在攻读硕士学位期间取得的研究成果 |
(5)面向智能安防的视频图像检索技术研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题研究背景及意义 |
1.2 安防图像检索国内外研究现状 |
1.3 本文主要研究内容 |
第2章 图像检索相关技术 |
2.1 图像检索流程 |
2.2 图像特征提取 |
2.2.1 图像低层特征提取 |
2.2.2 图像深层特征提取 |
2.3 特征匹配 |
2.4 本章小结 |
第3章 基于生成对抗网络的人脸姿态校正方法 |
3.1 姿态校正原理 |
3.2 生成对抗网络 |
3.3 改进的人脸姿态校正模型 |
3.3.1 约束条件 |
3.3.2 Wasserstein距离 |
3.3.3 融合姿态信息的人脸姿态校正模型 |
3.4 实验与分析 |
3.4.1 图像数据集 |
3.4.2 实验过程 |
3.4.3 结果与分析 |
3.5 本章小结 |
第4章 基于特征融合的图像检索算法 |
4.1 特征选择 |
4.1.1 VLAD特征 |
4.1.2 RMAC特征 |
4.2 特征融合 |
4.3 引入姿态校正的特征融合 |
4.3.1 融合方案 |
4.3.2 融合方案实现 |
4.4 人脸视频图像检索结果与分析 |
4.5 本章小结 |
第5章 智能安防的人脸视频图像检索系统 |
5.1 需求分析 |
5.1.1 系统功能需求分析 |
5.1.2 系统运行需求分析 |
5.2 系统设计 |
5.2.1 系统架构 |
5.2.2 软件层次架构 |
5.3 系统模块设计与实现 |
5.3.1 视频流解码模块 |
5.3.2 视频关键帧提取模块 |
5.3.3 视频图像处理模块 |
5.3.4 数据库模块 |
5.4 系统分析 |
5.4.1 运行环境 |
5.4.2 运行分析 |
5.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间的研究成果 |
致谢 |
(6)移动化视频侦查的研究(论文提纲范文)
摘要 |
abstract |
引言 |
1 移动化视频侦查概念的提出 |
1.1 移动化视频侦查的内涵和外延 |
1.2 移动化视频侦查与传统视频侦查的差异 |
1.2.1 视频资源的获取设备不同 |
1.2.2 视频资源的运用途径不同 |
1.2.3 视频资源的提供者不同 |
1.2.4 视频资源的运用时间节点不同 |
1.2.5 视频资源的建设应用效果不同 |
1.3 移动化视频侦查的特点 |
1.3.1 动态性 |
1.3.2 实时性 |
1.3.3 隐蔽性 |
1.3.4 智能性 |
1.4 移动化视频侦查的应用价值 |
1.4.1 提高视频侦查工作的效率 |
1.4.2 提高网上追逃的效率 |
1.4.3 提高识别追踪嫌疑车辆的效率 |
1.4.4 提高犯罪现场复杂案件侦破的效率 |
1.4.5 提高刑事证据的证明效力 |
2 基于人脸识别技术的移动化视频侦查模式研究 |
2.1 建设以手机为载体的移动化视频侦查平台 |
2.1.1 研发手机人脸识别APP软件 |
2.1.2 创建手机人脸识别图像数据库 |
2.1.3 收集手机人脸识别图像数据 |
2.2 建设以执法记录仪为载体的移动化视频侦查平台 |
2.2.1 创建执法记录仪人脸识别图像数据库 |
2.2.2 收集执法记录仪人脸图像数据 |
2.3 基于人脸识别技术的移动化视频侦查模式的运行程序 |
2.3.1 静态人脸识别技术下的运行程序 |
2.3.2 动态人脸识别技术下的运行程序 |
2.4 基于人脸识别技术的移动化视频侦查模式的应用 |
2.4.1 以案找人 |
2.4.2 以人找案 |
2.4.3 卡口追逃 |
2.4.4 刻画犯罪嫌疑人行为轨迹 |
2.4.5 嫌疑人批量筛查 |
2.5 基于人脸识别技术的移动化视频侦查模式的完善 |
2.5.1 多维度采集人像 |
2.5.2 优化完善人脸大数据 |
2.5.3 不断创新视频侦查平台 |
2.5.4 及时跟进后期研判 |
3 基于车型识别技术的移动化视频侦查模式研究 |
3.1 建设以车辆为载体的移动化视频侦查平台 |
3.1.1 研发便于车辆安装的车型识别系统 |
3.1.2 收集车辆视频流资源数据 |
3.1.3 创建车型识别视频流资源数据库 |
3.2 基于车型识别技术的移动化视频侦查模式的运行程序 |
3.3 基于车型识别技术的移动化视频侦查模式的应用 |
3.3.1 及时识别追踪嫌疑车辆 |
3.3.2 精确分析高危地域车辆 |
3.3.3 加快由车到人的侦查速度 |
3.3.4 侦破涉及车辆信息的侵财类案件 |
3.4 基于车型识别技术的移动化视频侦查模式的完善 |
3.4.1 深度挖掘应用车辆视频流资源 |
3.4.2 持续整合社会车辆资源 |
3.4.3 尝试融合人脸识别技术 |
3.4.4 高效结合涉车卡口技战法 |
4 基于遥感技术的移动化视频侦查模式研究 |
4.1 建设以警用无人机为载体的移动化视频侦查平台 |
4.2 基于遥感技术的移动化视频侦查模式的运行程序 |
4.3 基于遥感技术的移动化视频侦查模式的应用 |
4.3.1 应用于视频侦查取证 |
4.3.2 应用于视频布控抓捕 |
4.3.3 应用于案件现场勘查 |
4.3.4 应用于日常执法巡逻 |
4.4 基于警用无人机技术的移动化视频侦查模式的应用完善 |
4.4.1 深度融合公安信息化系统 |
4.4.2 革新升级硬件配置功能 |
4.4.3 培养建设专业无人机队伍 |
5 移动化视频侦查模式的构建完善 |
5.1 完善城市级视频资源数据库 |
5.2 汇聚多维度移动视频资源数据 |
5.3 实现移动视频资源全领域智能化应用 |
5.4 制定相关法律法规 |
结论 |
参考文献 |
在学研究成果 |
致谢 |
(7)基于PCA+SVM的视频人脸识别技术(论文提纲范文)
摘要 |
Abstract |
变量注释表 |
1 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状 |
1.3主要研究内容 |
1.4 本文的结构安排 |
2 人脸检测算法 |
2.1 人脸检测算法 |
2.2 人脸检测算法分类 |
2.3 基于肤色的人脸检测 |
2.4 本章小结 |
3 人脸跟踪算法 |
3.1 常见的人脸跟踪算法 |
3.2 基于MeanShit的人脸跟踪算法 |
3.3 改进MeanShift人脸跟踪算法 |
3.4 本章小结 |
4 人脸识别算法 |
4.1 人脸特征提取 |
4.2 基于PCA的人脸识别 |
4.3 基于分块PCA+SVM的人脸识别 |
4.4 基于改进的分块PCA+SVM的人脸识别 |
4.5 本章小结 |
5 实验结果与分析 |
5.1 系统简述 |
5.2 算法流程 |
5.3 实验结果 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
作者简历 |
致谢 |
学位论文数据集 |
(8)人脸识别的侦查应用研究(论文提纲范文)
摘要 |
Abstract |
引言 |
1 绪论 |
1.1 研究背景 |
1.2 研究意义 |
1.2.1 理论意义 |
1.2.2 实践意义 |
1.3 人脸识别研究综述 |
1.3.1 人脸识别方法研究综述 |
1.3.1.1 基于几何特征的人脸识别 |
1.3.1.2 基于模板匹配的人脸识别 |
1.3.1.3 基于模型的人脸识别 |
1.3.1.4 基于神经网络的人脸识别 |
1.3.2 人脸数据库研究综述 |
1.3.3 侦查工作中人脸识别应用研究综述 |
1.4 研究方法 |
1.4.1 文献研究法 |
1.4.2 交叉学科研究法 |
1.4.3 案例研究法 |
1.4.4 实证研究法 |
2 人脸识别及其侦查应用的概述 |
2.1 相关概念阐述 |
2.1.1 人脸识别技术概念 |
2.1.2 侦查工作中人脸识别概念 |
2.2 人脸识别应用于侦查工作的适用条件 |
2.2.1 清晰的人脸图像信息 |
2.2.2 适当的人脸识别算法 |
2.2.3 完善的人脸数据库 |
2.3 人脸识别应用于侦查工作的依据 |
2.3.1 同一认定 |
2.3.2 信息传输与反馈 |
2.4 人脸识别在侦查工作中的应用领域 |
2.4.1 应用于核对人员身份 |
2.4.2 应用于追逃工作 |
2.4.3 应用于监控系统人脸图像识别 |
2.4.4 应用于身份不详者及无名尸的辨认 |
2.5 侦查工作中人脸识别的价值体现 |
2.5.1 丰富犯罪现场信息,为确定侦查方向提供线索 |
2.5.2 识别比对人像信息,增强发现犯罪嫌疑人的能力 |
2.5.3 实现案件立体化分析,为串并案侦查提供依据 |
2.5.4 缓解侦查资源紧缺问题,提高案件分析效率 |
3 侦查工作中人脸识别应用的方法体系 |
3.1 不同犯罪阶段中人脸识别的应用 |
3.1.1 犯罪前的预先干预 |
3.1.1.1 直接盘查核实 |
3.1.1.2 动态跟踪监控 |
3.1.2 犯罪实施中的控制 |
3.1.3 犯罪后的由案到人 |
3.2 不同侦查技战法中人脸识别的应用 |
3.2.1 图像排查法 |
3.2.2 信息比对法 |
3.2.3 信息关联法 |
3.2.3.1 人员信息关联 |
3.2.3.2 时空信息关联 |
3.2.3.3 警务数据信息关联 |
4 侦查工作中人脸识别应用的障碍分析 |
4.1 复杂环境中人脸识别应用的障碍 |
4.1.1 非约束环境中采集图像的质量问题 |
4.1.1.1 遮挡与模糊变形干扰 |
4.1.1.2 表情与光线姿态干扰 |
4.1.2 动态视频中采集图像的质量问题 |
4.2 数据整合中人脸识别应用的障碍 |
4.2.1 公安内部数据整合不足 |
4.2.2 人脸识别数据库更新滞后 |
4.3 侦查主体方面人脸识别应用的障碍 |
4.3.1 人脸识别应用机制不健全 |
4.3.2 信息挖掘与综合研判不足 |
5 侦查工作中人脸识别应用的优化路径 |
5.1 共享数据,统一协作常态化 |
5.2 凝聚合力,案件分析立体化 |
5.2.1 与传统侦查方法相结合,优势互补 |
5.2.2 与社会信息相结合,群防群治 |
5.2.3 与其他技术相结合,提高准确性 |
5.3 规范流程,应用队伍专业化 |
结论 |
参考文献 |
在学研究成果 |
一、 在学期间取得的科研成果 |
二、 在学期间所获的奖励 |
三、 在学期间发表的论文 |
致谢 |
(9)基于视频监控的目标人员跟踪系统研究与实现(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 视频监控系统研究现状 |
1.2.2 人脸检测算法研究现状 |
1.2.3 人脸跟踪算法研究现状 |
1.3 本文主要内容 |
1.4 论文组织结构 |
第2章 人脸检测及识别相关技术研究 |
2.1 图像预处理技术 |
2.1.1 色彩空间转换 |
2.1.2 光照补偿 |
2.1.3 形态学操作 |
2.2 基于肤色分割的人脸检测算法 |
2.2.1 建立肤色模型 |
2.2.2 人脸区域筛选 |
2.3 LBP人脸识别算法 |
2.3.1 LBP特征提取 |
2.3.2 LBP改进版本 |
2.3.3 LBP特征匹配 |
2.4 本章小结 |
第3章 基于AdaBoost的人脸检测算法研究 |
3.1 AdaBoost人脸检测算法 |
3.1.1 Haar-like特征 |
3.1.2 积分图计算 |
3.1.3 分类器的训练 |
3.1.4 级联分类器 |
3.2 对AdaBoost人脸检测算法的改进 |
3.2.1 AdaBoost分类器训练过程中的不足 |
3.2.2 改进的AdaBoost算法 |
3.2.3 融合肤色分割 |
3.3 改进算法验证 |
3.3.1 实验环境及数据集准备 |
3.3.2 实验结果与分析 |
3.4 本章小结 |
第4章 基于CamShift的人脸跟踪算法研究 |
4.1 CamShift人脸跟踪算法 |
4.1.1 直方图反向投影 |
4.1.2 Mean Shift算法 |
4.1.3 CamShift跟踪算法 |
4.2 对CamShift人脸跟踪算法的改进 |
4.2.1 CamShift人脸跟踪算法的不足 |
4.2.2 改进的CamShift人脸跟踪算法 |
4.3 实验结果与分析 |
4.3.1 遮挡场景实验结果与分析 |
4.3.2 光照变化场景实验结果与分析 |
4.3.3 人脸交叉复杂场景实验结果与分析 |
4.4 本章小结 |
第5章 基于视频监控的目标人员跟踪系统总体设计 |
5.1 系统需求分析 |
5.1.1 系统应用场景 |
5.1.2 系统功能性需求 |
5.1.3 系统性能需求 |
5.2 系统架构设计 |
5.2.1 系统总体架构 |
5.2.2 系统模块架构 |
5.3 系统总体设计 |
5.4 本章小结 |
第6章 基于视频监控的目标人员跟踪系统详细设计及实现 |
6.1 系统开发环境 |
6.2 各功能模块设计与实现 |
6.2.1 人脸信息管理模块 |
6.2.2 人脸检测模块 |
6.2.3 人脸识别模块 |
6.2.4 人脸跟踪模块 |
6.3 系统界面设计 |
6.3.1 系统主界面 |
6.3.2 实时视频跟踪界面 |
6.3.3 本地视频跟踪界面 |
6.4 系统测试及性能分析 |
6.4.1 系统稳定性测试 |
6.4.2 系统性能测试及分析 |
6.5 本章小结 |
结论 |
参考文献 |
攻读硕士学位期间取得的研究成果 |
致谢 |
(10)视频监控中的智能人脸识别系统设计与实现(论文提纲范文)
摘要 |
第1章 绪论 |
1.1 课题背景和意义 |
1.2 国内外研究现状 |
1.2.1 基于几何特征的人脸识别 |
1.2.2 基于表象的人脸识别 |
1.2.3 基于稀疏描述的人脸识别 |
1.2.4 基于深度学习的人脸识别 |
1.3 本文主要内容与结构安排 |
第2章 基于视频的人脸识别技术 |
2.1 基于视频的人脸检测 |
2.2 基于视频的人脸跟踪 |
2.3 基于视频的人脸识别 |
2.4 常用的人脸数据库 |
2.5 本章小结 |
第3章 基于HOG和前馈神经网络的人脸识别 |
3.1 算法概述 |
3.2 人脸检测与定位 |
3.3 人脸识别 |
3.3.1 HOG特征提取 |
3.3.2 FFNN的处理方法 |
3.4 实验结果分析 |
3.5 本章小结 |
第4章 视频人脸识别算法的工程实现 |
4.1 人脸识别系统概述 |
4.2 高清监控相机设备指标 |
4.3 安装部署 |
4.4 前端功能 |
4.5 云计算服务平台架构 |
4.6 实际系统测试结果 |
4.7 本章小结 |
结论 |
参考文献 |
致谢 |
个人简历 |
四、Efficient Approach for Face Detection in Video Surveillance(论文参考文献)
- [1]基于人脸图像的视频检索系统[D]. 孙垂进. 大连理工大学, 2021(01)
- [2]面向楼宇监控的人脸识别系统的设计与实现[D]. 朱恒伟. 电子科技大学, 2021(01)
- [3]基于边缘计算和微服务的视频监控系统[D]. 王梓凯. 北京邮电大学, 2021(01)
- [4]多场景行人识别及其动态跟踪算法研究[D]. 刘裕源. 电子科技大学, 2021(01)
- [5]面向智能安防的视频图像检索技术研究与实现[D]. 李佳. 哈尔滨理工大学, 2021(09)
- [6]移动化视频侦查的研究[D]. 白涛. 中国人民公安大学, 2020(12)
- [7]基于PCA+SVM的视频人脸识别技术[D]. 刘云梦. 山东科技大学, 2020(06)
- [8]人脸识别的侦查应用研究[D]. 孙航. 中国人民公安大学, 2020(09)
- [9]基于视频监控的目标人员跟踪系统研究与实现[D]. 聂继生. 北京工业大学, 2020(06)
- [10]视频监控中的智能人脸识别系统设计与实现[D]. 钟晓菲. 哈尔滨理工大学, 2020(02)