多攝像機協(xié)同關注目標檢測跟蹤技術

1 緒論
1．1 視頻監(jiān)控系統(tǒng)的發(fā)展
1．1．1 傳統(tǒng)視頻的不足
1．1．2 智能視頻監(jiān)控的應用
1．1．3 大場景多攝像機協(xié)同監(jiān)控
1．2 視頻協(xié)同跟蹤研究現(xiàn)狀
1．3 視頻偵查領域的應用需求
2 運動目標檢測與跟蹤
2．1 運動目標檢測
2．1．1 混合高斯建模
2．1．2 光流法
2．1．3 監(jiān)督學習法
2．2 行人檢測算法
2．2．1 頭肩模型
2．2．2 DPM模型
2．2．3 行人檢測算法評價準則
2．3 跟蹤策略分類
2．3．1 點跟蹤法
2．3．2 核跟蹤法
2．3．3 剪影跟蹤法
2．4 常用人體跟蹤算法
2．4．1 卡爾曼濾波法
2．4．2 MeanShift算法
3 全景生成及槍球聯(lián)動
3．1 全景生成技術
3．1．1 靜態(tài)全景拼接
3．1．2 動態(tài)全景拼接
3．2 槍球聯(lián)動系統(tǒng)簡介
3．3 槍球聯(lián)動系統(tǒng)結構
3．3．1 模擬架構槍球聯(lián)動
3．3．2 數(shù)字高清架構槍球聯(lián)動
3．3．3 網(wǎng)絡高清架構槍球聯(lián)動
3．4 協(xié)同控制策略
3．4．1 目標靜止時的協(xié)同控制
3．4．2 目標運動時的協(xié)同控制
3．4．3 運動狀態(tài)轉換時的協(xié)同控制
3．5 “一槍多球”及“多槍一球”
4 人臉檢測技術
4．1 人臉檢測技術的發(fā)展
4．2 常規(guī)人臉檢測方法
4．2．1 膚色建模
4．2．2 Haar和LBP特征
4．2．3 分類器級聯(lián)
4．2．4 基于膚色建模與Haar特征的人臉檢測
4．3 深度學習框架下的人臉檢測
4．3．1 FacenessNet人臉檢測算法
4．3．2 SeetaFace人臉檢測算法
4．3．3 Faster R-CNN人臉檢測算法
4．4 人臉定位與放大
4．5 人臉檢測加速技術
5 深度學習機制下的目標識別
5．1 深度學習發(fā)展歷程
5．2 深度學習主流框架介紹
5．2．1 Caffe
5．2．2 Torch
5．2．3 TensorFlow
5．3 深度學習在人臉檢測識別方面的最新進展
5．3．1 科研院所方面的工作
5．3．2 產業(yè)方面的工作
5．4 我們的工作
5．4．1 深度學習人臉驗證
5．4．2 ImageNet方面的工作
5．4．3 TRECVID方面的工作
6 攝像機標定與圖像特征匹配方法研究
6．1 透視攝像機標定方法
6．1．1 傳統(tǒng)的攝像機標定方法
6．1．2 攝像機自標定方法
6．2 全景攝像機標定方法
6．2．1 多攝像機聯(lián)動
6．2．2 魚眼攝像機標定方法
6．2．3 全向攝像機標定方法
6．3 圖像特征匹配方法
6．3．1 特征點匹配
6．3．2 特征直線匹配
6．3．3 重復性紋理圖像匹配
7 人員目標結構化描述及檢索
7．1 視頻結構化描述技術
7．2 視頻結構化描述和語義網(wǎng)
7．3 人員信息結構化描述
7．3．1 人員面部信息結構化描述
7．3．2 人員行為模式結構化描述
7．4 個性化檢索引擎
8 監(jiān)控大數(shù)據(jù)與主動安防體系
8．1 視頻監(jiān)控進入大數(shù)據(jù)時代
8．1．1 視頻大數(shù)據(jù)的應用難點
8．1．2 基于大數(shù)據(jù)框架的下一代視頻監(jiān)控系統(tǒng)
8．1．3 基于VSD的監(jiān)控視頻大數(shù)據(jù)分析
8．2 主動視覺感知融合安防體系
8．2．1 知識圖譜
8．2．2 視覺基因組
8．2．3 基于主動視覺融合的安防體系
8．3 語音識別及VR眼鏡等新技術的應用
9 視頻一體化指揮應用
9．1 發(fā)展現(xiàn)狀
9．2 立體防控技術解決方案
9．2．1 立體防控技術
9．2．2 大型活動立體防控平臺
9．2．3 大型活動立體防控平臺應用
9．3 未來工作
10 總結與展望
10．1 本書總結
10．2 領域發(fā)展展望
參考文獻