全时空机场监控视频智能处理平台的设计与实现
发布时间：2021-02-21 20:36
随着中国民航业迅速发展,机场面临的安全压力逐渐增大。由于机场的覆盖范围广,传统的多点分散监控很难对机场全局态势进行整体高效的把控。海量监控视频处于零散、碎片化的状态,工作人员平时需要记忆大量的摄像机编号及其所在位置的对应关系。当发生突然事件时,一旦记忆偏差无法快速调看突发事件区域视频,则导致事件处置周期顺延。此外,由于大多数机场视频监控平台分期建设,无法实现多视频系统平台的统一管理,不能有效整合多种视频资源数据进行可视化展示,无法为决策者提供有效的指挥依据。因此需要基于智能分析的监控视频整合平台并在此基础上进行数据展示并进行预警。本文主要阐述在传统视频监控平台的基础上基于图像处理技术针对不同场景进行处理,并将视频信息系统化进行展示。本文中针对门禁人脸识别模块、车辆信息监控模块、车辆航空器识别模块、重点区域监控模块的详细设计进行了详细的阐述。通过对人、车、航空器以及重点区域四方面的监控达到对机场内部情况的完全掌控,将碎片化视频进行信息化展示。将进出布防区域的人、车、航空器以及重点区域预警信息详情展示在B/S网站上,以直观的形式进行呈现。大大减少了监控人员的监控强度,最终达到视频信息同步观...
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：120 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 引言
1.1 项目背景及研究意义
1.1.1 项目背景介绍
1.1.2 项目研究意义
1.2 国内外研究现状
1.2.1 人脸识别
1.2.2 车牌号识别
1.2.3 车辆及航空器检测
1.2.4 重点区域监控
1.3 论文研究思路
1.4 论文结构
1.5 本章小结
2 相关技术方法分析
2.1 人脸识别
2.1.1 Harr特征
2.1.2 Adaboost算法介绍
2.1.3 LBP介绍
2.2 车牌号识别
2.2.1 高斯模糊
2.2.2 HSV颜色空间
2.2.3 SVM模型
2.3 车辆航空器识别
2.3.1 深度学习
2.3.2 SSD卷积神经网络
2.4 重点区域监控
2.4.1 帧差法
2.4.2 ViBe算法
2.5 本章小结
3 系统需求分析
3.1 系统概述
3.2 平台建设环境要求
3.3 系统功能需求
3.3.1 门禁人脸识别需求分析
3.3.2 车辆信息监控需求分析
3.3.3 车辆识别监控需求分析
3.3.4 航空器识别监控需求分析
3.3.5 重点区域监控需求分析
3.4 系统非功能性需求
3.5 本章小结
4 系统概要设计
4.1 系统物理架构
4.2 系统体系结构
4.3 系统功能模块划分
4.4 系统数据库设计
4.5 系统设计依据
4.6 本章小结
5 详细设计与实现
5.1 人脸识别
5.1.1 数据采集
5.1.2 人脸检测
5.1.3 数据训练
5.1.4 人脸识别
5.2 车牌号识别
5.2.1 车牌定位
5.2.2 车牌字符分割
5.2.3 车牌字符识别
5.3 车辆、航空器识别
5.3.1 数据准备
5.3.2 数据标注
5.3.3 训练网络
5.3.4 效果展示
5.3.5 车辆计数
5.4 重点区域监控
5.4.1 遗留物检测
5.4.2 绊线检测
5.4.3 行人徘徊检测
5.4.4 警戒区入侵检测
5.5 网站页面展示
5.5.1 系统登录页面展示
5.5.2 监控主页面展示
5.5.3 门禁人脸识别页面展示
5.5.4 车辆信息监控页面展示
5.5.5 重点区域监控页面展示
5.6 本章小结
6 系统测试与验证
6.1 系统环境配置
6.2 功能测试与结果分析
6.3 性能测试
6.4 本章小结
7 总结
参考文献
作者简历
学位论文数据集
【参考文献】：
期刊论文
[1]基于改进Vibe算法与多特征的智能交通系统[J]. 周森鹏,穆平安,张仁杰. 软件导刊. 2019(06)
[2]基于帧差与背景差分的改进目标识别算法[J]. 赵柏山,郑茂凯,张帆. 通信技术. 2018(11)
[3]Experimental analysis of considering the sound pressure distribution pattern at the ear canal entrance as an unrevealed head-related localization clue[J]. TONG Xin,QI Na,MENG Zihou. Chinese Journal of Acoustics. 2018(01)
[4]Retrieval of Land-surface Temperature from AMSR2 Data Using a Deep Dynamic Learning Neural Network[J]. MAO Kebiao,ZUO Zhiyuan,SHEN Xinyi,XU Tongren,GAO Chunyu,LIU Guang. Chinese Geographical Science. 2018(01)
[5]Online Unsupervised Learning Classification of Pedestrian and Vehicle for Video Surveillance[J]. HE Yi,SANG Nong,GAO Changxin,HAN Jun. Chinese Journal of Electronics. 2017(01)
[6]Spatial-Aware Supervised Learning for Hyper-Spectral Image Classification Comprehensive Assessment[J]. SOOMRO Bushra Naz,肖亮,SOOMRO Shahzad Hyder,MOLAEI Mohsen. Journal of Donghua University（English Edition）. 2016(06)
[7]深度学习在控制领域的研究现状与展望[J]. 段艳杰,吕宜生,张杰,赵学亮,王飞跃. 自动化学报. 2016(05)
[8]机场安防集成技术的发展与应用探析[J]. 韩伟钟. 中国安防. 2015(12)
[9]复杂环境下的智能视频监控技术研究[J]. 关杰,林晓燕,郑练,赵炜铭. 新技术新工艺. 2014(10)
[10]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
硕士论文
[1]基于Kinect的手势识别与三指灵巧手交互研究[D]. 杜新怡.兰州理工大学 2018
[2]监控视频中运动目标检测和追踪技术研究与实现[D]. 高远.河南大学 2018
[3]基于卷积神经网络的静态面部表情识别研究[D]. 吕曼.合肥工业大学 2018
[4]基于机器学习的车牌识别算法研究[D]. 李佩伦.电子科技大学 2018
[5]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[6]基于深度学习的车牌识别技术研究[D]. 赵振兴.青岛科技大学 2017
[7]基于机器学习的车牌识别算法研究[D]. 杜伟.沈阳师范大学 2017
[8]便携式智能监控系统的研究[D]. 马兰.南京林业大学 2014
本文编号：3044880
【文章来源】：北京交通大学北京市 211工程院校 教育部直属院校
【文章页数】：120 页
【学位级别】：硕士
【文章目录】：
致谢
摘要
ABSTRACT
1 引言
1.1 项目背景及研究意义
1.1.1 项目背景介绍
1.1.2 项目研究意义
1.2 国内外研究现状
1.2.1 人脸识别
1.2.2 车牌号识别
1.2.3 车辆及航空器检测
1.2.4 重点区域监控
1.3 论文研究思路
1.4 论文结构
1.5 本章小结
2 相关技术方法分析
2.1 人脸识别
2.1.1 Harr特征
2.1.2 Adaboost算法介绍
2.1.3 LBP介绍
2.2 车牌号识别
2.2.1 高斯模糊
2.2.2 HSV颜色空间
2.2.3 SVM模型
2.3 车辆航空器识别
2.3.1 深度学习
2.3.2 SSD卷积神经网络
2.4 重点区域监控
2.4.1 帧差法
2.4.2 ViBe算法
2.5 本章小结
3 系统需求分析
3.1 系统概述
3.2 平台建设环境要求
3.3 系统功能需求
3.3.1 门禁人脸识别需求分析
3.3.2 车辆信息监控需求分析
3.3.3 车辆识别监控需求分析
3.3.4 航空器识别监控需求分析
3.3.5 重点区域监控需求分析
3.4 系统非功能性需求
3.5 本章小结
4 系统概要设计
4.1 系统物理架构
4.2 系统体系结构
4.3 系统功能模块划分
4.4 系统数据库设计
4.5 系统设计依据
4.6 本章小结
5 详细设计与实现
5.1 人脸识别
5.1.1 数据采集
5.1.2 人脸检测
5.1.3 数据训练
5.1.4 人脸识别
5.2 车牌号识别
5.2.1 车牌定位
5.2.2 车牌字符分割
5.2.3 车牌字符识别
5.3 车辆、航空器识别
5.3.1 数据准备
5.3.2 数据标注
5.3.3 训练网络
5.3.4 效果展示
5.3.5 车辆计数
5.4 重点区域监控
5.4.1 遗留物检测
5.4.2 绊线检测
5.4.3 行人徘徊检测
5.4.4 警戒区入侵检测
5.5 网站页面展示
5.5.1 系统登录页面展示
5.5.2 监控主页面展示
5.5.3 门禁人脸识别页面展示
5.5.4 车辆信息监控页面展示
5.5.5 重点区域监控页面展示
5.6 本章小结
6 系统测试与验证
6.1 系统环境配置
6.2 功能测试与结果分析
6.3 性能测试
6.4 本章小结
7 总结
参考文献
作者简历
学位论文数据集
【参考文献】：
期刊论文
[1]基于改进Vibe算法与多特征的智能交通系统[J]. 周森鹏,穆平安,张仁杰. 软件导刊. 2019(06)
[2]基于帧差与背景差分的改进目标识别算法[J]. 赵柏山,郑茂凯,张帆. 通信技术. 2018(11)
[3]Experimental analysis of considering the sound pressure distribution pattern at the ear canal entrance as an unrevealed head-related localization clue[J]. TONG Xin,QI Na,MENG Zihou. Chinese Journal of Acoustics. 2018(01)
[4]Retrieval of Land-surface Temperature from AMSR2 Data Using a Deep Dynamic Learning Neural Network[J]. MAO Kebiao,ZUO Zhiyuan,SHEN Xinyi,XU Tongren,GAO Chunyu,LIU Guang. Chinese Geographical Science. 2018(01)
[5]Online Unsupervised Learning Classification of Pedestrian and Vehicle for Video Surveillance[J]. HE Yi,SANG Nong,GAO Changxin,HAN Jun. Chinese Journal of Electronics. 2017(01)
[6]Spatial-Aware Supervised Learning for Hyper-Spectral Image Classification Comprehensive Assessment[J]. SOOMRO Bushra Naz,肖亮,SOOMRO Shahzad Hyder,MOLAEI Mohsen. Journal of Donghua University（English Edition）. 2016(06)
[7]深度学习在控制领域的研究现状与展望[J]. 段艳杰,吕宜生,张杰,赵学亮,王飞跃. 自动化学报. 2016(05)
[8]机场安防集成技术的发展与应用探析[J]. 韩伟钟. 中国安防. 2015(12)
[9]复杂环境下的智能视频监控技术研究[J]. 关杰,林晓燕,郑练,赵炜铭. 新技术新工艺. 2014(10)
[10]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
硕士论文
[1]基于Kinect的手势识别与三指灵巧手交互研究[D]. 杜新怡.兰州理工大学 2018
[2]监控视频中运动目标检测和追踪技术研究与实现[D]. 高远.河南大学 2018
[3]基于卷积神经网络的静态面部表情识别研究[D]. 吕曼.合肥工业大学 2018
[4]基于机器学习的车牌识别算法研究[D]. 李佩伦.电子科技大学 2018
[5]基于卷积神经网络的图像识别[D]. 蒋帅.吉林大学 2017
[6]基于深度学习的车牌识别技术研究[D]. 赵振兴.青岛科技大学 2017
[7]基于机器学习的车牌识别算法研究[D]. 杜伟.沈阳师范大学 2017
[8]便携式智能监控系统的研究[D]. 马兰.南京林业大学 2014
本文编号：3044880
本文链接：https://www.wllwen.com/kejilunwen/hangkongsky/3044880.html
