基于卷积神经网络的视频监控故障检测系统设计与实现
发布时间：2022-11-05 10:56
长期以来,监控视频的故障检测都由管理人员人工浏览,对于时间和人力的消耗巨大且难以保持24小时的持续检测,故障无法在第一时间发现并解决。文章将使用深度学习的方法实现对监控视频的全自动故障检测。深度学习是现在人工智能领域进步最大的技术之一,而卷积神经网络则是深度学习模型中在图像处理方面具有显著效果的代表。相较于传统神经网络,卷积神经网络可以自动对图像特征进行提取与学习,并给出精确的分类和预测,此外其对于图片的缩放、拉伸、扭曲都具有很好的鲁棒性。论文介绍了视频监控现在的发展情况,对其系统结构、各部分工作原理以及特征进行了详细描述,并且针对监控视频中最常见的故障根据现象进行了分类,详细阐述了各种故障情况的特征、发生原因,罗列了故障对应的多种处理方式。随后,引出了图像质量评价的手段,文章结合了客观评价的方法和视频监控系统的特点及评判标准,构建了一套适用于视频监控故障判断的全新标准,并通过MSCN归一化处理和卷积神经网络模型实现了视频故障判断。之后,对基础的卷积神经网络模型进行优化,通过改变预处理手段和Leaky-ReLU激活函数及交叉熵代价函数的引入,使调整后的网络更适应于监控视频的特征,实现对...
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题背景
1.2 国内外研究现状
1.3 研究目标及研究内容
1.3.1 研究目标
1.3.2 论文难点
1.3.3 研究内容
1.4 论文结构安排
第二章 视频监控系统及常见故障
2.1 安防监控系统
2.1.1 现代安防监控系统
2.1.2 安防监控系统主要组成部分
2.1.3 安防监控系统技术标准
2.2 当前主流视频监控图像封装及编码格式
2.3 常见视频故障及其原因
2.3.1 清晰度异常
2.3.2 亮度异常
2.3.3 画面异常
2.3.4 画面干扰
2.3.5 信号丢失
2.4 本章小结
第三章 卷积神经网络理论基础
3.1 神经网络算法和深度神经网络算法
3.2 卷积神经网络算法
3.2.1 基础的卷积神经网络结构
3.2.2 卷积层
3.2.3 下采样层
3.2.4 全连接层
3.3 卷积神经网络算法运行原理
3.3.1 网络的前向传播
3.3.2 网络的反向传播
3.4 卷积神经网络模型的选择
3.5 基于卷积神经网络的监控视频故障分析
3.6 本章小结
第四章 基于IQA的监控视频故障判断功能
4.1 图像质量评价(IQA)
4.1.1 主观评价
4.1.2 客观评价
4.2 构建监控图像故障数据集
4.2.1 常见图像评价数据库及数据集选择标准
4.2.2 构建监控图像质量评价数据集
4.2.3 确定监控图像质量评价标准
4.3 算法设计
4.3.1 图像预处理
4.3.2 故障判断算法结构介绍
4.4 模型训练及参数调整
4.4.1 样本的选择及处理
4.4.2 网络参数调整
4.5 测试结论与分析
4.6 本章小结
第五章 视频监控故障分类功能的设计与实现
5.1 视频监控故障分类算法设计
5.2 卷积神经网络设计
5.2.1 激活函数的选择
5.2.2 代价函数的选择
5.2.3 dropout层
5.3 样本选择及参数调整
5.3.1 样本构成及预处理
5.3.2 网络参数调整
5.4 测试结果对比
5.5 本章小结
第六章 视频监控故障检测系统的实现
6.1 系统需求及功能设计
6.2 系统开发环境
6.3 系统搭建
6.4 两阶段系统的运行过程
6.4.1 图像质量评价阶段
6.4.2 图像故障分类阶段
6.5 系统各功能模块介绍及实现
6.5.1 视频帧提取模块
6.5.2 样本预处理模块
6.5.3 质量评价模块
6.5.4 故障分类模块
6.5.5 TFRecord数据集读写模块
6.6 系统运行情况总结及分析
6.6.1 视频监控故障检测系统试运行
6.6.2 运行结果总结
6.6.3 运行结果分析
6.7 本章小结
第七章 结论
7.1 本文的主要工作与创新点
7.2 下一步工作的展望
参考文献
致谢
【参考文献】：
期刊论文
[1]安防监控系统的设计探讨[J]. 黄文. 电子世界. 2017(15)
[2]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
[3]基于深度学习模型的图像质量评价方法[J]. 李琳,余胜生. 华中科技大学学报(自然科学版). 2016(12)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]基于卷积神经网络的视频图像失真检测及分类[J]. 邬美银,陈黎,田菁. 计算机应用研究. 2016(09)
[6]视频安防监控系统结构的比较分析[J]. 林少聪. 智能建筑. 2014(12)
[7]视频监控画面质量检测研究[J]. 侯忠辉. 计算机安全. 2013(05)
[8]视频监控技术的发展与现状[J]. 杨建全,梁华,王成友. 现代电子技术. 2006(21)
硕士论文
[1]基于卷积神经网络的图像分类技术研究[D]. 楚敏南.湘潭大学 2015
[2]家庭安防监控系统的研究[D]. 黄锐.武汉理工大学 2014
[3]基于图像分析的监控视频图像异常诊断系统的研究与实现[D]. 欧阳伟.华中师范大学 2012
[4]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3702476
【文章页数】：63 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题背景
1.2 国内外研究现状
1.3 研究目标及研究内容
1.3.1 研究目标
1.3.2 论文难点
1.3.3 研究内容
1.4 论文结构安排
第二章 视频监控系统及常见故障
2.1 安防监控系统
2.1.1 现代安防监控系统
2.1.2 安防监控系统主要组成部分
2.1.3 安防监控系统技术标准
2.2 当前主流视频监控图像封装及编码格式
2.3 常见视频故障及其原因
2.3.1 清晰度异常
2.3.2 亮度异常
2.3.3 画面异常
2.3.4 画面干扰
2.3.5 信号丢失
2.4 本章小结
第三章 卷积神经网络理论基础
3.1 神经网络算法和深度神经网络算法
3.2 卷积神经网络算法
3.2.1 基础的卷积神经网络结构
3.2.2 卷积层
3.2.3 下采样层
3.2.4 全连接层
3.3 卷积神经网络算法运行原理
3.3.1 网络的前向传播
3.3.2 网络的反向传播
3.4 卷积神经网络模型的选择
3.5 基于卷积神经网络的监控视频故障分析
3.6 本章小结
第四章 基于IQA的监控视频故障判断功能
4.1 图像质量评价(IQA)
4.1.1 主观评价
4.1.2 客观评价
4.2 构建监控图像故障数据集
4.2.1 常见图像评价数据库及数据集选择标准
4.2.2 构建监控图像质量评价数据集
4.2.3 确定监控图像质量评价标准
4.3 算法设计
4.3.1 图像预处理
4.3.2 故障判断算法结构介绍
4.4 模型训练及参数调整
4.4.1 样本的选择及处理
4.4.2 网络参数调整
4.5 测试结论与分析
4.6 本章小结
第五章 视频监控故障分类功能的设计与实现
5.1 视频监控故障分类算法设计
5.2 卷积神经网络设计
5.2.1 激活函数的选择
5.2.2 代价函数的选择
5.2.3 dropout层
5.3 样本选择及参数调整
5.3.1 样本构成及预处理
5.3.2 网络参数调整
5.4 测试结果对比
5.5 本章小结
第六章 视频监控故障检测系统的实现
6.1 系统需求及功能设计
6.2 系统开发环境
6.3 系统搭建
6.4 两阶段系统的运行过程
6.4.1 图像质量评价阶段
6.4.2 图像故障分类阶段
6.5 系统各功能模块介绍及实现
6.5.1 视频帧提取模块
6.5.2 样本预处理模块
6.5.3 质量评价模块
6.5.4 故障分类模块
6.5.5 TFRecord数据集读写模块
6.6 系统运行情况总结及分析
6.6.1 视频监控故障检测系统试运行
6.6.2 运行结果总结
6.6.3 运行结果分析
6.7 本章小结
第七章 结论
7.1 本文的主要工作与创新点
7.2 下一步工作的展望
参考文献
致谢
【参考文献】：
期刊论文
[1]安防监控系统的设计探讨[J]. 黄文. 电子世界. 2017(15)
[2]卷积神经网络在图像分类和目标检测应用综述[J]. 周俊宇,赵艳明. 计算机工程与应用. 2017(13)
[3]基于深度学习模型的图像质量评价方法[J]. 李琳,余胜生. 华中科技大学学报(自然科学版). 2016(12)
[4]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[5]基于卷积神经网络的视频图像失真检测及分类[J]. 邬美银,陈黎,田菁. 计算机应用研究. 2016(09)
[6]视频安防监控系统结构的比较分析[J]. 林少聪. 智能建筑. 2014(12)
[7]视频监控画面质量检测研究[J]. 侯忠辉. 计算机安全. 2013(05)
[8]视频监控技术的发展与现状[J]. 杨建全,梁华,王成友. 现代电子技术. 2006(21)
硕士论文
[1]基于卷积神经网络的图像分类技术研究[D]. 楚敏南.湘潭大学 2015
[2]家庭安防监控系统的研究[D]. 黄锐.武汉理工大学 2014
[3]基于图像分析的监控视频图像异常诊断系统的研究与实现[D]. 欧阳伟.华中师范大学 2012
[4]卷积神经网络在图像识别上的应用的研究[D]. 许可.浙江大学 2012
本文编号：3702476
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3702476.html
