多摄像机协同关注目标检测跟踪技术
出版时间： 2017年版
内容简介
《多摄像机协同关注目标检测跟踪技术》以视频监控中关注人员目标的精准跟踪识别为抓手，以多摄像机联动协同跟踪技术为主线，以视觉基因组为内核，以视频结构化描述技术体系为筋骨，以视频感知融合主动安防机制的现实应用为脉络，通过枪球联动、空地联动、一体化指挥、大场景全景监控、摄像机语音调度、VR可视化应用等热点应用的系统阐述，形成了对当前视频监控应用热点技术图景式的描绘，从技术细节到宏观应用的分层叠进的探索，使得读者对视频监控网络中的多摄像机协同技术及其融合应用的发展脉络有了一个由表及里的立体直观认识。
《多摄像机协同关注目标检测跟踪技术》适宜阅读对象为对多摄像机协同智能视频监控系统有所了解的安防从业技术人员，也可为具备一定的视频结构化分析领域基础知识的科研人员和高年级本科生及研究生提供多摄像机协同跟踪方向较为全面的技术参考。
目录
1 绪论
1．1 视频监控系统的发展
1．1．1 传统视频的不足
1．1．2 智能视频监控的应用
1．1．3 大场景多摄像机协同监控
1．2 视频协同跟踪研究现状
1．3 视频侦查领域的应用需求
2 运动目标检测与跟踪
2．1 运动目标检测
2．1．1 混合高斯建模
2．1．2 光流法
2．1．3 监督学习法
2．2 行人检测算法
2．2．1 头肩模型
2．2．2 DPM模型
2．2．3 行人检测算法评价准则
2．3 跟踪策略分类
2．3．1 点跟踪法
2．3．2 核跟踪法
2．3．3 剪影跟踪法
2．4 常用人体跟踪算法
2．4．1 卡尔曼滤波法
2．4．2 MeanShift算法
3 全景生成及枪球联动
3．1 全景生成技术
3．1．1 静态全景拼接
3．1．2 动态全景拼接
3．2 枪球联动系统简介
3．3 枪球联动系统结构
3．3．1 模拟架构枪球联动
3．3．2 数字高清架构枪球联动
3．3．3 网络高清架构枪球联动
3．4 协同控制策略
3．4．1 目标静止时的协同控制
3．4．2 目标运动时的协同控制
3．4．3 运动状态转换时的协同控制
3．5 “一枪多球”及“多枪一球”
4 人脸检测技术
4．1 人脸检测技术的发展
4．2 常规人脸检测方法
4．2．1 肤色建模
4．2．2 Haar和LBP特征
4．2．3 分类器级联
4．2．4 基于肤色建模与Haar特征的人脸检测
4．3 深度学习框架下的人脸检测
4．3．1 FacenessNet人脸检测算法
4．3．2 SeetaFace人脸检测算法
4．3．3 Faster R-CNN人脸检测算法
4．4 人脸定位与放大
4．5 人脸检测加速技术
5 深度学习机制下的目标识别
5．1 深度学习发展历程
5．2 深度学习主流框架介绍
5．2．1 Caffe
5．2．2 Torch
5．2．3 TensorFlow
5．3 深度学习在人脸检测识别方面的最新进展
5．3．1 科研院所方面的工作
5．3．2 产业方面的工作
5．4 我们的工作
5．4．1 深度学习人脸验证
5．4．2 ImageNet方面的工作
5．4．3 TRECVID方面的工作
6 摄像机标定与图像特征匹配方法研究
6．1 透视摄像机标定方法
6．1．1 传统的摄像机标定方法
6．1．2 摄像机自标定方法
6．2 全景摄像机标定方法
6．2．1 多摄像机联动
6．2．2 鱼眼摄像机标定方法
6．2．3 全向摄像机标定方法
6．3 图像特征匹配方法
6．3．1 特征点匹配
6．3．2 特征直线匹配
6．3．3 重复性纹理图像匹配
7 人员目标结构化描述及检索
7．1 视频结构化描述技术
7．2 视频结构化描述和语义网
7．3 人员信息结构化描述
7．3．1 人员面部信息结构化描述
7．3．2 人员行为模式结构化描述
7．4 个性化检索引擎
8 监控大数据与主动安防体系
8．1 视频监控进入大数据时代
8．1．1 视频大数据的应用难点
8．1．2 基于大数据框架的下一代视频监控系统
8．1．3 基于VSD的监控视频大数据分析
8．2 主动视觉感知融合安防体系
8．2．1 知识图谱
8．2．2 视觉基因组
8．2．3 基于主动视觉融合的安防体系
8．3 语音识别及VR眼镜等新技术的应用
9 视频一体化指挥应用
9．1 发展现状
9．2 立体防控技术解决方案
9．2．1 立体防控技术
9．2．2 大型活动立体防控平台
9．2．3 大型活动立体防控平台应用
9．3 未来工作
10 总结与展望
10．1 本书总结
10．2 领域发展展望
参考文献
