基于B/S架构的智能家居远程视频监控系统的设计与研究
这是一篇关于嵌入式,B/S结构,运动检测,CGI,智能监控系统的论文, 主要内容为随着经济与科技的飞速发展,生活水平不断的提高,人们越来越关注个人的财产安全。传统的视频监控系统结构复杂、耗费高、不能及时处理突发情况,这种被动的监控模式已经很难满足当今人们对实时监控的要求。本文针对传统视频监控系统的不足,提出了一种基于B/S(Browser/Server)架构,以嵌入式微处理器S3C6410为主要控制芯片的智能家居远程视频监控系统。系统以B/S作为整体架构,主要分为两个部分:嵌入式服务器端和浏览器客户端。大部分的工作都在嵌入式服务器端完成,缩小了升级和维护的耗费,降低了系统的成本。首先建立嵌入式开发环境,包括U-boot移植、内核移植、文件系统的制作;其次,搭建Web服务器和流媒体服务器,并将两者结合起来,完成智能视频监控系统整个服务器的搭建;最后,移植了嵌入式数据库SQlite,用于保存用户信息和用户的登陆验证。在远程控制方面,本系统采用浏览器表单与CGI技术相结合的方式完成。由运行在服务器上的CGI程序解析用户提交的请求表单,最后由应用程序完成用户请求。在运动检测方面,本文在算法的原理、关键技术等方面做了重点的研究分析,对常用的运动检测算法中的帧间差分法和背景差分法进行了实验对比,提出一种基于高斯背景模型的改进型背景建模算法,降低了算法的复杂度,使其能适用于资源较为有限的嵌入式平台上。为了降低由于光线变化带来的影响,本文结合了帧间差分法与背景差分法的思想,提出一种优化方案。该方案可以区分出光线产生的背景变化和真正的运动目标,在一定程度上提高了检测的准确度,降低了检测误差。在警报信息方面,市场上大部分的远程监控系统以APP推送文字信息为主,本系统在发送的邮件中加入当前现场的小段视频信息,使用户可以及时了解监控现场情况。实验结果表明,本文所设计的远程智能监控系统实现了远程监控的功能,在一定程度上降低了系统成本,提高了检测的准确率,具有一定的实用价值。
大场景高杆灯智能照明远程监控系统软件研制
这是一篇关于大场景照明,智能监控系统,多线程管理的论文, 主要内容为随着城市化的发展和公共基础建设的加快,国内外市场对于大场景照明的需求日益增加。现如今,大场景高杆灯照明正在被广泛的应用于道路、桥梁、港口等公共基础设施之中。伴随着计算机技术、通信设备的发展,大场景高杆灯照明不再是传统意义上的灯具照明,它正在结合控制技术、计算机网络和算法策略实现多元化、智能化的照明监控系统。大场景高杆灯照明正在成为未来照明行业的新兴力量,因此,对大场景高杆灯智能照明控制领域的研究有重要意义。首先,本文综述了物联网技术和高杆灯照明监控系统的发展,详细介绍了国内外大场景智能照明监控设施的发展及研究现状。针对目前智能照明控制领域的发展趋势,提出了远程监控系统软件的总体设计方案。其次,探讨了智能照明远程监控系统的物理通信方式和网络通信模式,并针对具体功能制定了详细的通信协议。同时,根据软件架构设计并实现了多线程后台服务器,总结了线程间相互调用与通信方式。接着,阐述了智能照明远程监控系统软件功能模块的逻辑顺序和实现流程,通过功能的核心的代码,说明了功能模块的实现。结合后台多线程管理,阐述了前端界面与后台服务器的交互模式,以及后台服务器对数据库表内容存储和查询的方式。最后,在大场景高杆灯智能照明远程监控系统软件开发工作基本完成的情况下,搭建了系统的测试环境,设计了详细的测试用例,对远程照明监控系统与终端控制器进行了联调测试和独立性测试,并根据测试结果对软件代码进行了修改和完善。
基于深度学习的无重叠视域摄像机行人再识别研究与应用
这是一篇关于行人再识别,特征对齐,多感知尺度,金字塔池化,智能监控系统的论文, 主要内容为行人再识别作为安防领域重要的课题之一,近些年来受到了广泛的关注。随着深度学习技术在该研究方向的成功应用,该技术得到了迅速的发展。但是,在实际场景中,存在行人遮挡、姿态变化等问题,使得行人在不同摄像头的视域中出现较大的外观差异。为了缓解上述问题,本文着重研究无监督条件下的行人再识别任务,提出一种局部对齐特征算法去减少无关区域干扰。同时,提出了多尺度感知池化特征融合的方法去防止关键信息丢失。不仅如此,本文设计了一个B/S架构智能监控系统将该任务应用于实际场景。本文的核心工作内容展列如下:1.针对行人图像对中普遍存在的遮挡及不对齐问题,本文采用了一种基于特征对齐的无监督学习算法。首先,使用一种动态规划的对齐算法实现精确的局部特征对齐,从而减少行人图像的干扰区域块的影响。然后,提取到图像的全局性表征,来保留行人整体的整体信息。最后,将全局表征和局部对齐表征进行联合,这样既保留整张图像特征的完整性又强化了图像的局部表达能力,从而提升基准方法的性能。2.针对深度学习表征会缺失关键信息的问题,本文提出了一个多感知尺度池化的方法。首先对深度网络的表征进行不同尺度池化,构成一种金字塔池化的分层结构,增强感受野的感知能力。然后将原始表征图和尺度池化结果进行融合。该做法不仅可以丰富图像细节,同时能够利用多种感知区域的方式去减少关键信息缺失,使得网络提取的特征更加鲁棒和有效。3.针对行人再识别的应用实践和价值前景,本文构建一个基于B/S架构的跨视域行人再识别智能监控系统,将算法嵌入到实际的监控系统中从而解决现实场景中的行人再识别问题。
基于深度学习的无重叠视域摄像机行人再识别研究与应用
这是一篇关于行人再识别,特征对齐,多感知尺度,金字塔池化,智能监控系统的论文, 主要内容为行人再识别作为安防领域重要的课题之一,近些年来受到了广泛的关注。随着深度学习技术在该研究方向的成功应用,该技术得到了迅速的发展。但是,在实际场景中,存在行人遮挡、姿态变化等问题,使得行人在不同摄像头的视域中出现较大的外观差异。为了缓解上述问题,本文着重研究无监督条件下的行人再识别任务,提出一种局部对齐特征算法去减少无关区域干扰。同时,提出了多尺度感知池化特征融合的方法去防止关键信息丢失。不仅如此,本文设计了一个B/S架构智能监控系统将该任务应用于实际场景。本文的核心工作内容展列如下:1.针对行人图像对中普遍存在的遮挡及不对齐问题,本文采用了一种基于特征对齐的无监督学习算法。首先,使用一种动态规划的对齐算法实现精确的局部特征对齐,从而减少行人图像的干扰区域块的影响。然后,提取到图像的全局性表征,来保留行人整体的整体信息。最后,将全局表征和局部对齐表征进行联合,这样既保留整张图像特征的完整性又强化了图像的局部表达能力,从而提升基准方法的性能。2.针对深度学习表征会缺失关键信息的问题,本文提出了一个多感知尺度池化的方法。首先对深度网络的表征进行不同尺度池化,构成一种金字塔池化的分层结构,增强感受野的感知能力。然后将原始表征图和尺度池化结果进行融合。该做法不仅可以丰富图像细节,同时能够利用多种感知区域的方式去减少关键信息缺失,使得网络提取的特征更加鲁棒和有效。3.针对行人再识别的应用实践和价值前景,本文构建一个基于B/S架构的跨视域行人再识别智能监控系统,将算法嵌入到实际的监控系统中从而解决现实场景中的行人再识别问题。
基于实时目标跟踪的生产安全监控关键技术研究
这是一篇关于智能监控系统,计算机视觉,目标检测,光流法的论文, 主要内容为热电厂的工作现场大型设备较多,并且作业环境相对恶劣,人员在工作过程中的安全需要格外的注重,并且由于热电厂作业流程的连续性,过程中断将会造成大量的原材料损失,因此保证人员安全与生产的正常进行是热电厂的监控重点。然而传统视频监控方式的效果过度依赖于监控室内工作人员的经验以及工作状态,实际监控效果有限。近年来,随着计算机视觉技术与目标检测算法的广泛应用,越来越多的企业选择构建智能监控系统以提升监控质量。在此背景下,本文基于热电厂现状与实际需求,提出了构建智能监控系统的总体方案,并针对热电厂当前存在的运煤车厢初次停靠不到位以及翻车机失速两大安全隐患进行算法设计。本文首先从热电厂实际情况出发,将智能监控系统划分为智能监控预警系统与智能监控管理信息系统,结合需求分析得到智能监控系统的组成,进而提出构建智能监控系统的总体方案。在此基础上,分别构建运煤车厢定位预警算法与翻车机转速监测算法,实现对关键环节的智能监控。在运煤车厢定位预警算法构建过程中,利用Center Net算法对运煤车厢进行识别,进而获取运煤车厢位置。针对算法训练过程中收敛速度较慢的现象对损失函数进行更改,同时针对上采样过程存在的特征缺失现象将特征图金字塔的思想引入上采样结构中,更好的提升了检测效果。获取到位置坐标后,借用蒙板的思想改进了判定预警方法,将运煤车厢与预警线位置坐标比对问题转换为像素点在蒙板图片内输出RGB值的问题,极大程度上减少了计算过程。在翻车机转速监测算法构建过程中,本文首先利用光流法对像素点在视频的相邻两帧内的位移进行获取,然后利用半径与弧长的关系实现由位移计算得到转速,从而实现对翻车机转速的实时监测。经实验验证,本文构建的运煤车厢定位预警算法的检测实时性可达62.108帧/秒,准确性可达80.675%,能够在不同的室外场景下全天候进行应用。构建的翻车机转速监测算法监测对视频相邻两帧之间的转速计算仅需0.043秒,能够应用于不同视角下拍摄的摄像头,方法具有适用性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码工厂 ，原文地址：https://m.bishedaima.com/lunwen/54663.html
