《硕士开题报告5》由会员分享，可在线阅读，更多相关《硕士开题报告5（10页珍藏版）》请在金锄头文库上搜索。
1、长春工业大学研究生硕士学位论文开题报告论文题 目：智能视频监控系统场景分析技术研究 专业名称：信号与信息处理入 学 时 间： 2009年9月研究生姓名：导师姓名：填表时间：2010 年 10 月 8 日长春工业大学研究生学院制研究生硕士学位论文开题报告程序1、学生和导师共同根据导师研究方向及实际条件准备开题报告。2、开题报告工作时间一般为四周。3、各院主管院长组织本单位所属各学科、专业论文开题报告答辩委员会， 并且组织学生及导师进行开题报告答辩工作。答辩委员会成员应由各院分学术 委员会成员组成，答辩会议由各院分学术委员会主席主持。答辩会议应坚持公 开、公正、严肃、认真的原则。4、各学科、专业论
2、文开题报告答辩委员会成员在学生答辩后应采取表决方 式，依据同意人数超过总人数三分之二的原则来决定该学生的开题报告是否合 格，并由各院主管主任在开题报告的院意见栏内签署意见。5、各院主管院长应在论文开题报告答辩会议前二周将答辩会议日程安排报 研究生学院。6、各院论文开题报告答辩结束后，二天内应汇总全部开题报告送研究生学 院审批。研究生学院在二周内将审批结果通知各单位，各单位应立即将审批结 果告知导师及学生。开题报告留研究生学院存档。7、各学科、专业开题报告的答辩审核工作应在研究生学院的规定时间内完 成。对于因学生或导师的原因在规定时间内完不成开题报告，或开题报告选题 不符合本学科、专业培养目标及
3、开题报告答辩未予通过等情况，研究生学院可 延长该生在校学习时间或提出更换导师的建议报校学术委员会审批。A：研究生论文选题的来源及意义选题来源：自拟课题选题意义：智能视频监控(IVS, Intelligent Video Surveillance )源自计算机视觉(CV, Computer Vision)技术，它是在图像及图像描述之间建立关系，从而使计算机能够通过 数字图像处理和分析来理解视频画面中的内容，达到自动分析和抽取视频源中关键信息 的目的。如何能更好的理解其所获取的场景图像信息，或者具有与人类思维模式相类似 的图像认知能力，是其中重要的一个研究方面。以场景图像为背景而服务于人类生活的
4、科学和技术得到了快速的发展，被广泛的应用在各个行业之中。从技术的角度而言主要是基于视觉分析理论，包括图像分割、特征提取、区域标记 等几个部分。其中涉及到计算机视觉、图像处理、人工智能等领域。为了解释场景的内 容，得到对场景的描述，需要建立高层场景概念描述与低层图像视觉特征之间的联系， 在对场景图像处理和分析的基础上，识别和定位场景中包含的景物以及它们之间的空间 关系。对于室外场景，这无疑是非常困难的，因为室外场景中的景物可以有任意的大小、 形状和位置，光照条件的变化，以及存在大量的遮挡，导致了同一景物类的不同实体存 在较大的可变性，这些引起了人们极大的研究热情。随着计算机软件、硬件技术日新月异
5、的发展和普及，通过摄像机监控动态场景，已 得到了广泛的应用，并随着其功能的完善也在社会生活的方方面面发挥着越来越重要的 作用。智能视频监视可以用于银行、机场、政府重要部门等场景下的无人值守，提供报 警，保证安全；可以用于高速公路的车流量检测，交通违章以及意外事故检测；可以监 视拥挤的行人群，或根据车辆的轨迹，预测目标可能遭遇的危险等等，具有广泛的应用 前景及巨大的经济价值。B：论文选题在该领域国内、国外研究现状随着计算机视觉技术和认知学的快速发展，对场景图像中单一形式物体的识别逐 渐过渡到对类内多形式物体的识别，以及场景的全局理解和场景物体间关联信息的建模。 从场景建模角度来看，马尔可夫随机场
6、(Markov random Field， MRF)、条件随机场 (Conditionalrandom Field，CRF)等模型的使用增强了场景信息的关联，这使得场景及场 景中物体辨识的速度和精度都有所提高。从场景特征描述的角度来看，Lowe给出场景尺 度不变描述符SIFT (Scale-invariant feature transform)，该局部描述符对尺度、平移、旋转 等变换具有较好的不变性。Shotton等选取图像局部区域内的Texton个数作为特征，采用Boosting算法训练得到 大量置信度较低的弱分类器，进而联合得到可取得较好分类效果的强分类器，从而达到 对纹理、形状和场景语
7、境信息的联合建模。由于算法需要经过多次滤波得到Texton特征 以及K均值聚类的耗时性造成了算法的低效率，并且需要占用大量内存空间，但该方法 所提出的TextonBoost分类辨识思想对该领域的研究工作具有良好的启发性。Verbeek等 综合了基于概率的潜在语义分析模型(Probabilistic latent semantic analysis，PLSA)和马尔 可夫随机场的优点来对图像区域进行分类辨识o Torralba等提出共享特征机制并通过多任 务学习获得不同物体的公共特征，从而减少了多物体识别的计算量。Fauqueur等充分利 用视频帧间的关联信息，采用局部SIFT特征进行帧间区域跟
8、踪和标记传播，降低了场景 辨识的计算量，同时该工作为采用视频分析手段进行场景理解开拓了思路。王璐等利用视觉局部显著区域对自然场景进行辨识和理解，通过提取场景认知过程 中的感兴趣区域，大大提高了算法的实时性。Huhns等通过训练获得不同场景类别颜色 分量阈值，进而采用基于规则的方法对不同地貌进行分类辨识，所构建的系统具有良好 的实时性。在多传感器信息融合方面，Kelly等从不同种类视觉传感器获得场景信号的 多角度表征，进而对场景从不同方面加以测量，从而有效地对不同地形进行检测和分类。 Schafer利用激光、立体视觉传感器获得场景的深度信息。由于场景分析在科学技术研究和工程应用上有着十分诱人的前
9、景，研究人员仍然在 做不懈地努力。分析的准确性是困扰技术人员的一大难题。为此，寻求一种有效的方法 成为解决问题的重要途径。C :论文选题的理论依据、研究方法、研究内容、实施方案和拟解决的关键问题选题的理论依据：1. 图像分割理论2. 吉布斯分布3. 马尔可夫随机场模型研究方法：用摄像机去观察同一场景，获得一幅场景图像，然后通过图像分割、特征提取 和区域分类原理对获得的场景进行分析，进而将场景中的不同景物区分开，并标注出每 个区域。研究内容：首先将输入场景图像分割为一些封闭区域，理想情况下这些区域对应于场景中的某 个景物或部分景物；然后经过特征提取，每个区域描述为一个特征集合，该集合表示区 域的
10、低层视觉属性，这些特征集合描述将作为学习机的输入；最后利用学习算法对图像 区域的分类，标注出各区域的语义类别。实施方案：1. 用摄像机采集场景视频图像。2. 对采集的图像进行数学建模，对图像进行分割。3. 根据纹理、颜色、形状进行特征提取。4. 将具有相同特征的区域进行分类和标注。5.拟解决的关键问题:对选定的方案进行测试，并不断的改进和完善。1. 用何种数学模型对场景进行建模。2. 用何种图像特征来有效的描述图像，涉及到特征提取问题。3. 用何种图像分割的方式，对图像的子块或像素进行有效的识别。D：论文选题研究工作基础条件和可能出现的问题（实验设备、研究资料 等）1本论文实验采用计算机仿真实
11、验，已有微机一台，摄像头两个，具备完成该论文的实 验条件。2目前，我已查阅了大量的相关资料，对智能视频件系统场景分析有了一定的了解，也 对其撰写论文所用到的相关软件硬件有一定的了解。E论文选题前期准备工作（调研工作及10篇以上主要参考文献）1 Pushmeet，Kohli，Lubor Lad icky ，Philip H.S. Torr. Robust Higher Order Potentials for Enforcing Label Consistency. Springer Science Business Media， 2009.2 Karteek Alahari，Pushmeet
12、Kohli，Philip H. S. Torr. Reduce，Reuse & Recycle： Efficiently Solving Multi-Label MRFs. Oxford Brookes University， 2008.3 Z. Fu A. Robles-Kelly. A quadratic programming approach to image labeling. IET Compute. Vol. 2， No. 4， pages 193-207， 2008.4 Robert T. Collins， Alan J. Lipton， Takeo Kanade， Hiron
13、obu Fujiyoshi， David Duggins，Yanghai Tsin， David Tolliver， Nobuyoshi Enomoto， Osamu Hasegawa， Peter Burt1 and Lambert Wixsonl. A System for Video Surveillance and Monitoring. The Robotics Institute，Carnegie Mellon University，Pittsburgh PAThe Sarnoff Corporation，Princeton， NJ.5 Changick Kim, Jenq-Nen
14、g Hwang. Object-Based Video Abstraction for Video Surveillance Systems. IEEE Transactions on Circuits and Systems for Video Technology. Vol. 12， No. 12， December 2002.6 J.W.Woods . Two-Discrete Markovian Field . IEEE Transactions on Information Theory. March 1972， pages232-240.7 A.K.Jain. Advances i
15、n Mathematical Models for Image processing. Processing of theIEEE. May 1981，pages502-528.8 G.R.Cross and A.K.Jain. Markov Random Field texture Models. IEEE Transactions on Pattern Analysis and Machine Intelligence. January 1983， pages25-39.9 R.L.Kashyap. Univariate and Multivariate Random Field Mode
16、ls for Image. ComputerGraphics and Image Processing. Vol. 12. 1980，pages257-270.10 李旭超，朱善安.图像分割中的马尔可夫随机场方法综述.中国图象图形学 报. Vol. 12, No. 5, May, 2007, PP789-798.11 蒋永馨，金俣欣，王孝通，黄华.基于马尔可夫随机场的运动目标检测.计算机工 程与应用.2010，PP182-184.12 谢凤英，赵丹培.VC+数字图像处理.北京：电子工业出版社，2008.13 李子青国内智能视频监控技术的发展.Intelligent Building，2008.14 周箴毅，胡福乔
