索引术语 |
| 大数据、计算机视觉分布并行计算、MachineLearning、视频语义学、视频监视、Hadoop、OpenCV、样本框架 |
导 言 |
| 各种反社会活动的兴起,如窃取、炸弹攻击、其他恐怖袭击等,实际上已导致需要视频监视系统系统帮助监测和警示环境各种威胁研究者可靠强健帮助检测移动对象、分类、跟踪和活动分析更泛泛地说,弃物被视为在特定地点实际留守并留守一段时间的物体。定时框架应保持静态检测弃物被认为在机场、火车站、商行等公共场所非常重要哪里实际有高安全威胁弃物检测是视频监控系统 最具挑战性任务有许多研究正在进行中 提高效率并实现监控系统自动化 提高性能这些数据大到大数大 |
| 大数据实际应用于各种数据集,其尺寸超出传统关系数据库以低延度捕获、管理处理数据的实际能力特性如下-高容量、高速和多样性大数据来自各种传感器、设备、视频/audio、网络、日志文件、事务应用、 web 和各种社交媒体,其中大都实时生成并大规模生成卷指从各种源生成的大量数据多样性指使用各种多类数据分析状况或事件速度指生成大数据并处理成有用资料的速率 |
| 视觉监视系统复杂度高越来越多的监控摄像头 实际出现在我们周围 驱动对视频监控自动化方法的需求这些方法实际上有广度应用,包括各种监视加强各种公共交通安全、商场等公共区、火车站等自动监控势在必行近段时间以来,在弃物检测系统领域进行了大量研究,这些系统配有适当的人控闭路电视系统为提高系统质量和有效性,研究人员以各种方式建议和实施各种算法和技术并使用mat实验室Java等语言,处理速度这些语言缓慢OpenCV工具与微软视觉演播室2013使用 |
互连检测 |
| 大量工作建议并完成 弃物检测论文作者建议人随包移动,不离开包场,这是正常活动活动结果显示为000000000并随袋移动并离开包,因此是可疑活动111111111111111111.待处理的各种问题包括在规定时间内环境多对象检测,生成极低假报警器和缺失检测器,检测视频监视系统异常性论文[7]作者建议,如果选择人与非人对象类废弃清除对象检测,则人检测过程将被跳转并使用PETS2006和PETS2007数据集各种挑战作者还有待克服,包括在摄像头瞬间隐蔽和快速照明变化论文作者[8] 面临挑战,包括在前台和后台检测相似对象并加所有弃物不脆弱论文使用数据集PETS2006和PETS2007 |
| 论文中各种观察包括单背景模型对短期光照变化敏感并实现目标识别精度约95%,以便能够现实实施监视系统或进一步分析人的行为论文作者建议机场监视系统,由一人离开包靠近电梯并识别对象为废弃作者面临的各种挑战包括跟踪复杂环境中多人此外,作者提议的系统忽略小对象分类,这是拟议系统缺陷,其他问题包括检测显示异常行为作者允诺消除隔离问题,消除阴影作者使用复杂环境数据集,包括机场 |
系统概述 |
| 基于文献调查各种弃物检测,常见挑战包括消除隔离性、点光变化和处理速度本文建议系统消除上述缺陷整个视频监视系统检测弃物,通过Hadeop框架并行分布环境实施,以提高声明速度效率 |
| 子系统沿LIFO模型进一步处理 |
| 系统输入流数据形式被视为大数据,它涉及巨大的体积、速度和多样性,由地图缩排算法处理视频流输入数节点按需求处理并生成输出以检测废弃对象改善处理时间 |
| 环境需要识别可能以恐怖活动形式威胁系统,系统必须能快速完成同样任务所拟系统通过实施视觉监视系统实现同样目标,即检测Hadeop废弃物体 |
3.1兴趣区 |
| 兴趣区域为数据集内为特定目的所选子集兴趣区因环境而异兴趣区为子集环境首次检测到背景对象并视之为与环境相关静态对象在此系统中,摄像头检测到的第一个环境框架被取为样本检测感兴趣区域检测到的第一个框架被视为后台子系统,从中检测到单个静态对象并存储子系统中,作为感兴趣的区域区域兴趣分两个不同阶段系统首先检测后台系统感兴趣区域并分存 |
3.2 视频段 |
| 视频分割旨在调制各级监控视频以方便处理视频视频可分级不同层次,如场景、射击和框架框架最小分割性, 即每个框架只包含静态对象中拟系统框架用于检测对象和对Hadoop并行处理相片视频分解成各种场景、镜头和框架视频调制成镜头shots是框架集互不关联shot边界通过比较互不关联的框架检测每一镜头由数框架组成每一框架由多种信息组成,如后台模型、前台对象.eg框架处理分两个不同阶段完成背景相减前台采掘 |
3.3 后台分页和前台异常 |
| 背景减法涉及比较样本框架和已存储背景对象子集常用背景对象使用边缘检测法检测对象边界提取边缘检测方案指根据像素配置区分对象的尺度,如颜色清晰度比较后台对象时检测到,从兴趣框中掩码.然后从框中从样本框中除去后从框中除去后继步骤后,前台对象取自样本框架前景对象通过检测对象边界提取,从样本中分离并存储到LIFO模型单栈中这些都是新框架中检测到的前景对象,被视为非分类对象 |
| 取所有相框并存储每个前景对象栈中所有对象都用于建前台模型 |
3.4目标统计和寻路 |
| Blob分析技术用于对象跟踪BLOB二大对象Blob视频区域中有些对象常数或定界内变化.blob中所有点从某种意义上都可认为相似.blob分析包含各种步骤,如从前景模型提取对象,根据噪声清除图和对象增强从空间精炼对象阴影检测并清除对象从前景检测到对象按形状、大小和边缘进行统计分析并检查对象是否静态超过特定框架水平,然后对象定性为静态对象 |
3.5 Hadow |
| 视频中每拍都被视为互为独立,并平行分布于Hadeoop框架使用MapServe算法系统单片分发到单个处理系统并并行处理,以提高检测弃物的时间效率并行处理结果集再次分组成单输出使用MapServe算法 |
| Fig3解释地图缩放视频监控系统Live视频流提供输入系统,然后将视频分解成数个输入函数由地图算法执行向分布式系统内同时处理的每个节点提供分解输入视频拆分成数框架并同时执行系统内每个节点生成输出后归为单输出处理框架压缩并合并成单输出此处,在建议系统中,结果指检测弃物系统使用horton工作dataftforms2.0hadoop系统所需节点数因环境而异,受各种因素制约,包括复杂性、环境行为 |
系统整理数据 |
| 拟系统开发使用OpenCV 2.4.8系统通过Hadeop Horton工作平台2.0Windows操作系统处理分布式环境标准2.0MegapixelWeb相机用于实验全系统运行窗口服务器2008/2012操作系统,以便处理环境有主节点和奴隶节点Visiew演播室剖面图和性能评价工具用于评价处理速度和精度执行视频流现场任何给定地点都考虑实验目的复杂环境多对象、弹射和移动对象考虑对系统精度进行剖析和评价系统接受直播流并记录数据输入. |
限制 |
| 视频数据流在序列的任何阶段不独立难于将视频序列编译为互不关联的相片. 即使射线边界有效, 也不可能完全消除框架间的依存性可能导致误预测hadoop框架不可信处理保密视频流数据需要单设安全并行分布环境供每个阶段处理特征定义对象与考虑的每一种情况不同需要建议一种新的算法 识别静态对象 |
结晶 |
| 下图5系统启动后初始框架定为后台二维框中检测到静态对象系统绘制所有对象的轮廓,包括移动对象,但据说静态对象在后台更新系统分类静态对象移动检测到的移动对象忽略对象据说静态检测系统用检测对象更新初始背景系统还可以指定时间段,对象被称为静态Fig 6清晰显示场景中废弃对象检测结果,并初始后台更新相同结果显示数据集用于实验目的,效率确定基于前文提到的数据集,该数据集包括复杂环境 |
处理速度效率 |
| 图6显示用处理速度测量的效率和性能,而不使用HDP2.0实施拟议系统,图7显示系统性能度量值,而系统使用HDP2.0hadoop框架实施时系统性能度量值上系统的问题是虚报或意外分发对象和虚报率 |
结论 |
| 论文建议视频监视系统使用Hadeop horton数据平台2.0提高性能和效率处理速度以文献调查为基础, 系统努力克服现有系统遗留问题,系统能分类检测弃物并更新消除隔离是拟议目标的一部分,但实验结果不值得称道以证明系统克服隔离并因此继续阻碍效率系统使用Hadeop实现优异处理时间,并比照现有系统系统将努力解决未来隔离问题 |
|
图一览 |
|
|
引用 |
- 徐Z2010智能视频监视系统
- SinghS(2012)大数据分析
- 郑治JJJJJLYUMR2013服务创大数据AsservationService
- KatalA,WazidM,GoudarRH(2013) 大数据:问题、挑战、工具与良好做法
- Chemsford2013质量研究:零售商使用IP视频监控来预防今日损失,商业性能明天
- aulBorkar, NagmodeMS,pimlaskarD(2013)实时用Opencv搜包
- RAMCHandranKNN,SajithK(2013)
- 天 Y,FerisRS,LiuH,HampurA,SunMT(2011年)
- Scheele B(2004年)自动检测跟踪弃物
- 弃物识别使用行人检测器(2013年)
|
菜单类
