基于计算机视觉的安全检测技术研究与应用

摘要

视频监控是安全检测及防范系统的重要组成部分。目前，视频监控系统基本采用人工监视现场视频和查看回放视频记录的方式来保证安全监测，这种方式往往效率低下，有时甚至忽略重要信息而发生安全隐患。随着计算机视觉技术的飞速发展，用计算机来处理监控数据以其直观、准确、及时等特点成为了智能视频监控技术的研究热点。深度学习因其泛化能力强、识别率高等特点，近十年来，深度学习在人工智能领域取得了重要的突破。将深度学习方法应用到基于计算机视觉的安全检测领域中不仅有较强的理论意义而且还具有重要的实用价值。
　　论文学习了人工神经网络和卷积神经网络的主要结构和原理，分析了视频图像的特征，在此基础上，深入研究了基于深度学习的目标定位和识别方法，设计实现了一种用于安全监测的基于分布式实时计算系统。主要研究工作如下：
　　（1）研究了图像的预处理方法，根据目标图像的特点，研究了HOG+SVM的目标图像定位方法；
　　（2）深入研究并实现了基于深度卷积神经网络的目标识别算法。通过理论推导和大量实验确定了深度卷积神经网络的结构和参数，同时采用了DropConnect、LeakyRelu等方法减低卷积神经网络过拟合现象。实验表明，本文提出的基于计算视频的安全检测方法可以较好地处理图像中轻微旋转变形等问题，在自建数据集上达到了满意的效果；
　　（3）为了应对智能视频监控系统数据量大、实时性要求性高等要求，本文设计并实现了一个用于安全监测的实时计算系统。该系统由图像采集模块、实时计算模块和Web服务器模块组合而成。其中实时计算模块采用分布式集群计算，计算引擎采用实时流处理引擎Dpark，整个计算模块运行于Mesos集群之上。经过优化过后，该系统能够充分利用计算资源，减少响应时间，并能根据数据量大小动态添加计算节点，具有较强的实用性。

目录

声明

专用术语注释表

第一章 绪论

1.1课题研究背景和意义

1.2题目来源

1.3国内外研究现状

1.4论文的组织结构

第二章 人工神经网络和卷积神经网络

2.1人工神经元简介

2.2卷积神经网络

2.3卷积神经网络的理论推导

2.4本章小结

第三章 基于卷积神经网络的图像识别

3.1待检测图像的预处理

3.2卷积神经网络的设计及参数优化

3.3卷积神经网络的整体结构

3.4数据集构建

3.5实验结果与分析

3.6本章小结

第四章 安全检测系统的设计与实现

4.2功能分析

4.3实时计算系统的设计与实现

4.4系统运行环境

4.5系统测试

4.6性能优化

4.7本章小结

第五章 总结与展望

5.2 展望

参考文献

附录1 攻读硕士学位期间申请的专利

致谢