简介:摘要: 随着科技的不断发展,高清视频技术基本上已经得到普及,而公路的发展建设也将高清摄像技术融入其中,并形成了公路数字化监控系统。本文先阐述了常用视频信号标准、高清视频信号数字编码、视频存储和设备显示接口,然后又对高清视频技术在高速公路监控系统中的应用展开讨论,并提出个人见解。
简介:摘要:随着经济社会的发展,各个领域对煤炭资源需求量不断增加,因此,我国煤矿生产开采的规模与数量也呈现出快速扩大和增加的趋势。在现代煤矿生产过程中,要重视监控管理工作的开展。在早期煤矿生产阶段,主要采用的是人工监控管理,随着现代监控技术的不断发展更新,计算机智能监控技术逐渐应用到煤矿生产中,其可以有效提高煤矿生产效率,并推动煤矿行业的健康、可持续发展。如今,在进行煤矿生产过程中,计算机智能监控系统虽然得到了广泛应用,但是由于各方面因素的影响,仍然存在一定的缺陷和不足,进而对计算机智能监控系统所发挥的效果产生不利影响。鉴于此,本文对计算机信息技术在煤矿安全监控中的应用进行分析,以供参考。
简介:摘 要 : 针对于当今监控系统大多只起拍摄作用而无智能监控手段的问题,提出了基于目标检测算法的智能监控系统。在运用目标检测算法与人脸检测算法的基础之上,利用这些算法实现了能够检测移动目标并进行图像之中人脸的检测与提取,从而当陌生人进入时系统能够精确识别。实现了智能化监控,极大提升了监控的准确性与安全性。 关键词:目标检测、人脸检测、 智能监控 引言 智能视频监控系统无需监控人员持续地盯着屏幕,减轻了工作人员的负担,并具有主动性和实时性的优势。智能视频监控系统的主要职责是利用计算机视觉技术从视频图像中检测、跟踪、识别人脸,并对该主体的行为进行理解。 一、系统设计原理 该系统在原视频系统的监控功能基础上,还增加了以下功能: 包括固定传感器布控预警、华为云平台 Atlas200DK智能摄像头、数据处理系统、可视化一体平台。其中可视化一体平台包括人员属性检测采集系统和视频结构化回溯系统实现人脸信息采集的智能化分析及预警。 ( 1)视频监控系统具有人脸识别能力。要求系统能够自动捕捉出入监控范围的人员脸部图像与数据库信息进行比对 , 并自动识别判断是否为可疑人员上传至数据库处理系统。数据处理系统通过算法模型进行人脸识别并与云数据库中的信息比对,若信息不匹配,则智能启动无人机,无人机将进行目标追踪。 ( 2)系统会将收集到的信息上传至可视化一体平台。固定摄像头拍摄图像信息上传到数据处理系统,数据处理系统通过数据处理算法和可视化数据分析上传至可视化一体平台。无人机拍摄可疑人员后自行处理并上传至可视化一体平台呈现给用户。 二、算法分析 2.1目标检测算法( YOLO v3) YOLO v3采用帧间差分法进行图像提取,且采用多个 scale融合的方式做预测。原来的 YOLO v2有一个层叫: passthrough layer,假设最后提取的 feature map的 size是 13*13,那么这个层的作用就是将前面一层的 26*26的 feature map和本层的 13*13的 feature map进行连接,有点像 ResNet。当时这么操作也是为了加强 YOLO算法对小目标检测的精确度。这个思想在 YOLO v3中得到了进一步加强,在 YOLO v3中采用类似 FPN的 upsample和融合做法(最后融合了 3个 scale,其他两个 scale的大小分别是 26*26和 52*52),在多个 scale的 feature map上做检测,对于小目标的检测效果提升还是比较明显的。 YOLO v3中对前面两层得到的 feature map进行上采样 2倍,将更之前得到的 feature map与经过上采样得到的 feature map进行连接,这种方法可以让我们获得上采样层的语义信息以及更之前层的细粒度信息,将合并得到的 feature map经过几个卷积层处理最终得到一个之前层两倍大小的张量。 图 1 帧间差分法算法流程图
2.2人脸检测算法 (MTCNN) 所谓人脸检测,就是给定一张图像,找到其中是否存在一个或多个人脸,并返回人脸置信度和人脸框位置。它是从待识别图像上获取有用信息的第一步,是实现实时、高精度人脸识别系统的前提和基础。网络实现人脸检测(人脸分类、边框回归)和关键点定位分为三个阶段: 第一阶段:由 P-Net获得了人脸区域的候选窗口和边界框的回归向量,并用该边界框做回归,对候选窗口进行校准,然后通过非极大值抑制( NMS)来合并高度重叠的候选框 第二阶段: P-Net得出的候选框作为输入,输入到 R-Net,网络最后选用全连接的方式进行训练,利用边界框向量微调候选窗体,再利用 NMS去除重叠窗体。 第三阶段:使用更加强大的 CNN( O-Net),网络结构比 R-Net多一层卷积,功能与 R-Net作用一样,只是在去除重叠候选窗口的同时,显示五个人脸关键点定位。 ONet 是网络的最后输出。 图 2 人脸检测阶段流程图 三、系统结构设计 ( 1)数据输入层。本部分通过采集或导入已有人脸数据库,为系统提供待测人脸数据及人脸比对基础库。涵盖一切提供数据源的前端及数据库。 ( 2)算法引擎层。人脸识别平台系统是人脸识别系统的核心 ,主要包括人脸数据的建模,比对分析和存储。 ( 3) 平台服务层。平台服务层向下对接算法引擎,向上提供业务数据接口。主要包括接受客户提出的任务,调用相关底层算法引擎,对算法层反馈的结果进行分析,并提供相关的业务服务。 ( 4)大数据业务层。大数据业务层主要负责数据仓储及数据检索服务。数据仓储及数据检索服务。数据仓储指将系统中产生的人脸图片、人脸特征数据、告警推送信息,包括目标数据库的相关数据进行结构化存储;数据检索服务指与平台服务对接,提供结构化的快速检索,与安防业务相结合,实现对数据时间、空间信息的充分利用,且平台业务功能可在庞大的数据库中快速反馈检索结果。 固定摄像头拍摄图像上传至数据处理系统,数据处理系统通过目标检测算法、人脸检测算法、人脸识别算法将图像中的人脸识别出来并与数据库中的信息进行比对,并根据比对结果决定是否报警,同时将处理后的数据上传至可视化一体平台。更为重要的一点,可以对监拍对象进行数据提取分析,形成对象分析报告,高效准确地将其信息提供给客户。 图 3 系统结构流程图 小结 随着科学技术的不断提高,人脸实时识别监控系统在使用时,依据人面像本身所固有的生理特征 ,利用目标检测算法、人脸检测算法和人脸识别算法来达到身份验证和识别的目的。 参考文献 [1]严杰支持人脸检测的智能视频监控系统的设计与实现 [D].重庆大学 . [2]李苗在,谷海红 .人脸识别研究综述 [J].电脑知识与技术 :学术交流 ,2011,07(8X):5992-5994.简介:摘要:飞行参数的应用领域自 20世纪 40年代出现飞行参数记录系统以来,从早期事故原因调查发展到飞机生产全过程和维护支持阶段,系统记录飞行参数扩展到了数千个参数。国内方面,飞行参数的应用研究目前集中在飞机的设计性能测试、坠毁飞机的事故原因调查、飞行训练质量辅助评价和飞行评价、辅助地面人员对飞机的维护和监控四个方面。随着飞机和发动机结构的日益复杂和集成,飞行安全也面临着更大的困难,对维护保证的要求也越来越高,研究飞行参数,对飞机性能状态的监控成为飞行参数研究和开发的必然趋势。飞行参数的真实性直接影响航空发动机工作状态的确定、故障诊断和预测的准确性,但由于复杂的外部电磁环境,在传输和收集过程中不可避免地会被各种随机噪声扭曲或淹没真实数据。因此,有效消除飞行参数中噪音的方法对恢复飞机、航空发动机的实际运行状态、实施状态监测、及时决策、维护具有重要的研究意义。鉴于此,文章结合笔者多年工作经验,对基于飞参数据的航空发动机状态监控与故障排查提出了一些建议,仅供参考。