基于MPEG4和支持向量机的智能报警系统研究

基于MPEG4和支持向量机的智能报警系统研究

论文摘要

作为支持向量机和神经网络应用研究的重要补充和发展,针对目前用于生产生活的监视、监控系统的广泛重视,本文提出了基于视频图像的MPEG4 压缩方式和支持向量回归与径向基函数神经网络决策的智能报警系统设计模式。由于MPEG4 标准是采用的基于内容和对象的编解码方式,不但能产生高效率的压缩比率图像,也能极大的减少视频传输时所占用的网络带宽。同时这种方式还能够有效的运用于对具体背景或者特定物体的定位和提取,这样就能更加智能化的实现对特定场所的监视。而在很多芯片生产厂家和研究机构已经开发出MPEG4 标准的视频图像采集编码解码的硬件。现在很多的宣称具有MPEG4 压缩格式的监视产品,都只是在视频存储阶段采用软件实现视频流格式的转换。本文提出在视频采集阶段运用MPEG4 标准的硬件,才是真正开始有效的利用这个的特色。在统计学理论基础上发展起来的支持向量机已经展现出优秀的学习性能,并由最初的分类任务完成扩展到处理回归、概率密度估计和异常值检测等问题。本文对支持向量机的原理及支持向量机分类与回归的关系作了理论上的说明,从而为回归的分类应用提供了一个思路。本文通过分析支持向量回归的理论,采用通过图像不变矩的回归函数值的比较,达到对有异物入侵的图像进行识别的目的。径向基函数神经网络是很好的局部感知场网络,具有快速逼近功能。文章通过将系统操作员认为可以不发生警报的和认定是危险图像的图像特征进行网络训练,利用该神经网络实现对有可能发生警报的图像进行二次识别,得到真正的必须报警的异物入侵图像。 最后通过Matlab 的仿真实验,证明该算法运用在发现异物入侵的报警系统有很好的效果,并得出整个系统的设计是合理的。

论文目录

  • 摘要
  • Abstract
  • 第一章 概述
  • 1.1 引言
  • 1.1.1 监控系统的研究技术
  • 1.1.2 监控系统的发展综述
  • 1.1.3 监控系统的研究意义
  • 1.2 本文的研究内容
  • 1.3 本文拟采用的技术路线
  • 第二章 MPEG4标准及图像预处理
  • 2.1 引入MPEG4的意义
  • 2.2 MPEG4标准介绍及应用
  • 2.3 模式识别与特征提取
  • 2.3.1 模式识别
  • 2.3.2 特征选择和提取
  • 2.4 图像预处理
  • 2.4.1 边缘检测及边缘检测算子
  • 2.4.2 图像特征与图像的矩
  • 第三章 支持向量回归和径向基函数神经网络研究
  • 3.1 支持向量机的研究
  • 3.1.1 支持向量机的原理
  • 3.1.2 支持向量回归理论
  • 3.1.3 分类与回归关系的理论说明
  • 3.2 径向基函数神经网络的原理及应用
  • 3.2.1 人工神经网络的理论与发展
  • 3.2.2 径向基函数神经网络的理论和应用
  • 第四章 基于MPEG4和支持向量机的智能报警系统的算法设计
  • 4.1 系统设计思路
  • 4.2 关键技术
  • 4.3 系统设计实现
  • 4.3.1 摄像机的选取
  • 4.3.2 实现MPEG4压缩传输
  • 4.3.3 算法实现
  • 第五章 实验及分析
  • 5.1 实验分析
  • 5.1.1 实验图像与对比
  • 5.1.2 选取不同核函数对系统的影响
  • 5.2 系统实验仿真及分析
  • 5.2.1 实验安排及结果
  • 5.2.2 结果分析
  • 5.3 下一步工作
  • 参考文献
  • 致谢
  • 附录A(攻读学位期间发表论文目录)
  • 附录B(程序流程图)
  • 相关论文文献

    • [1].基于人工鱼群算法的孪生支持向量机[J]. 智能系统学报 2019(06)
    • [2].基于改进支持向量机的温室大棚温度预测[J]. 科技创新与应用 2020(10)
    • [3].结构化支持向量机研究综述[J]. 计算机工程与应用 2020(17)
    • [4].支持向量机理论及应用[J]. 科学技术创新 2019(02)
    • [5].加权间隔结构化支持向量机目标跟踪算法[J]. 中国图象图形学报 2017(09)
    • [6].多分类孪生支持向量机研究进展[J]. 软件学报 2018(01)
    • [7].模糊型支持向量机及其在入侵检测中的应用[J]. 科技创新与应用 2018(11)
    • [8].从支持向量机到非平行支持向量机[J]. 运筹学学报 2018(02)
    • [9].支持向量机的基本理论和研究进展[J]. 长江大学学报(自科版) 2018(17)
    • [10].孪生支持向量机综述[J]. 计算机科学 2018(11)
    • [11].一种新的基于类内不平衡数据学习支持向量机算法[J]. 科技通报 2017(09)
    • [12].分段熵光滑支持向量机性能研究[J]. 计算机工程与设计 2015(08)
    • [13].有向无环图-双支持向量机的多类分类方法[J]. 计算机应用与软件 2015(11)
    • [14].基于支持向量机的股票价格预测模型研究与应用[J]. 课程教育研究 2016(28)
    • [15].灰狼优化的混合参数多分类孪生支持向量机[J]. 计算机科学与探索 2020(04)
    • [16].基于属性约简—光滑支持向量机的中小企业信息化评价研究[J]. 软件工程 2020(07)
    • [17].基于稀疏孪生支持向量机的人脸识别[J]. 信息技术 2020(07)
    • [18].基于总类内分布的松弛约束双支持向量机[J]. 济南大学学报(自然科学版) 2018(04)
    • [19].基于多分类支持向量机的评估模型研究[J]. 数学的实践与认识 2017(01)
    • [20].改进的支持向量机在微博热点话题预测中的应用[J]. 现代情报 2017(03)
    • [21].多核在线支持向量机算法研究及应用[J]. 宜宾学院学报 2017(06)
    • [22].基于改进遗传算法的支持向量机参数优化方法[J]. 计算机与现代化 2015(03)
    • [23].一种层次粒度支持向量机算法[J]. 小型微型计算机系统 2015(08)
    • [24].自训练半监督加权球结构支持向量机多分类方法[J]. 重庆邮电大学学报(自然科学版) 2014(03)
    • [25].四类基于支持向量机的多类分类器的性能比较[J]. 聊城大学学报(自然科学版) 2014(03)
    • [26].一种模糊加权的孪生支持向量机算法[J]. 计算机工程与应用 2013(04)
    • [27].一种采用粗糙集和遗传算法的支持向量机[J]. 山西师范大学学报(自然科学版) 2013(01)
    • [28].基于在线支持向量机的无人机航路规划技术[J]. 电光与控制 2013(05)
    • [29].贪婪支持向量机的分析及应用[J]. 计算机工程与应用 2012(24)
    • [30].一种改进的双支持向量机[J]. 辽宁石油化工大学学报 2012(04)

    标签:;  ;  ;  ;  

    基于MPEG4和支持向量机的智能报警系统研究
    下载Doc文档

    猜你喜欢