智能視頻數(shù)據(jù)處理與挖掘

定　價：￥48.00

作　者：	梁美玉
出版社：	北京郵電大學(xué)出版社
叢編項：
標(biāo)　簽：	暫缺

ISBN：	9787563564446	出版時間：	2022-04-01	包裝：	平裝
開本：	16開	頁數(shù)：	192	字?jǐn)?shù)：

內(nèi)容簡介

　　本書主要研究了智能視頻數(shù)據(jù)處理與挖掘相關(guān)技術(shù)及應(yīng)用，以提高視頻數(shù)據(jù)中異常事件檢測與識別的智能化、精準(zhǔn)化、魯棒性、實時性等性能為目的，從而實現(xiàn)對異常突發(fā)事件及時預(yù)測和預(yù)警，保障公共安全。本書首先研究了視頻數(shù)據(jù)的去噪技術(shù)，重點研究了基于殘差卷積神經(jīng)網(wǎng)絡(luò)的視頻去噪算法；然后研究了視頻數(shù)據(jù)的超分辨率重建技術(shù)，重點研究了基于深度學(xué)習(xí)、半耦合字典學(xué)習(xí)和時空非局部相似性特征的視頻超分辨率重建算法；其次研究了視頻的顯著性時空特征提取算法，然后在此基礎(chǔ)上研究了視頻異常事件檢測與識別技術(shù)，重點研究了基于稀疏組合學(xué)習(xí)的視頻異常事件檢測算法，以及基于時空感知深度網(wǎng)絡(luò)的視頻異常事件識別算法。構(gòu)建了視頻數(shù)據(jù)去噪和超分辨率重建系統(tǒng)，并以面向智慧旅游領(lǐng)域的旅游景區(qū)視頻數(shù)據(jù)為例，將本書提出的相關(guān)模型和算法應(yīng)用于旅游景區(qū)視頻數(shù)據(jù)的智能挖掘，構(gòu)建了旅游景區(qū)視頻異常事件檢測與識別系統(tǒng)，及時自動監(jiān)測旅游突發(fā)事件。此外，本書相關(guān)技術(shù)還可應(yīng)用于智慧城市、智能交通、智慧校園、智慧醫(yī)療等領(lǐng)域，切實加強保障公共安全，以實現(xiàn)智慧安防。本書體系結(jié)構(gòu)完整，注重理論聯(lián)系實際，可作為計算機應(yīng)用、人工智能、大數(shù)據(jù)、電子信息等相關(guān)專業(yè)的工程技術(shù)人員、科研人員、研究生和高年級本科生參考用書。

作者簡介

暫缺《智能視頻數(shù)據(jù)處理與挖掘》作者簡介

圖書目錄

第1章緒論
1.1 研究背景與意義
1.2 外研究現(xiàn)狀
1.2.1 視頻超分辨率重建方法的研究現(xiàn)狀
1.2.2 視頻去噪方法的研究現(xiàn)狀
1.2.3 視頻異常事件檢測方法的研究現(xiàn)狀
l.2.4 視頻異常事件識別方法的研究現(xiàn)狀
參考文獻
第2章相關(guān)技術(shù)
2.1 稀疏字典學(xué)習(xí)
2.1.1 低秩矩陣的生成
2.1.2 低秩矩陣的分解
2.2 視頻的時空相似性學(xué)習(xí)
2.3 視頻特征提取
2.3.1 運動目標(biāo)檢測
2.3.2 背景建模方法
2.3.3 行為特征表示
2.4 基于深度學(xué)習(xí)模型的視頻超分辨率重建
2.4.1 基于深度卷積神經(jīng)網(wǎng)絡(luò)的超分辨率重建算法概述
2.4.2 深度卷積神經(jīng)網(wǎng)絡(luò)在超分辨率重建算法中的應(yīng)用
2.5 視頻異常事件檢測
2.5.1 基于深度學(xué)習(xí)的異常事件檢測方法
2.5.2 基于稀疏表示的異常事件檢測方法
2.6 視頻異常事件識別
本章小結(jié)
參考文獻
第3章基于殘差卷積神經(jīng)網(wǎng)絡(luò)的視頻去噪
3.1 基于殘差卷積神經(jīng)網(wǎng)絡(luò)的視頻去噪算法框架
3.2 基于殘差卷積神經(jīng)網(wǎng)絡(luò)的視頻去噪算法實現(xiàn)
3.2.1 基于低秩矩陣分解的稀疏字典去噪
3.2.2 殘差圖像預(yù)處理
3.2.3 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練
3.2.4 基于殘差卷積神經(jīng)網(wǎng)絡(luò)的視頻去噪算法的實現(xiàn)步驟
3.3 實驗結(jié)果及分析
3.3.1 實驗一：不同噪聲方差下對隨機噪聲的去噪效果對比實驗
3.3.2 實驗二：相同噪聲方差下對不同噪聲的去噪效果對比實驗
本章小結(jié)
參考文獻
第4章基于半耦合字典學(xué)習(xí)和時空非局部相似性的視頻超分辨率重建
4.1 引言
4.2 視頻超分辨率重建觀測模型
4.3 基于非局部相似性的超分辨率重建
4.4 基于半耦合字典學(xué)習(xí)和時空非局部相似性的視頻超分辨率重建算法
4.4.1 CNLSR算法研究動機
4.4.2 CNLSR算法框架
4.4.3 CNLSR算法數(shù)學(xué)模型
4.4.4 CNLSR算法描述
4.4.5 CNLSR算法步驟
4.5 實驗結(jié)果與分析
4.5.1 實驗數(shù)據(jù)集