千千万万的监控摄像头构成了时刻观测物理世界和人类社会的“视听感知网”，成为全球信息基础设施的重要组成部分。监控视频已成为全球大数据中体量最大的部分，对其高效编码能够节省巨额的存储成本和传输成本。监控视频数据中蕴含了丰富的信息，对其智能分析具有巨大的现实意义。本书在综述国内外相关研究进展的基础上，结合最新研究进展和标准制定，详细介绍了基于背景建模的高效视频编码方法和视觉对象的检测、跟踪、分析和识别技术，是相关研究和技术开发的重要参考资料。
样章试读
目录
- 目录
第1章 绪论1
1.1“视听感知网”不期而至1
1.2监控视频的智能分析4
1.3监控视频的高效编码7
1.4基于AVS的监控视频分析识别10
1.5关于本书14
参考文献15
第2章 视频编码16
2.1图像和视频的数字化16
2.2数字视频中的冗余17
2.3数字视频编码的主要方法19
2.3.1预测19
2.3.2变换21
2.3.3量化22
2.3.4扫描22
2.3.5熵编码23
2.3.6视频编码工具发展历史24
2.4数字视频编码标准26
2.4.1混合编码框架26
2.4.2主要视频编码标准组织27
2.4.3第一代视频编码标准28
2.4.4第二代视频编码标准30
2.4.5第三代视频编码国际标准HEVC/H.26533
2.4.6新一代视频编码国家标准AVS-236
2.5视频图像质量评价37
2.5.1客观质量评价38
2.5.2主观质量评价38
2.5.3基于结构失真的质量评测准则39
参考文献39
第3章 背景建模45
3.1背景建模方法概述45
3.1.1常用背景建模方法45
3.1.2视频编码对背景建模的特殊需求55
3.1.3复杂场景给背景建模带来的问题56
3.2低复杂度背景建模方法57
3.2.1分段加权滑动平均背景模型58
3.2.2重用矢量整点滑动平均背景模型60
3.2.3实验结果62
3.3选择式特征背景减除方法63
3.3.1背景减除概述63
3.3.2块级选择式特征背景减除方法68
3.3.3实验分析71
3.4像素级选择式特征背景减除方法74
3.4.1方法框架74
3.4.2训练阶段75
3.4.3检测阶段82
3.4.4实验分析88
参考文献92
第4章 监控视频编码96
4.1模型编码方法回顾96
4.1.1模型编码方法96
4.1.2基于对象的视频编码方法与标准103
4.1.3感兴趣区域编码105
4.2基于背景建模的监控视频编码107
4.2.1监控视频的新冗余107
4.2.2基于长期关键帧的编码方法109
4.2.3基于原始图像建模背景的编码方法110
4.3背景差分预测编码115
4.3.1块匹配运动补偿效率分析115
4.3.2背景差分编码算法及其效率分析117
4.3.3基于背景差分预测的宏块类型自适应运动补偿122
4.3.4自适应背景差分编码方法124
4.4基于背景预测的帧间层级编码优化127
4.4.1帧间层级编码分析127
4.4.2基于背景预测的层级编码优化算法132
4.4.3四叉树编码单元分类加速算法136
4.4.4实验与分析141
4.5面向监控视频的AVS标准144
4.5.1第一阶段(2007—2009)：AVS-S145
4.5.2第二阶段(2010—2012)：AVS监控档次与IEEE1857147
4.5.3第三阶段(2013—2014)：适合监控视频的AVS2151
参考文献154
第5章 监控视频编转码优化164
5.1基于动态纹理模型的视频编解码技术164
5.1.1引言164
5.1.2方法比较165
5.1.3改进的动态纹理模型求解算法167
5.1.4基于动态纹理合成的虚拟帧算法169
5.1.5基于动态纹理合成的帧级错误掩盖算法171
5.1.6实验与性能分析174
5.1.7小结184
5.2基于彩色恰可察觉失真模型的残差自适应滤波185
5.2.1引言185
5.2.2方法比较186
5.2.3改进的彩色JND模型建模算法189
5.2.4基于JND的自适应残差滤波算法195
5.2.5实验与性能分析196
5.2.6小结204
5.3降码率转码中的码率控制算法204
5.3.1引言204
5.3.2基于条件熵的转码码率控制模型206
5.3.3基于复杂度和的P帧宏块层码率控制算法208
5.3.4基于复杂度和的I帧宏块层码率控制算法213
5.3.5实验结果及讨论219
5.3.6小结229
5.4降分辨率转码运动矢量合成算法229
5.4.1引言229
5.4.2基于条件熵的转码运动矢量合成模型231
5.4.3基于精确度的降空间分辨率转码运动矢量合成算法232
5.4.4基于精确度的降时间分辨率转码运动矢量合成算法237
5.4.5实验结果及讨论241
5.4.6小结248
参考文献249
第6章 视觉显著性分析251
6.1视觉显著性分析的基本概念251
6.2视觉显著性分析的主要方法256
6.2.1自底向上的视频显著模型256
6.2.2自顶向下的视频显著模型260
6.2.3模型比较与分析262
6.3视觉显著模型性能评价263
6.3.1视觉显著模型评价数据集264
6.3.2视觉显著模型评价指标269
6.4基于学习的视觉显著性分析272
6.4.1基于概率多任务学习的视觉显著性分析273
6.4.2基于配对排序学习的视觉显著性分析275
6.4.3基于视觉显著性分析的对象提取280
参考文献281
第7章 对象检测286
7.1概述286
7.1.1对象检测的发展历史287
7.1.2对象检测的技术挑战292
7.2常见对象检测方法296
7.2.1标注与预处理297
7.2.2特征表示299
7.2.3分类器的设计与学习303
7.2.4对象定位307
7.2.5常用数据集308
7.2.6评价标准309
7.3简单场景下的行人检测310
7.3.1基于颜色信息的行人检测310
7.3.2融合全局模板和部件模板的行人检测314
7.4场景与视角自适应的行人检测323
7.4.1基本思路323
7.4.2特征偏移方法324
7.4.3协同变量Boost检测器设计与视角适应算法325
7.4.4实验评测327
参考文献330
第8章 对象跟踪336
8.1对象跟踪概述336
8.1.1对象跟踪的技术挑战336
8.1.2对象跟踪问题的分类338
8.1.3跟踪技术分类340
8.1.4对象的表示方法343
8.1.5对象跟踪的特征选择344
8.2基于检测关联的在线多特征跟踪346
8.2.1多外观特征融合347
8.2.2联合检测与跟踪349
8.2.3在线更新算法框架与实验验证350
8.3基于多实例学习的在线多特征跟踪方法353
8.3.1在线多实例学习框架354
8.3.2弱分类器的构造356
8.3.3利用Boosting融合多特征359
8.3.4实验结果与分析360
8.4半监督在线对象跟踪363
8.4.1协变量移动和CovBoost算法364
8.4.2半监督CovBoost的特征选择方法365
8.4.3半监督在线CovBoost跟踪算法及实验验证368
参考文献377
第9章 行为识别381
9.1基于时空上下文的个人动作识别381
9.1.1时空兴趣点的提取与表示382
9.1.2时空视频词组和视频单词团体382
9.1.3代表性时空视频词组和视频单词团体的选取385
9.1.4实验与性能比较387
9.2基于高斯过程的多人事件识别392
9.2.1多人事件的层次模型393
9.2.2基于运动轨迹的多人事件特征表述394
9.2.3基于表观信息的多人事件特征397
9.2.4综合多种特征的多人事件识别398
9.3基于社会属性力的群体事件分析402
9.3.1社会属性力算法概述402
9.3.2社会力模型403
9.3.3社会属性力模型405
9.3.4实验结果及分析408
9.4TRECVid监控事件检测算法评测411
9.4.1TRECVidSED监控事件检测任务412
9.4.2NEC-UIUC系统介绍415
9.4.3CMU-IBM系统介绍417
9.4.4PKU-NEC系统介绍419
参考文献426
京公网安备 11010102004214号