本文著眼于銀行業(yè)合規(guī)管理的事中管控階段,提出使用智能監(jiān)控系統(tǒng)進(jìn)行實(shí)時(shí)的智能化合規(guī)管理,提升智能監(jiān)控系統(tǒng)在幫助銀行降低操作風(fēng)險(xiǎn)方面的輔助功能。嘗試?yán)脠D像處理技術(shù)幫助監(jiān)控銀行業(yè)金融機(jī)構(gòu)營(yíng)業(yè)場(chǎng)所內(nèi)人員狀態(tài),實(shí)現(xiàn)利用智能監(jiān)控系統(tǒng)代替人力的目的。本文將基于智能監(jiān)控系統(tǒng),重點(diǎn)進(jìn)行針對(duì)與銀行業(yè)機(jī)構(gòu)場(chǎng)景的目標(biāo)跟蹤算法的研究和實(shí)現(xiàn)。（1）基于粒子濾波目標(biāo)追蹤算法的基本原理,完成了目標(biāo)追蹤動(dòng)態(tài)模型和表觀模型的構(gòu)建,并進(jìn)行跟蹤算法的設(shè)計(jì)。（2）結(jié)合粒子群和自適應(yīng)算法理念,針對(duì)銀行也金融機(jī)構(gòu)在工作中可能存在的情況,對(duì)粒子濾波目標(biāo)追蹤算法的優(yōu)化。（3）通過融合顏色和紋理特征,完成銀行視頻智能監(jiān)控現(xiàn)金場(chǎng)所的人群密度估計(jì)模擬,分別實(shí)驗(yàn)單特征和特征融合的優(yōu)化粒子群濾波算法在人群密度中的準(zhǔn)確度,對(duì)特征融合的粒子濾波算法的可行性進(jìn)行驗(yàn)證。通過上述研究,提高智能監(jiān)控系統(tǒng)在銀行場(chǎng)景中的實(shí)用性,實(shí)現(xiàn)對(duì)銀行場(chǎng)景的目標(biāo)智能識(shí)別跟蹤,準(zhǔn)確統(tǒng)計(jì)人群密度,跟蹤監(jiān)測(cè)目標(biāo)狀態(tài),實(shí)現(xiàn)以智能監(jiān)控代替人為監(jiān)控的目的,提高金融機(jī)構(gòu)合規(guī)管理水平,降低操作風(fēng)險(xiǎn)。 

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
中文摘要
Abstract
第1章 緒論
    1.1 課題研究背景
    1.2 國(guó)內(nèi)外研究動(dòng)態(tài)
        1.2.1 國(guó)內(nèi)研究現(xiàn)狀
        1.2.2 國(guó)外研究現(xiàn)狀
    1.3 課題研究意義
    1.4 本文主要研究?jī)?nèi)容
第2章 基于粒子濾波的目標(biāo)跟蹤算法
    2.1 目標(biāo)跟蹤相關(guān)原理
        2.1.1 圖像特征處理
        2.1.2 跟蹤方法
    2.2 粒子濾波算法
        2.2.1 粒子濾波算法基本理論
        2.2.2 算法框架
    2.3 粒子濾波目標(biāo)跟蹤
        2.3.1 目標(biāo)動(dòng)態(tài)模型
        2.3.2 表觀模型
        2.3.3 跟蹤算法
    2.4 本章小結(jié)
第3章 基于粒子濾波的單目標(biāo)跟蹤算法研究
    3.1 自適應(yīng)重采樣算法
        3.1.1 粒子群優(yōu)化算法
        3.1.2 粒子群優(yōu)化重采樣
        3.1.3 自適應(yīng)重采樣算法
    3.2 變結(jié)構(gòu)多模型運(yùn)動(dòng)估計(jì)
    3.3 算法實(shí)驗(yàn)驗(yàn)證和結(jié)果分析
        3.3.1 算法性能仿真驗(yàn)證
        3.3.2 多模型運(yùn)動(dòng)變化驗(yàn)證
    3.4 本章小結(jié)
第4章 基于特征融合的人群密度估計(jì)研究
    4.1 特征的提取和方法選擇
        4.1.1 紋理特征的提取方法選擇
        4.1.2 顏色特征的提取方法選擇
    4.2 特征融合人群密度估計(jì)實(shí)現(xiàn)
        4.2.1 特征融合人群密度建模
        4.2.2 自適應(yīng)特征融合
        4.2.3 算法實(shí)現(xiàn)流程
    4.3 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第5章 結(jié)論
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于特征融合網(wǎng)絡(luò)的行人重識(shí)別[J]. 種衍杰,方琰,沙濤.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2019(01)
[2]融合深度匹配特征的答案選擇模型[J]. 馮文政,唐杰.  中文信息學(xué)報(bào). 2019(01)
[3]多層次特征融合的人群密度估計(jì)[J]. 陳朋,湯一平,王麗冉,何霞.  中國(guó)圖象圖形學(xué)報(bào). 2018(08)
[4]基于多特征融合和混合核SVM的目標(biāo)識(shí)別方法[J]. 李紅麗,馬耀鋒.  沈陽工業(yè)大學(xué)學(xué)報(bào). 2018(04)
[5]Particle Filter Object Tracking Algorithm Based on Sparse Representation and Nonlinear Resampling[J]. Zheyi Fan,Shuqin Weng,Jiao Jiang,Yixuan Zhu,Zhiwen Liu.  Journal of Beijing Institute of Technology. 2018(01)
[6]基于并行卷積神經(jīng)網(wǎng)絡(luò)的人群密度估計(jì)方法[J]. 賈翻連,張麗紅.  測(cè)試技術(shù)學(xué)報(bào). 2018(01)
[7]基于Student’st分布的自適應(yīng)重采樣粒子濾波算法[J]. 滕飛,薛磊,李修和.  控制與決策. 2018(02)
[8]融合直方圖高階統(tǒng)計(jì)特征與GLCM特征的室內(nèi)紅外圖像人群密度分類[J]. 李熙瑩,黃秋筱.  紅外技術(shù). 2017(07)
[9]基于目標(biāo)分割與行為預(yù)警的視頻智能監(jiān)控[J]. 郝平.  計(jì)算機(jī)與數(shù)字工程. 2017(07)
[10]基于實(shí)時(shí)目標(biāo)跟蹤的智能監(jiān)區(qū)視頻監(jiān)控軟件設(shè)計(jì)[J]. 彭愛軍,鞏青歌,譚海佩.  電子世界. 2017(13)

博士論文
[1]智能視頻監(jiān)控中的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤技術(shù)研究[D]. 屈鑒銘.西安電子科技大學(xué) 2015

碩士論文
[1]智能視頻監(jiān)控中人群密度分析及突發(fā)異常行為檢測(cè)[D]. 張兵.北京交通大學(xué) 2016
[2]視頻監(jiān)控下的人群密度估計(jì)及運(yùn)動(dòng)軌跡檢測(cè)[D]. 張晶.河北工業(yè)大學(xué) 2015
[3]高速公路視頻監(jiān)控系統(tǒng)中車輛識(shí)別與道路狀態(tài)檢測(cè)的研究[D]. 王翔宇.北京工業(yè)大學(xué) 2015
[4]基于視頻的目標(biāo)跟蹤及人群密度估計(jì)方法研究[D]. 郄志安.上海交通大學(xué) 2015
[5]視頻中的大規(guī)模人群密度與異常行為分析[D]. 林沁.廈門大學(xué) 2014
[6]視頻監(jiān)控中人群密度的估計(jì)和陰影去除研究[D]. 吳筱曼.電子科技大學(xué) 2011
[7]復(fù)雜場(chǎng)景下實(shí)時(shí)監(jiān)控中人群密度估計(jì)的研究與實(shí)現(xiàn)[D]. 謝鵬程.電子科技大學(xué) 2011
[8]運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤及其在視頻監(jiān)控系統(tǒng)中的應(yīng)用[D]. 金星.浙江大學(xué) 2010
[9]運(yùn)動(dòng)目標(biāo)檢測(cè)和智能視頻監(jiān)控系統(tǒng)設(shè)計(jì)[D]. 魚亞鋒.北京郵電大學(xué) 2008



本文編號(hào)：3688515