本文介绍了一个基于人工智能的智能视频监控系统，旨在提高社区空间（如教育、休闲区域和小型企业）的安全性。该系统采用元数据而非像素数据进行活动识别，注重隐私，并具备基于云端基础架构和移动应用的实时警报功能。此外，该文还首次对全面的实时异常检测系统进行了评估，用于识别潜在的公共安全事件。通过在社区学院中的实施，作者验证了系统的鲁棒性和性能，提供了关于吞吐量、延迟和伸缩性的实际数据。

Dec, 2023

本研究提出一种基于情景感知的实时流式传输方案，以实时识别重要事件和降低发射功率。该方案主要利用少量隐藏层的小型神经网络在源端对特定情景下的帧进行高重要性分配，并将高重要性的帧与一定信噪比的低重要性帧同时流式传输，在接收端进行深度神经网络分析提取准确的情景并节约约 38.5% 的能源。

Apr, 2022

本文提出了一种终端到终端的人工智能视频安全监控系统，其中融合了计算机视觉分析、统计数据分析、云原生服务以及终端用户应用，该系统能够更好地保护个人隐私，同时对人物识别、错误行为检测等方面具有高效性能和较高的安全性。

Feb, 2023

本文提出的面向边缘监控系统的深度学习模型在识别儿童方面具有 92.1% 的分类准确率，可实施相应的隐私保护措施，解决了 CCTV 摄像头收集个人信息引起的隐私问题。

May, 2020

本文介绍了一种使用 Apache Storm 和 OpenCV 的智能、可靠和存储型视频监控系统，该系统具有高可扩展性和容错性，并适用于需要监视大型网络摄像头的组织。

Oct, 2016

利用计算机视觉、贝叶斯学习技术和人群模拟等方法，通过对行人轨迹级别行为学习，实现低至中密度人群视频的实时异常检测。我们在 PETS ARENA 数据集、室内和室外人群视频基准测试中进行了实时演示，并讨论了与监视和我们研究相关的公共政策和执法问题的影响。

Sep, 2018

使用边缘计算及轻量级卷积神经网络，能够在资源有限的情况下为实时人类监视提供可行的智能分析方案。

Apr, 2018

本文提出了一种基于目标检测、聚类和卷积神经网络的轻量级、稳健且全天候自动化视频监控系统，用于检测人体、社交距离违规、人脸及口罩分类，并提供了不同人脸检测和口罩分类模型的比较研究和基于视频标记的数据集标记方法，该系统在标记视频数据集上的准确率为 91.2％，F1 得分为 90.79％，预测时间平均为 7.12 秒。

Oct, 2021

通过整合人工智能和机器学习技术，本研究旨在利用现有闭路电视网络对人群管理、犯罪预防和工作场所监控进行综合性处理，开发和实施能够实时分析视频信息的先进算法，实现人群动态识别和评估、潜在犯罪活动的早期发现以及工作环境的持续监控，借助于人工智能和机器学习技术，优化监控能力，提高公共安全措施和组织生产力的水平。这一倡议强调了智能视频分析在现有基础设施上的变革性影响，减少了系统全面改造的需要，显著提升了安全和运营效率。

Nov, 2023

该研究项目旨在开发一个实时交通标志检测系统，使用 YOLOv5 架构并在郊区社区中进行高效的交通标志识别。项目的主要目标是在多样化的交通标志图像数据集上训练 YOLOv5 模型，并在适用于实时推断的硬件平台上部署该模型。该系统利用训练有素的 YOLOv5 模型，能够从车辆内部仪表盘上的实时摄像头中检测和分类交通标志。部署系统的性能将基于其交通标志检测的准确性、实时处理速度和整体可靠性进行评估。在郊区社区的案例研究中，该系统在检测交通标志方面显示出显著的 96% 准确率。该研究的发现有潜力通过提供及时准确的实时交通标志信息来改善道路安全和交通管理，并为自动驾驶的进一步研究铺平道路。

Oct, 2023