毕业论文外文翻译-远程视频监控系统.doc

《毕业论文外文翻译-远程视频监控系统.doc》由会员分享，可在线阅读，更多相关《毕业论文外文翻译-远程视频监控系统.doc（9页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、A System for Remote Video Surveillance and MonitoringThe thrust of CMU research under the DARPA Video Surveillance and Monitoring (VSAM) project is cooperative multi-sensor surveillance to support battlefield awareness. Under our VSAM Integrated Feasibility Demonstration (IFD) contract, we have deve

2、loped automated video understanding technology that enables a single human operator to monitor activities over a complex area using a distributed network of active video sensors. The goal is to automatically collect and disseminate real-time information from the battlefield to improve the situationa

3、l awareness of commanders and staff. Other military and federal law enforcement applications include providing perimeter security for troops, monitoring peace treaties or refugee movements from unmanned air vehicles, providing security for embassies or airports, and staking out suspected drug or ter

4、rorist hide-outs by collecting time-stamped pictures of everyone entering and exiting the building.Automated video surveillance is an important research area in the commercial sector as well. Technology has reached a stage where mounting cameras to capture video imagery is cheap, but finding availab

5、le human resources to sit and watch that imagery is expensive. Surveillance cameras are already prevalent in commercial establishments, with camera output being recorded to tapes that are either rewritten periodically or stored in video archives. After a crime occurs a store is robbed or a car is st

6、olen investigators can go back after the fact to see what happened, but of course by then it is too late. What is needed is continuous 24-hour monitoring and analysis of video surveillance data to alert security officers to a burglary in progress, or to a suspicious individual loitering in the parki

7、ng lot, while options are still open for avoiding the crime.Keeping track of people, vehicles, and their interactions in an urban or battlefield environment is a difficult task. The role of VSAM video understanding technology in achieving this goal is to automatically “parse” people and vehicles fro

8、m raw video, determine their geolocations, and insert them into dynamic scene visualization. We have developed robust routines for detecting and tracking moving objects. Detected objects are classified into semantic categories such as human, human group, car, and truck using shape and color analysis

9、, and these labels are used to improve tracking using temporal consistency constraints. Further classification of human activity, such as walking and running, has also been achieved. Geolocations of labeled entities are determined from their image coordinates using either wide-baseline stereo from t

10、wo or more overlapping camera views, or intersection of viewing rays with a terrain model from monocular views. These computed locations feed into a higher level tracking module that tasks multiple sensors with variable pan, tilt and zoom to cooperatively and continuously track an object through the

11、 scene. All resulting object hypotheses from all sensors are transmitted as symbolic data packets back to a central operator control unit, where they are displayed on a graphical user interface to give a broad overview of scene activities. These technologies have been demonstrated through a series o

12、f yearly demos, using a testbed system developed on the urban campus of CMU.Detection of moving objects in video streams is known to be a significant, and difficult, research problem. Aside from the intrinsic usefulness of being able to segment video streams into moving and background components, de

13、tecting moving blobs provides a focus of attention for recognition, classification, and activity analysis, making these later processes more efficient since only “moving” pixels need be considered.There are three conventional approaches to moving object detection: temporal differencing ; background

14、subtraction; and optical flow. Temporal differencing is very adaptive to dynamic environments, but generally does a poor job of extracting all relevant feature pixels. Background subtraction provides the most complete feature data, but is extremely sensitive to dynamic scene changes due to lighting

15、and extraneous events. Optical flow can be used to detect independently moving objects in the presence of camera motion; however, most optical flow computation methods are computationally complex, and cannot be applied to full-frame video streams in real-time without specialized hardware.Under the V

16、SAM program, CMU has developed and implemented three methods for moving object detection on the VSAM testbed. The first is a combination of adaptive background subtraction and three-frame differencing . This hybrid algorithm is very fast, and surprisingly effective indeed, it is the primary algorith

17、m used by the majority of the SPUs in the VSAM system. In addition, two new prototype algorithms have been developed to address shortcomings of this standard approach. First, a mechanism for maintaining temporal object layers is developed to allow greater disambiguation of moving objects that stop f

18、or a while, are occluded by other objects, and that then resume motion. One limitation that affects both this method and the standard algorithm is that they only work for static cameras, or in a ”stepand stare” mode for pan-tilt cameras. To overcome this limitation, a second extension has beendevelo

19、ped to allow background subtraction from a continuously panning and tilting camera . Through clever accumulation of image evidence, this algorithm can be implemented in real-time on a conventional PC platform. A fourth approach to moving object detection from a moving airborne platform has also been

20、 developed, under a subcontract to the Sarnoff Corporation. This approach is based on image stabilization using special video processing hardware.The current VSAM IFD testbed system and suite of video understanding technologies are the end result of a three-year, evolutionary process. Impetus for th

21、is evolution was provided by a series of yearly demonstrations. The following tables provide a succinct synopsis of the progress made during the last three years in the areas of video understanding technology, VSAM testbed architecture, sensor control algorithms, and degree of user interaction. Alth

22、ough the program is over now, the VSAM IFD testbed continues to provide a valuable resource for the development and testing of new video understanding capabilities. Future work will be directed towards achieving the following goals:1. better understanding of human motion, including segmentation and

23、tracking of articulated body parts;2.improved data logging and retrieval mechanisms to support 24/7 system operations;3.bootstrapping functional site models through passive observation of scene activities;4.better detection and classification of multi-agent events and activities;5.better camera cont

24、rol to enable smooth object tracking at high zoom; and6.acquisition and selection of “best views” with the eventual goal of recognizing individuals in the scene.远程视频监控系统在美国国防部高级研究计划局，视频监控系统项目下进行的一系列监控装置研究是一项合作性的多层传感监控，用以支持战场决策。在我们的视频监控综合可行性示范条约下，我们已经研发出自动视频解析技术，使得单个操作员通过动态视频传感器的分布式网络来监测一个复杂区域的一系统活动。

25、我们的目标是自动收集和传播实时的战场信息，以改善战场指挥人员的战场环境意识。在其他军事和联邦执法领域的应用包括为部队提供边境安防，通过无人驾驶飞机监控和平条约及难民流动，保证使馆和机场的安全，通过收集建筑物每个进口和出口的印时图片识别可疑毒品和恐怖分子藏匿场所。自动视频监控在商业领域同样也是一个重要的研究课题。随着科技的发展，安装摄像头捕捉视频图像已经非常廉价，但是通过人为监视图像的成本则非常高昂。监视摄像头已经在商业机构中普遍存在，与相机输出记录到磁带或者定期重写或者存储在录像档案。在犯罪发生后-比如商店被窃或汽车被盗后，再查看当时录像，往往为时已晚。尽管避免犯罪还有许多其他的选择，但现在需

26、要的是连续24小时的监测和分析数据，由视频监控系统提醒保安人员，及时发现正在进行的盗窃案，或游荡在停车场的可疑人员。在城市或战场环境中追踪人员、车辆是一项艰巨的任务。VSAM视频解析技术视频，确定其geolocations，并插入到动态场景可视化。我们已经开发强有力的例程为发现和跟踪移动的物体。被测物体分为语义类别，如人力，人力组，汽车和卡车使用形状和颜色分析，这些标签是用来改善跟踪一致性使用时间限制。进一步分类的人类活动，如散步，跑步，也取得了。 Geolocations标记实体决心从自己的形象坐标使用广泛的基准立体声由两个或两个以上的重叠相机的意见，或查看射线相交的地形模型由单眼意见。这些

27、计算机的位置饲料进入了更高一级的跟踪模块，任务多传感器变盘，倾斜和缩放，以合作，不断追踪的对象，通过现场。所有产生的对象假设所有传感器转交作为象征性的数据包返回到一个中央控制单元操作者，他们都显示在图形用户界面提供了广泛概述了现场活动。这些技术已证明，通过一系列每年演示，使用的试验系统上发展起来的城市校园的债务工具中央结算系统。检测移动物体的视频流被认为是一个重要和困难，研究问题。除了固有的作用能够部分进入移动视频流和背景的组成部分，移动块检测提供了一个关注的焦点识别，分类，分析和活动，使这些后来过程更有效率，因为只有“移动”像素需要加以考虑。有三种常规方法来进行移动物体的检测：时间差分法;背

28、景减法;和光流法。时间差分非常适应动态环境，但通常是一个贫穷的工作中提取所有相关的功能像素。背景减除提供最完整的功能数据，但极为敏感，动态场景的变化，由于灯光和不相干的活动。光流可以用来检测独立移动的物体，在场的摄像机运动，但大多数的光流计算方法的计算复杂，不能适用于全帧视频流的实时没有专门的硬件。根据VSAM计划，债务工具中央结算系统制定并实施了三种方法的运动目标检测的VSAM试验。首先是结合自适应背景减除与三帧差分。这种混合算法是非常快，令人惊讶的有效的-事实上，它是主要的算法所使用的大多数SPUs在VSAM系统。此外，两个新的原型已经开发的算法来解决这一缺陷的标准办法。首先，一个机制，保

29、持颞对象层次开发，使更多的歧义的移动物体，可以有效地阻止了一会儿，是闭塞的其他物体，而且然后恢复动议。一个限制，影响到该方法和标准算法是他们唯一的工作静态相机，或在“ stepand凝视”模式泛倾斜相机。为了克服这一局限，第二次延长了beendeveloped让背景减法从不断平移和倾斜相机。通过巧妙的积累形象的证据，该算法可以实现实时的传统PC平台。第四个办法来探测移动物体从空中移动平台，也得到了发展，根据分包合同的Sarnoff公司。这种方法是基于图像稳定使用特殊的视频处理硬件。目前VSAM通用试验系统和一套视频理解技术的最终结果是一项为期三年的，渐进的过程。推动这一演变提供了一系列每年示威

30、。下列表格提供了一个简明的大纲方面所取得的进展在过去三年中在视频领域的理解，技术， VSAM试验架构，传感器控制算法，并一定程度的用户交互。虽然该计划是在现在， VSAM通用试验继续提供宝贵的资源开发和测试新的视频理解能力。今后的工作将致力于实现以下目标：1、 更好地理解人类的议案，其中包括分割和跟踪阐明身体部位;2、 改善数据记录和检索机制，以支持24 / 7系统的运作3、引导功能的网站模式，通过被动观察现场活动;4、更好的检测和分类Multi -l Agent的事件和活动5、更好的相机控制，实现了流畅的目标跟踪高变焦;和6、购置和选择的“最佳意见”的最终目标是承认个人在现场。五分钟搞定50

31、00字毕业论文外文翻译，你想要的工具都在这里!在科研过程中阅读翻译外文文献是一个非常重要的环节，许多领域高水平的文献都是外文文献，借鉴一些外文文献翻译的经验是非常必要的。由于特殊原因我翻译外文文献的机会比较多，慢慢地就发现了外文文献翻译过程中的三大利器：Google“翻译”频道、金山词霸（完整版本）和CNKI“翻译助手。具体操作过程如下： 1.先打开金山词霸自动取词功能，然后阅读文献； 2.遇到无法理解的长句时，可以交给Google处理，处理后的结果猛一看，不堪入目，可是经过大脑的再处理后句子的意思基本就明了了； 3.如果通过Google仍然无法理解，感觉就是不同，那肯定是对其中某个“常用单词

32、”理解有误，因为某些单词看似很简单，但是在文献中有特殊的意思，这时就可以通过CNKI的“翻译助手”来查询相关单词的意思，由于CNKI的单词意思都是来源与大量的文献，所以它的吻合率很高。 另外，在翻译过程中最好以“段落”或者“长句”作为翻译的基本单位，这样才不会造成“只见树木，不见森林”的误导。四大工具： 1、Google翻译： google，众所周知，谷歌里面的英文文献和资料还算是比较详实的。我利用它是这样的。一方面可以用它查询英文论文，当然这方面的帖子很多，大家可以搜索，在此不赘述。回到我自己说的翻译上来。下面给大家举个例子来说明如何用吧比如说“电磁感应透明效应”这个词汇你不知道他怎么翻译，

33、首先你可以在CNKI里查中文的，根据它们的关键词中英文对照来做，一般比较准确。 在此主要是说在google里怎么知道这个翻译意思。大家应该都有词典吧，按中国人的办法，把一个一个词分着查出来，敲到google里，你的这种翻译一般不太准，当然你需要验证是否准确了，这下看着吧，把你的那支离破碎的翻译在google里搜索，你能看到许多相关的文献或资料，大家都不是笨蛋，看看，也就能找到最精确的翻译了，纯西式的！我就是这么用的。 2、CNKI翻译： CNKI翻译助手，这个网站不需要介绍太多，可能有些人也知道的。主要说说它的有点，你进去看看就能发现：搜索的肯定是专业词汇，而且它翻译结果下面有文章与之对应（因

34、为它是CNKI检索提供的，它的翻译是从文献里抽出来的），很实用的一个网站。估计别的写文章的人不是傻子吧，它们的东西我们可以直接拿来用，当然省事了。网址告诉大家，有兴趣的进去看看，你们就会发现其乐无穷！还是很值得用的。 3、网路版金山词霸（不到1M）： 4、有道在线翻译：翻译时的速度：这里我谈的是电子版和打印版的翻译速度，按个人翻译速度看，打印版的快些，因为看电子版本一是费眼睛，二是如果我们用电脑，可能还经常时不时玩点游戏，或者整点别的，导致最终SPPEED变慢，再之电脑上一些词典（金山词霸等）在专业翻译方面也不是特别好，所以翻译效果不佳。在此本人建议大家购买清华大学编写的好像是国防工业出版社的

35、那本英汉科学技术词典，基本上挺好用。再加上网站如：google CNKI翻译助手，这样我们的翻译速度会提高不少。具体翻译时的一些技巧（主要是写论文和看论文方面） 大家大概都应预先清楚明白自己专业方向的国内牛人，在这里我强烈建议大家仔细看完这些头上长角的人物的中英文文章，这对你在专业方向的英文和中文互译水平提高有很大帮助。 我们大家最蹩脚的实质上是写英文论文，而非看英文论文，但话说回来我们最终提高还是要从下大工夫看英文论文开始。提到会看，我想它是有窍门的，个人总结如下： 1、把不同方面的论文分夹存放，在看论文时，对论文必须做到看完后完全明白（你重视的论文）；懂得其某部分讲了什么（你需要参考的部分

36、论文），在看明白这些论文的情况下，我们大家还得紧接着做的工作就是把论文中你觉得非常巧妙的表达写下来，或者是你论文或许能用到的表达摘记成本。这个本将是你以后的财富。你写论文时再也不会为了一些表达不符合西方表达模式而烦恼。你的论文也降低了被SCI或大牛刊物退稿的几率。不信，你可以试一试 2、把摘记的内容自己编写成检索，这个过程是我们对文章再回顾，而且是对你摘抄的经典妙笔进行梳理的重要阶段。你有了这个过程。写英文论文时，将会有一种信手拈来的感觉。许多文笔我们不需要自己再翻译了。当然前提是你梳理的非常细，而且中英文对照写的比较详细。 3、最后一点就是我们往大成修炼的阶段了，万事不是说成的，它是做出来的。写英文论文也就像我们小学时开始学写作文一样，你不练笔是肯定写不出好作品来的。所以在此我鼓励大家有时尝试着把自己的论文强迫自己写成英文的，一遍不行，可以再修改。最起码到最后你会很满意。呵呵，我想我是这么觉得的。