监控视频运动片段分割是视频浓缩的基础和前提，现有的视频片段分割方法实现步骤复杂、计算量大，严重影响着视频浓缩的实时性能。针对此问题，提出了一种基于时空流量的监控视频运动片段分割方法。所提方法仅对监视区域边界像素进行稀疏采样，形成时空侧面；在此基础上，通过背景建模提取时空侧面中的目标；然后将运动目标进入和退出视觉监视区域建模成时空流量；最后根据目标特征匹配进行模型修正，得到累积时空流量曲线，并据此进行运动片段分割。实验结果表明，所提方法在保证视频分割准确性的同时，大大提高了视频运动片段分割效率。

近岸海浪周期检测对于近岸精细化海洋预报至关重要。为此,提出一种新的基于视频时空特征学习的近岸海浪周期自动化检测方法。所提方法以连续海浪视频帧为输入,首先利用二维卷积神经网络(2D-CNN)提取视频帧的空间特征,将空间特征在时间维度上拼接成序列,再通过一维卷积神经网络(1D-CNN)提取时间维度特征,这种复合卷积神经网络(CNN-2D1D)能够实现海浪时空信息的有效融合,最后采用注意力机制对融合后的特征进行权重调整,并将所得结果线性映射为海浪周期。将所提方法与基于VGG16网络的单纯空间特征的检测方法和基于ConvLSTM和三维卷积(C3D)网络的时空特征融合的检测方法进行对比。实验结果表明,C3D和CNN-2D1D的检测精度最高,平均绝对误差分别为0.47 s和0.48 s,但CNN-2D1D比C3D的检测结果更稳定,均方根误差分别为0.66和0.81,且CNN-2D1D需要的训练参数更少,这表明所提方法在波浪周期检测中更有效。

由于目前监控视频所拍摄的人脸图像目标较小、难以辨识, 图像超分辨处理已成为亟待解决监控视频图像实际应用问题的技术和手段。提出了一种针对室外监控视频人脸图像的超分辨技术,利用先验知识设置图像训练集, 并进行图像空间转化、去噪等预处理操作; 设计八层卷积神经网络并对各层类型及连接方式进行设定, 同时设定激活函数类型及各层间传递方式函数; 初始化参数并根据训练集训练网络; 根据损失函数反向调整卷积核和偏置参数, 完成图像输出。经过大量实际监控视频图像测试, 并将本文方法和现有其他方法做对比, 实验结果表明,本文方法在图像超分辨效果和处理速度上均有一定的优势。