针对当前面向视频专网的网络安全态势评估中缺乏一套完善的指标体系问题，对构建网络安全态势指标体系进行了研究。首先，重点对视频专网面临的网络安全风险进行了研究与分析；然后，结合以往网络安全态势评估技术中的基础评价指标，针对视频专网自身特点，构建了一套适用于视频专网的网络安全态势指标体系；最后，给出了指标值的计算方法，为视频专网的网络安全态势评估奠定基础。研究成果对于完善和丰富面向视频专网的网络安全态势指标体系具有一定的参考和借鉴意义。

针对类内干扰影响基于个体人员特征目标跟踪算法的精确性和鲁棒性问题，分析当前跟踪算法在个体人员跟踪方面存在的不足，提出了利用语言先验知识引导辅助跟踪器的方法。在视觉跟踪器的基础上增加语言引导分支，对跟踪目标产生注意力，从而减少对类内干扰的影响。利用位置置信度进行回归目标框定位的方法解决基于孪生网络目标跟踪算法中利用分类置信度定位候选目标框的局限性，实现跨模态信息融合提升特定目标跟踪的精度。为提升所提模型对特定人员目标跟踪的针对性，构建了跨模态的人员目标跟踪数据集用于训练和验证。实验表明：所提模型应用于个体人员跟踪时表现更佳，其有效性得到了证明。

高速道路动态执法要求车道检测算法能够结构化解析道路，但是基于传统手工设计特征的车道检测算法准确率和召回率不足，而基于深度学习的算法又对计算资源要求太高，因此提出基于道路特征信息的车道结构化解析算法。利用边缘点的梯度统计信息筛选Hough空间的候选点，用动态规划的方法在剩余的Hough空间候选点中寻找最合理的车道线组合，能够在较少计算资源的平台上准确地检测到道路上的全部车道。在自有数据的检测实验中，所提算法能够准确定位结构化和非结构化道路；在对比实验中，所提算法在准确率、召回率和计算速度上均比同类算法有所提高。

根据车辆重识别中区域置信度不同，提出了基于高置信局部特征的车辆重识别优化算法。首先，利用车辆关键点检测获得对应的多个关键点坐标信息，分割出车标扩散区域和其他重要的局部区域。根据车标扩散区域的高区分度特性，提升局部区域的置信度。使用多层卷积神经网络对输入图片进行处理，根据局部区域分割信息，对卷积得到的特征张量进行空间维度上的切割，获得代表全局信息和关键局部信息的特征张量。然后，通过全连接层特征张量转化为表示车辆个体的一维向量，计算损失函数。最后，在测试阶段使用全局特征，并利用训练好的车标扩散区域提取分支获得高置信局部特征，缩短局部识别一致的车辆目标距离。在典型车辆重识别数据集VehicleID上进行测试，验证了所提算法的有效性。

基于SM4算法的白盒密码视频数据共享系统是一种保障监控视频数据跨级跨域共享安全的系统，提出了一种基于国密SM4算法的白盒密码实现方式，并分析了算法的安全性，解决了SM4算法在非信任硬件环境中的安全运行问题。研制了基于后台权限控制机制的视频数据安全共享软件系统，包括共享数据上传/下载、共享审核、数据白盒加密处理、访问控制、基于白盒密码算法的共享视频解密播放器，实现了视频数据共享全过程的安全管控。搭建了实验环境，对所提系统进行了功能性能实验。实验结果表明，所提系统功能性能满足设计要求。

在视频流高性能传输任务中，视频流量的传输问题已成为一个研究的热点。为此，提出了一种基于PF_RING技术的模型。通过使用PF_RING+TNAPI技术，并结合内存路由表、多核、多队列多线程等相关技术确保视频流的高性能传输。同时为了保证不同网域间共享视频数据的安全传输，提出了一种面向视频控制信令双向物理通道、视频流单向物理通道的视频传输模型。实验结果表明：所提方法在有效吞吐量、CPU使用率和平均误码率方面均取得了10%以上的提升。因此，所提方法通过采用PF_RING+TNAPI技术，同时结合视频传输模型，确保了共享视频数据传输的安全性和高效性。

利用人工智能和深度学习技术自动化地分析互联网海量图片，快速、准确地识别有害的暴恐图像并及时处置是反恐工作的重要手段之一。研究了利用深度学习和迁移学习技术对暴恐图像进行分类识别。首先，定义了暴恐图像的主要概念特征，并针对性地构建数据集；其次，针对暴恐图像正样本较少的问题，设计深度神经网络模型和迁移学习方式；最后，基于构建的训练数据集进行模型训练和测试。结果显示：所提方法可以快速、准确地对互联网图片进行分类识别，平均分类准确率达到96.7%，从而有效降低人工检测的劳动强度，为反恐预警工作提供决策支持。

行人重识别是刑侦案件中重要的侦查手段，而跨域是行人重识别的主要挑战之一，也是制约其实际应用的瓶颈问题。在带标签的源域和无标签的目标域学习跨域行人局部语义不变性特征模型。首先，在源域上通过只含有行人标识无部件标签的监督学习方式学习行人的各部件特征，并在源域和目标域上采用无监督学习方式对齐行人部件。然后，基于对齐后的行人全局与局部特征，引入特征模板池存储对齐后的目标域全局和局部特征，并设计了跨域不变性损失函数进行特征不变性约束，提高行人重识别的跨域适应能力。最后，在Market-1501、DukeMTMC-reID和MSMT17数据集之间开展了跨域行人重识别验证实验，实验结果表明，所提方法在跨域行人重识别上取得了显著的性能提升。

随着媒体数据的多样化发展，联合图像与三维模型的跨域检索成为三维模型检索问题的一个新挑战。针对图像与三维模型差异大、难匹配问题，提出了一种基于三元组网络的跨域数据检索方法。以端到端的方式构建真实图像与三维模型的特征联合嵌入空间，通过特征间的距离度量不同模态数据之间的相似性，实现从单张图像检索相似的三维模型。为了提高跨域检索准确度，将三维模型用一组顺序视图表示，结合门控循环单元（GRU）聚合视图级特征，同时引入注意力机制提取图像特征，缩小真实图像与投影视图间的语义差异。实验结果表明：相比于同类方法，所提方法在两个跨域数据集上的检索平均准确率至少提升2.98%~3.05%。

针对由高斯模糊和泊松噪声引起的图像降质问题，提出了一种基于结构加权低秩近似的图像去模糊方法。首先，通过依次组合缩放、旋转、剪切和翻折等四种基本操作引入结构变换，以增加搜索空间内候选图像块的相似性。然后，构造新的目标函数，利用相似图像块的低秩性，在正则项中使用加权核范数（WNN）对结构变换后的图像块进行惩罚，以在去模糊的同时抑制泊松噪声。最后，基于半正定二次分裂（HQS）方法设计交替优化方案，用于求解目标函数，从泊松图像中去除模糊。实验结果表明：在多种泊松噪声强度下，所提方法取得的峰值信噪比（PSNR）和结构相似性（SSIM）都高于当前同类去模糊方法。

为增强低照度图像和抑制噪声，提出了一种通过学习收缩场（SF）改进Retinex分解的图像增强方法。首先，构造新的目标函数，在正则项中引入2组不同的高阶滤波器分别约束未知的反射图和照明图。高阶滤波器可以学习到多种激活模式，有利于在恢复反射图的同时抑制噪声污染。然后，在优化目标函数时通过求解收缩场更新隐变量，参数化的压缩函数可以自适应地调整相应滤波器在反射图和照明图上的响应。最后，在每个级联内更新照明图之前，嵌入一个辅助的收缩场，以抑制噪声和不良伪影的传播，从而更精确地估计照明图。实验结果表明，所提方法取得的峰值信噪比（PSNR）和结构相似性（SSIM）均高于当前最新的低照度图像增强方法。

在热红外视频监控环境下，针对热红外图像因周围环境温度变化而导致热红外图像灰度值反转的问题，提出了一种通过热红外图像的边界特征和运动特征的融合来提取行人目标前景区域的方法。首先，利用行人目标和周围环境存在的显著性差异来提取行人目标的边界特征，对所提取的边界特征进行边界填充，并利用热红外行人目标分类器来排除误检目标，从而获取最终的边界特征提取结果；其次，利用相邻帧之间的运动信息来获取行人目标的运动特征，对所获取的运动特征进行形态学处理，并利用热红外行人目标分类器来排除误检目标，从而获取最终的运动特征提取结果；最后，对所获取的边界特征提取结果和运动特征提取结果进行融合来获得最终的检测结果。实验证明，在公开的OSU和LSI热红外图像行人目标检测数据集中，所提方法能够有效地降低环境温度变化的不利影响，并提高行人目标前景区域提取的精度。

刑侦破案是打击违法犯罪和确保国家长治久安的基本要求。刑侦破案的一大关键是如何有效地利用采集到的信息。为了更好地配合刑侦工作，提出了联合足迹识别与监控视频分析的智能刑侦系统。该系统基于深度学习方法，首先根据足迹信息，包括鞋印长度、宽度、受力分布情况、步长、步幅等，利用卷积神经网络技术实现嫌疑人个人特征的预测；其次联合周边监控视频大数据进行智能分析比较，利用大数据技术快速处理信息，分析视频中行人的个人特点；最后运用虚拟现实仿真技术构建足部压力和鞋底受力分析有限元模型，利用模型获得各种复杂场景下的仿真足迹。三者相互印证，有机结合，快速筛选刑侦对象。实验结果表明，该系统可以高效准确地根据足迹特征实现身高预测，并且与视频监控大数据相结合，可以迅速缩小排查范围并锁定凶手。

公共安全视频监控在新型冠状病毒肺炎防治攻坚战中发挥了重要作用。针对中国人口密度高、人流量大、新型冠状病毒肺炎易传播的特点，建立了融合可见光和红外光双光谱成像监控的智能体温检测与健康大数据管理系统，实现了无接触快速体温检测与佩戴口罩情况下的人脸识别，快速完成人员信息登记。系统已在多地完成部署，通过了有效性和可靠性验证，测量速度快，响应时间在30 ms以内；测量精度高，测量温度误差在±0.3℃以内；测量范围广，可监控距离0.1~10 m；人脸抓拍率99%以上，识别率95%以上；健康大数据管理系统能实时监控和追踪回溯人员流动，在多维度上对人员信息和疫情发展大数据进行统计分析，并对疫情发展动态进行建模和预测，根据分析结果完善疫情防控策略，开展精准高效的疫情防控。

行人再识别是图像检索领域的一个重要部分，但是由于行人姿态各异、背景复杂等因素，导致提取到的行人特征鲁棒性和代表性不强，进而影响行人再识别的精度。在AlignedReID++算法基础上，提出了基于空间注意力机制的行人特征提取方法，应用在行人再识别中取得了很好的效果。首先，在特征提取部分，引入空间注意力机制来增强特征表达，同时抑制可能的噪声；其次，通过在卷积层中引入实例正则化层（IN）来辅助批正则化层（BN）对特征进行归一化处理，解决单一BN层对特征色调变化以及光照变化的不敏感性，提高特征提取对亮度、色调变化的鲁棒性；最后，在Market1501、DukeMTMC和CUHK03 3个行人再识别通用数据集上对所提改进模型进行测试评价。实验结果显示：改进后的模型在3个数据集上识别精度分别提升了2%、2.9%和5.1%，表明改进后的模型相较于改进前的模型，在精度以及鲁棒性上都有显著提高。

为了解决训练过程中卷积模型参数较多、收敛速度较慢的问题，提出了一种基于MobileFaceNet网络改进的人脸识别方法。首先，使用MobileFaceNet网络提取人脸特征，在提取特征的过程中，通过引入可分离卷积减少模型中卷积层参数的数量；其次，通过在MobileFaceNet网络中引入风格注意力机制来增强特征的表达，同时使用AdaCos人脸损失函数来训练模型，利用AdaCos损失函数中的自适应缩放系数，来动态地调整超参数，避免了人为设置超参数对模型的影响；最后，分别在LFW、AgeDB和CFP-FF测试数据集上对训练模型进行评估。实验结果显示：改进后的模型在LFW、AgeDB和CFP-FF测试数据集上的识别精度分别提升了0.25%、0.16%和0.3%，表明改进后的模型相较于改进前的模型在精度和鲁棒性上有所提高。

针对传统ORB算法所提取的特征点分布不均匀、存在冗杂，且不具有尺度不变性的问题，提出了一种基于区域划分的改进ORB算法。算法根据需要提取的特征点总数和所划分的区域个数计算每个小区域需要提取的特征点个数，解决了在特征点提取过程中特征点重叠和特征点冗余的问题；通过构建图像金字塔，在每一层图像金字塔上提取特征点，解决了ORB算法提取的特征点不具有尺度不变性的问题。实验结果表明：在不损失图像匹配精度的同时，所提算法提取的特征点更加均匀合理，在提取速度上也较传统ORB算法提升了16%左右。

在面部视频中提取生命体征相关的生理信号时易受环境光和受试者头部运动的影响，为了降低外界干扰并提高生命体征检测的准确度，提出了一种联合集合经验模态分解（EEMD）算法与信号质量检测的面部视频分析方法，用于精确检测人体的心率与呼吸频率等生命体征。通过公开数据集进行实验验证，实验结果表明，所提方法相较于目前已有的常用信号处理方法能够得到更精确的心率与呼吸频率的估计值，所得估计值与标准值的相关系数分别高于0.9和0.8。同时，所提方法将为实时活体人脸识别提供一种思路，也有助于丰富监控视频智能分析的应用研究。

为实现公安监控系统内容分析的精准智能及提高服务实战能力，提出一种轻量化的多目标实时检测算法。首先，基于CenterNet检测网络增加了CBNet的多融合阶梯级联结构，有效地解决了主干网络在日常监控中特征提取能力不足的问题；其次，通过模型剪枝压缩网络减少参数量，加快了监控视频分析速度。本文利用部分COCO数据集和自行采集的现场数据进行训练与测试，并与其他主流检测算法（YOLO、Faster-RCNN、SSD等）进行消融实验。实验结果表明：所提模型在公共安全监控中能有效地做到速度与精度的均衡，并具有较强的普适性。

行人的空间尺度差异是影响行人检测性能的主要瓶颈之一。针对这一问题，提出了跨尺度特征聚合网络（TS-FAN）有效检测多尺度行人。首先，鉴于不同尺度空间呈现出的特征差异性，引入一种基于多路径区域建议网络（RPN）的尺度补偿策略，其在多尺度卷积特征层上自适应地生成一系列与其感受野大小相对应的候选目标尺度集。其次，考虑到不同层次卷积特征在视觉语义上的互补性，提出了跨尺度特征聚合网络模块，其通过横向连接、自上而下路径和由底向上路径，有效地聚合具有语义鲁棒性的高层特征和具有精确定位信息的低层特征，实现对卷积层特征的增强表示。最后，联合多路径RPN尺度补偿策略和跨尺度特征聚合网络模块，构建了一种尺度自适应感知的多尺度行人检测网络。实验结果表明，所提方法与当前一流的行人检测方法TLL-TFA相比，在整个Caltech公开测试数据集上（All：行人高度大于20像素）的行人漏检率降低到26.21%（提高了11.94%），尤其对于Caltech小尺寸行人子数据集上（Far：行人高度在20~30像素之间）的行人漏检率降低到47.30%（提高了12.79%），同时在尺度变化剧烈的ETH数据集上的效果也取得显著提升。

针对目前人脸表情识别大多采用基于深度学习的端到端特征提取及分类方法的现象，提出了一种新的深度模型优化方法。基于ResNet18残差网络架构和正则化思想，提出了联合正则化策略，即将过滤器响应正则化和批量正则化、实例正则化和组正则化、组正则化和批量正则化分别嵌入网络之中，平衡和改善特征数据分布，弥补单一正则化的缺点，提升模型性能。在2个公开数据集FER2013和CK+进行了验证和测试，最高准确率分别达到了73.558%和94.9%，实验结果表明，联合正则化策略提高了基础网络的性能，其表现优于诸多当前较新的人脸表情识别方法。

掌纹因稳定性、唯一性、难复制性及易获取等特点，是极具应用潜力的生物识别特征。针对掌纹识别中，获取掌纹感兴趣区域（ROI）与增强掌纹信息普遍存在的时间成本大，方法之间有依赖关系等问题，提出了一种基于U-Net神经网络结构的掌纹图像预处理方法。通过香港理工大学掌纹库进行实验对比，结果表明，所提方法能消除预处理方法之间的相互影响，实现对掌纹图像的去噪与增强处理，并能快速、高精度提取感兴趣区域。