导读:本文包含了行为监控技术论文开题报告文献综述及选题提纲参考文献，主要关键词:大数据,用户行为数据,大数据流式,技术应用
行为监控技术论文文献综述
王皓然,严彬元,周琳妍[1]（2019）在《大数据流式技术在用户行为数据的监控分析中的应用》一文中研究指出本文主要论述大数据流式技术在用户行为数据的监控分析中的研究与应用的方式。(本文来源于《电子技术与软件工程》期刊2019年08期）
王小英,刘庆杰,高方平[2]（2019）在《基于地震前兆观测系统流量检测的网络异常行为分析——评《网络流量的异常检测监控方法及相关技术研究》》一文中研究指出地震前兆观测是地震检测工作中的一项重大内容,对地震前兆观测系统流量检测出的数据进行异常行为分析可以进一步掌握地震情况,全面分析异常,及时合理进行地震预报,最后为震前预防工作奠定坚实基础,减少地震给人们带来的不必要伤害。近年来,对地震前兆异常数据检测的研究不断,研究者从不同角度结合具体案例对地震前兆异常进行分析,如利用统计方法和地质学对比研究不同(本文来源于《电子显微学报》期刊2019年02期）
孙磊[3]（2019）在《基于时空关系分析的监控视频下行为识别技术研究》一文中研究指出监控视频下的行为识别是计算机视觉领域的研究热点之一,本文对其从时空关系挖掘的角度进行研究。首先,提出针对监控下异常行为的基于时空一致性光流特征分类的行为识别技术,获得了很好的识别效果;进一步,针对干扰识别效果的重要因素之一——阴影问题,提出了基于马尔可夫时空关系建模的移动阴影检测方法,获得了很好的阴影检测结果,从而有助于取得更佳的行为识别效果。(1)基于时空一致性光流特征分类的行为识别为了区分视频中的各种行为,对出现的异常行为做出及时报警,本文提出了一种以光流为特征,以多帧图像为处理单元,以显着区域为考虑主体的行为动作分类识别方法。该方法首先通过光流计算和显着性检测锁定运算区域,消除多余的噪声影响。进一步,基于时空关系的一致性约束,确定其光流变化向量,并以此作为分类特征,放入朴素贝叶斯分类器。通过与现有训练样本的比对,确定其测试样本属于各类别的概率大小,并据此决定所属的行为类别,作为最终结果,为后续的及时报警做出准备。通过在数据集上进行测试,并与现有的几种行为识别方法做出比较,结果表明,本文提出的基于光流分类的行为识别方法对于多种行为动作有着很好的识别效果。(2)基于马尔可夫时空关系建模的移动阴影检测行为识别的结果很容易受到阴影的干扰。为此,本文提出了一种基于马尔可夫时空关系建模的移动阴影检测方法。该方法首先通过颜色和纹理的简单阈值判断,得到阴影种子的初始化结果。然后,根据这个结果,分别计算出阴影区域与其对应的背景之间去除强度的阴影特征距离估计的似然概率,以及当前区域分别通过阴影特征的两次比较和面积加权投票方案与空间和时间上的相邻区域进行比较的空间和时间先验概率。最后,由马尔可夫随机场将叁个概率统计值整合到一个能量公式中,进行迭代优化,以一定的结束条件得到最优的结果,即:获得最终的阴影检测结果。通过运行在自己提出的数据集上,有一个很好的检测结果,并且通过ROC曲线可以看出能量公式每一项所起到的作用,另外,在公共数据集上,通过与现有的几种方法进行多方面的分析比较,可以看出,本方法有更好-的检测效果。同时,通过实验对比可以发现,将检测结果应用到基于时空一致性光流特征分类的行为识别中,可以有效提高识别结果的正确率。(本文来源于《安徽大学》期刊2019-03-01）
郭孜政,刘仙,陈瑞雅,潘雨帆,史磊[4]（2018）在《基于ERP技术的疲劳对驾驶人行为监控能力影响研究》一文中研究指出为探究疲劳对驾驶人行为监控能力的影响性,采用模拟驾驶任务和Go/NoGo任务相结合的双任务试验,利用事件相关电位(ERP)技术,分析30名驾驶人的表征行为监控能力的脑电指标(ERN波幅)和驾驶行为指标(车道偏移标准差、方向盘反转率、速度标准差)的相关性,以验证所选驾驶行为指标表征行为监控能力的有效性;分析试验任务第1阶段(0~15min)和第2阶段(75~90min)的ERN波幅、车道偏移标准差、方向盘反转率、速度标准差的差异性,以探究疲劳对行为监控能力的影响机理。研究结果表明:ERN波幅和车道偏移标准差、方向盘反转率、速度标准差存在显着相关性;与试验任务第1阶段(0~15min)相比,第2阶段(75~90min)的车道偏移标准差、方向盘反转率、速度标准差显着增加,额中央区的ERN波幅显着降低;疲劳可导致驾驶人由前额叶调控的行为监控能力受损;车道偏移标准差、方向盘反转率、速度标准差这3项指标可作为测定行为监控能力的驾驶行为指标。(本文来源于《中国公路学报》期刊2018年08期）
艾达,张思哲,刘卫华[5]（2018）在《基于监控视频的行人异常行为检测技术研究》一文中研究指出行人异常行为分析是视频监控领域中重要的研究方向。从基于规则、基于模型两方面对行人异常行为检测算法进行归纳总结,根据判定方式将算法分为阈值判定和分类判定,比较了各类算法的优势和不足,同时对使用较多的数据库进行了总结,最后讨论了异常行为研究在实际应用和未来研究中应该考虑的问题。(本文来源于《电视技术》期刊2018年06期）
宋凯[6]（2018）在《面向视频监控的暴力行为检测技术研究》一文中研究指出随着人类社会的飞速发展,当今社会中发生的事件变得越来越复杂,可能发生的突发异常事件越来越多。这就需要智能视频监控在安全方面起到比较大的作用。但是现在绝大多数的视频监控仅仅起到能实时预览以及存储监控视频的功能,并不能智能分析当前场景中发生了什么。很多视频监控都需要派专职人员观看监控视频并对场景中发生的事件与行为进行判断,浪费了人力财力。基于深度学习的暴力行为识别算法的优点在于识别率比较高,然而此类算法在实现的过程中存在很多局限性,首先深度学习类算法在训练的过程中需要大量样本对模型进行调整,在现有的数据集以及实际情况来说,并不能提供足够多的样本进行训练。较少样本的训练获得的模型识别率是比较低的,而且从数据集的制作上来说,大量的样本需要人工标注,时间与人力成本较高。针对现有数据集中所包含的样本数来看并不适合使用深度学习类算法去测试准确率。因此论文选择以机器学习为基础的算法进行研究。本文主要以50-80帧的短视频公共数据集以及在实际监控场景下采集的视频为研究对象,提出了一种新的暴力行为检测算法。提出的算法先将相邻两帧的图像进行帧差以及二值化计算,之后对二值化后的运动团块属性来对图像进行描述。提取了运动团块的面积,紧凑度,质心间距离叁个特征,并且在其后添加了光流能量直方图,将这些特征横向拼接成描述子,然后对这些描述子进行处理后作为特征向量送入随机森林分类器中进行训练和识别。实验在公共数据集Hockey、Violent flow视频集以及自己制作的以室内外监控视频为主的数据集来进行测试,结果表明该算法不仅仅能够在公共数据集中取得较好的结果,同时也能够在视频监控场景下取得良好的结果。(本文来源于《哈尔滨工程大学》期刊2018-06-01）
蔡星[7]（2017）在《视频监控下的猪只分娩行为识别及仔猪跟踪技术研究》一文中研究指出利用智能视频监控手段替代人工观察,准确实时地检测母猪分娩,同时对出生仔猪的运动状态进行判别是很有价值的研究课题,此课题正是相关企业新产品委托研发中的主要关键技术之一。本文给出了实际视频监控场景下的猪只分娩行为识别方法,并对出生的仔猪进行了跟踪。本文主要的研究工作有:1.前景检测。首先研究对比了计算机视觉中常见的叁种前景检测算法:GMM、Vibe和帧间差分法。在将它们分别应用到实际的猪只行为视频上后,经分析和对比实验结果,对前景检测方法做出改进。在改进后的基础上,运用图像处理中的形态学操作,获得更好的前景检测结果。2.猪只分娩行为识别。本文给出了一种基于图像分割和霍夫变换的母猪位置获取和自适应设置感兴趣区域的算法,成功地实现了母猪位置的获取和感兴趣区域的设立;然后,根据母猪分娩时的行为特征,提出了一种基于感兴趣区域轮廓面积和宽高比阈值的分娩识别算法。在企业合作方提供的真实场景视频数据集上,对于母猪位置的获取和第一只仔猪的出生识别,我们算法的判定准确率均达到95%以上。3.仔猪目标跟踪。首先对仔猪目标进行提取。针对栅栏遮挡造成前景轮廓断开的情况,本文提出了一种多框融合的算法,可以较好地获取仔猪目标的完整轮廓。然后,我们对传统压缩感知算法做出改进,提出了基于感兴趣区域前景更新的压缩感知仔猪跟踪算法。实验表明,本文提出的跟踪算法即使对于部分遮挡环境下的仔猪目标依然可以较好地跟踪。在上述算法的基础上,我们构建了一个猪只分娩行为识别与跟踪系统的原型,并在企业提供的真实场景数据集上进行了测试。测试结果表明,系统对于母猪位置的获取和第一只仔猪的出生识别准确率达到95%以上,且对于部分遮挡环境下的仔猪目标也能较好地跟踪。(本文来源于《厦门大学》期刊2017-04-01）
王珂[8]（2017）在《基于Hadoop平台的监控和行为审计关键技术研究》一文中研究指出随着企业大规模数据在不同垂直业务领域的应用和扩展,得益于Hadoop集群的处理效率高、可扩展性强和成本低等特性,越来越多的企业将Hadoop集群作为主要的数据存储和处理工具。但是,由于Hadoop集群本身具有资源多样性、复杂性等特点,导致节点故障频发,给集群的资源监控带来了极大挑战。此外,Hadoop的安全机制相对薄弱且都属于静态安全技术,缺少对用户行为活动的监控,导致容易遭受隐藏的安全威胁,集群的数据安全难以得到保障。针对用户行为活动的监控,提出了一种Hadoop集群环境下的用户行为异常检测方法,提高了集群的数据安全性。在充分研究和分析现有资源监控技术的基础上,提出了一个监控框架整合改造方案,克服了现有框架的诸多缺点。在Hadoop集群用户活动监控方面,首先研究和分析了传统主成分分析算法的缺点,即在大规模数据情况下的内存限制以及效率不高的问题,本文分解算法中协方差矩阵的计算过程,基于MapReduce对其做并行化处理,较好的解决了上述问题。然后分析用户对HDFS的操作行为,提出了一个基于并行化主成分分析的用户行为异常检测方法,利用本文算法基于用户对HDFS的数据操作记录进行离线训练建模,提取其行为模式。检测时把当前用户的行为模式与训练得到的历史正常行为模式进行比较,基于欧氏距离度量标准评判当前行为是否异常。该方法不仅降低了数据特征的冗余,提高了数据处理的效率,而且具有较好的检测结果。在Hadoop集群资源监控方面,首先研究和分析了现有监控框架的优点和缺陷,选择Ganglia收集集群的监控指标,然后利用本文实现的数据抽取模块把上述指标与Nagios报警框架进行对接,满足Nagios状态显示划分等级的功能需求,最终提出了一个集监控和报警于一体的集群资源监控框架。本文框架充分利用Ganglia和Nagios各自优势,克服了Ganglia告警功能的欠缺和Nagios监控功能的局限,而且本文数据抽取模块使得Nagios避开了自身监控服务的开销,实现了整合框架的轻量级监控。最后,本文对Hadoop集群的资源监控框架和用户异常行为监控系统分别进行了设计与实现,通过实验验证了本文整合框架和检测方法的正确性和有效性。(本文来源于《电子科技大学》期刊2017-03-29）
丁庸,曹伟,罗森林[9]（2016）在《基于LKM系统调用劫持的恶意软件行为监控技术研究》一文中研究指出Android操作系统是目前设备数最多,使用最为广泛的智能手机操作系统。但Android操作系统在给用户带来方便的同时,其巨大的市场价值也吸引了黑客的目光。以Android恶意软件为主要攻击方式的黑色产业链也逐渐发展壮大,严重危害到了广大智能手机用户的隐私和个人财产安全。因此,针对Android恶意软件检测技术的研究有着极其重要的理论意义和实用价值。文章简述了Android恶意软件相关知识,提出了一种基于LKM的Android应用软件动态行为监控方法。该方法在Linux内核层劫持并替换系统调用,以后台服务的形式运行,可以监控软件发送短信、拨打电话、获取电话号码、网络连接、权限提升等行为。最后,基于该方法设计和实现了软件动态行为监控系统。实验结果表明,该系统对Android软件恶意行为的监控准确率达到了93%,系统性能开销小于5%,具有较高的实用价值。(本文来源于《信息网络安全》期刊2016年04期）
丁琛[10]（2015）在《基于车辆动态监控数据的异常驾驶行为识别技术研究》一文中研究指出随着道路交通行业的持续发展,营运车辆的数量也在逐年快速增长,与此同时,在我国,由车辆行驶导致的重大交通事故也较为频繁地发生。分析可知,包括超速行驶、疲劳驾驶等异常驾驶行为是导致交通事故的主要原因。而长期以来,由于道路运输企业和行业管理部门信息化技术应用程度相对较低,缺少对道路运输车辆在运营过程中所产生的海量动态监控数据进行分析的先进技术支撑,缺乏实时、有效掌握营运车辆驾驶人员的驾驶行为并进行分析应用,导致运输企业安全管理工作缺乏针对性和有效性。目前国内外对于异常驾驶行为的研究多数利用视频图像或者驾驶员生理特征等信息进行相应的分析,需要在车辆上额外加装生理指标信息采集传感器等,增加了研究成本且技术尚未完全成熟可用。而根据国内实际情况以及交通行业相关的法律法规,主要利用动态监控平台回传的基础卫星定位数据,研究使用相应的识别算法对驾驶员的异常驾驶行为进行辨识、统计和分析,这一研究工作目前还较少开展。且国内现有动态监控平台虽然能够根据卫星定位数据进行超阈值报警,但对异常驾驶行为识别还存在一定的局限性,其识别机制较为简单,准确性还需进一步提高。本文根据上述问题,对驾驶员的异常驾驶行为识别进行了研究,主要工作有如下几点：(1)对于疲劳驾驶行为,本文提出一种新的基于行业规定时间的疲劳驾驶行为识别算法,该算法可以利用卫星定位数据准确计算出驾驶员的休息时间以及有效驾驶时间,从而在国内法律规定的驾驶时间层面上判断其是否存在疲劳驾驶行为;(2)对于急加速和急减速行为,本文分别提出一种新的识别算法,算法可以识别车辆的急加速或急减速行为,将两段时间间隔极小的急加速或急减速行为进行合并,并统计计算各类参数；(3)对于超速行为以及不按规定路线行驶行为,本文分别在原有算法上进行了改进,提高了对因坐标漂移而产生的卫星定位噪声点的抗干扰能力；(4)在完成对算法的理论研究和设计的基础上,本文运用Java相关的编程技术将算法实现,利用典型模拟数据以及从现有动态监控平台之中提取的实际卫星定位数据对算法进行测试,验证了算法的准确性和有效性,给出了算法在通过程序实现后所花费的分析时间;(5)将算法进行整合,开发了异常驾驶行为识别系统,对系统所使用的技术进行了说明,对其功能界面进行了展示介绍。在完成论文所要求的研究内容之后,本文对研究工作进行了总结,并且对研究的不足进行了说明,提出了对未来研究的展望。(本文来源于《北京交通大学》期刊2015-06-12）
行为监控技术论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
地震前兆观测是地震检测工作中的一项重大内容,对地震前兆观测系统流量检测出的数据进行异常行为分析可以进一步掌握地震情况,全面分析异常,及时合理进行地震预报,最后为震前预防工作奠定坚实基础,减少地震给人们带来的不必要伤害。近年来,对地震前兆异常数据检测的研究不断,研究者从不同角度结合具体案例对地震前兆异常进行分析,如利用统计方法和地质学对比研究不同
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
行为监控技术论文参考文献
[1].王皓然,严彬元,周琳妍.大数据流式技术在用户行为数据的监控分析中的应用[J].电子技术与软件工程.2019
[2].王小英,刘庆杰,高方平.基于地震前兆观测系统流量检测的网络异常行为分析——评《网络流量的异常检测监控方法及相关技术研究》[J].电子显微学报.2019
[3].孙磊.基于时空关系分析的监控视频下行为识别技术研究[D].安徽大学.2019
[4].郭孜政,刘仙,陈瑞雅,潘雨帆,史磊.基于ERP技术的疲劳对驾驶人行为监控能力影响研究[J].中国公路学报.2018
[5].艾达,张思哲,刘卫华.基于监控视频的行人异常行为检测技术研究[J].电视技术.2018
[6].宋凯.面向视频监控的暴力行为检测技术研究[D].哈尔滨工程大学.2018
[7].蔡星.视频监控下的猪只分娩行为识别及仔猪跟踪技术研究[D].厦门大学.2017
[8].王珂.基于Hadoop平台的监控和行为审计关键技术研究[D].电子科技大学.2017
[9].丁庸,曹伟,罗森林.基于LKM系统调用劫持的恶意软件行为监控技术研究[J].信息网络安全.2016
[10].丁琛.基于车辆动态监控数据的异常驾驶行为识别技术研究[D].北京交通大学.2015