نظارت ویدئویی هوشمند از کاربردهای اصلی در بینایی ماشین می باشد. بازشناسی انسان به عنوان بخشی از این سیستم ها از اهمیت ویژه ای برخوردار است. به طوری که صحت عملکرد در این بخش منجر به کارآمدی انواع الگوریتم های نظارتی می گردد. فرآیند بازشناسی در منظر ناظر انسانی به صورت آگاهانه و برپایه اطلاعات و دانش پیشین از ویژگی های سه بعدی پیکره انسان انجام می شود. یکی از این ویژگی ها اطلاعات زاویه قرارگیری شخص نسبت به دوربین است. به عبارتی ناظر انسانی در مرحله تطبیق با بهره گیری از اطلاعات زاویه، تخمینی از ظاهر شخص در زوایای مختلف خواهد داشت. در این پژوهش نیز فرآیند مذکور مدل سازی می گردد. بدین ترتیب در این پژوهش، راهکاری کاملا آگاهانه برای رفع تاثیرات مخرب تغییرات زاویه ای شخص در فرآیند بازشناسی، ارائه شده است. برای این منظور بخش هایی از پوشش بالاتنه فرد که تحت زوایای مختلف می توانند آشکار یا نهان شوند، استخراج گردیده و در مرحله تطبیق، وزن دهی یا نمونه افزایی می شوند. به منظور ارزیابی و مقایسه، روش پیشنهادی بر روی دو الگوریتم از کارآمدترین الگوریتم های بازشناسی مورد استفاده قرار گرفته است. نتایج آزمایش های انجام شده بر روی مجموعه داده های ViPer، بهبود را در نرخ تشخیص بازشناسی نشان می دهد.

در عصر دیجیتال، امنیت سایبری به یکی از چالش های جدی برای سازمان ها و شرکت ها تبدیل شده است. با افزایش تعداد دستگاه های متصل به اینترنت و پیچیدگی حملات سایبری، مدل های سنتی امنیت دیگر پاسخگوی نیازهای امروزی نیستند. در این زمینه، معماری اعتماد صفر ,  , به عنوان یک رویکرد نوین و مؤثر در تأمین امنیت اطلاعات، جایگاه ویژه ای پیدا کرده است. این معماری بر این اصل استوار است که هیچ کاربری یا دستگاهی، چه در داخل شبکه و چه در خارج از آن، به طور پیش فرض قابل اعتماد نیست. در سیستم های نظارت تصویری، که به طور مداوم اطلاعات حساسی را جمع آوری و ذخیره می کنند، پیاده سازی اعتماد صفر می تواند به طور قابل توجهی امنیت را افزایش دهد. ارکان اصلی این معماری شامل احراز هویت مداوم، اصل حداقل دسترسی، رمزنگاری داده ها و نظارت و تحلیل مداوم بر فعالیت ها هستند. احراز هویت مداوم به معنای بررسی هویت کاربران و دستگاه ها در هر بار درخواست دسترسی است و اصل حداقل دسترسی به این معناست که هر کاربر تنها به منابعی دسترسی دارد که برای انجام وظایف خود به آن ها نیاز دارد. همچنین، رمزنگاری داده ها در تمام مراحل انتقال و ذخیره سازی، از دسترسی غیرمجاز جلوگیری می کند. با استفاده از این رویکرد، سازمان ها می توانند به طور مؤثرتری به شناسایی و مدیریت تهدیدات سایبری پرداخته و تاب آوری خود را در برابر حملات افزایش دهند. در نهایت، پیاده سازی معماری اعتماد صفر در سیستم های نظارت تصویری نه تنها به افزایش امنیت کمک می کند، بلکه به سازمان ها این امکان را می دهد که کنترل بیشتری بر دسترسی ها و فعالیت های مرتبط با داده های حساس داشته باشند و به طور مؤثرتر به الزامات قانونی و استانداردهای امنیتی پاسخ دهند.  ,

نیاز روزافزون به نظارت، کنترل و مدیریت هوشمند باعث پیشرفت تحقیقات در حوزه سامانه های نظارت تصویری برای مثال در سیستم های حمل و نقل هوشمند شده است. با توجه به مقدار زیاد داده های این سامانه ها، استخراج الگوها و برچسب گذاری خودکار آنها از چالش های پیش رو است. در این مقاله به منظور آشکار سازی و استخراج الگوهای ترافیکی در تقاطع ها از مدل موضوعی استفاده گردید به طوری که الگوهای بصری به کلمات بصری تبدیل می شوند. ابتدا ویدئوی ورودی به کلیپ ها تقسیم می شوند. سپس ویژگی های شار نوری کلیپ ها که مبتنی بر اطلاعات فراوان بردار حرکات محلی هستند، با استفاده از الگوریتم شار نوری محاسبه و به کلمات بصری تبدیل می شوند. بعد از آن، با یک مدل موضوعی غیر احتمالی به روش کدگذاری موضوعی تُنُک گروهی، الگوهای ترافیکی به سیستم طراحی شده آموزش داده می شود. این الگوها، نشان دهنده حرکت قابل مشاهده هستند که می تواند برای توصیف یک صحنه، با پاسخ به سؤال رفتاری مانند "یک وسیله نقلیه به کجا می رود؟ " مورد استفاده قرار بگیرند. نتایج پیاده سازی روش پیشنهادی بر روی بانک داده ویدئویی QMUL نشان داد که روش پیشنهادی می تواند الگوهای معنادار ترافیکی مانند گردش به چپ، گردش به راست و گذر از چهارراه را به درستی آشکار سازد و نمایش دهد.