基于统计分类的多行人跟踪算法

为了使视频监控系统具备多行人自动跟踪能力,提出了一种基于统计分类的多行人跟踪算法。首先采用了背景差和Canny算子准确提取出运动区域,然后利用特征匹配实现帧间目标的对应,最后提出一种利用人体表面颜色空间分布信息的统计分类方法,完成合并或遮挡时多个行人的分离和单独跟踪。实验表明,在相互遮挡时,该算法也能有效地分割和跟踪多个行人,适于智能视觉监控应用。     

基于双模型融合的监控视频人数统计

针对垂直角度监控视频下的人数统计任务所遇到的角度特殊、检测精度较低等问题,提出了一种基于双模型融合的监控视频人数统计方法。在基于COCO数据集的YOLOv3预训练模型上,加入了垂直角度的训练样本进行迁移学习。分别训练两个模型,一个检测俯视视频中的行人,另一个检测俯视视频中的人头。将迁移学习训练后的行人检测模型和人头检测模型的检测结果进行融合,并引入基于卡尔曼滤波的跟踪方法得到了运动轨迹,利用运动轨迹信息实现了人数统计。通过多次实验,验证了在垂直角度监控视频中双模型融合方法较单一检测模型和预训练模型能取得更好的检测效果,最终获得更准确的人数统计结果。     

机器视觉下升降机内人数检测算法

为了限制建筑升降机的人数,防止升降机超载,文中提出了一种基于机器视觉的建筑升降机内人数动态检测方法。该算法是在工人进门的区域内,利用改进的Vibe算法实现视频图像中的运动目标分割,采用领域平滑去除图像噪声,根据人头特征采用椭圆拟合的方式拟合人的头部,利用基于卡尔曼滤波的最近距离匹配法对椭圆的质心进行跟踪并计数。实验表明,文中算法对于升降机内俯视图像中人员计数的实现准确率较高,鲁棒性较好。     

一种基于视频的道路行人检测方法

提出了一种基于交通视频的道路行人检测方法。首先,采用具有自适应背景更新的背景差法提取运动目标。其次,利用行人的轮廓特征和行人在图像上的像素高度与实际距离的线性变化关系特征进一步分割行人目标,并依据行人位置特征对其做多帧匹配跟踪。最后,结合行人速度特征,实现行人目标检测。实验结果表明,该方法能准确地检测交通场景中出现的行人目标,有效地解决运动车辆的遮挡和光照等对行人目标检测的影响,具有良好的实时性和稳健性。     

基于达芬奇技术的智能视频监控终端的开发

为了使监视系统具备自动检测与跟踪移动目标的能力,利用达芬奇技术开发了一种智能视频监控终端。实现了以双核芯片TMS320DM6446为主处理器的硬件平台,在达芬奇软件框架下设计了系统软件。提出的运动目标检测与跟踪算法,融合了背景减除和边缘检测技术分割出运动目标,利用目标特征匹配方法建立连续帧间目标的对应关系。测试表明,此终端实现了实时视频编码、运动目标的检测跟踪以及记录目标运动轨迹等功能。     

目标跟踪中目标匹配的特征融合算法研究

基于特征融合的目标跟踪中,目标的特征由于某些干扰导致准确度较低。基于贝叶斯框架的特征融合算法进行目标跟踪时,不能达到最佳的跟踪效果。为了更好地融合目标的不同特征来实现不同场景的视频中的目标匹配,提出了一种新的特征融合算法。该算法在特征融合过程中引入特征匹配的置信水平信息作为正确目标选择的依据,然后采用不同于粒子滤波的迭代算法确定匹配的正确目标。实验结果表明,对于参与融合的特征之间有相对高的性能和特征间差异性较大的情况,新的融合算法比基于贝叶斯框架的融合算法在大部分情况下具备更高的匹配准确性。     

基于最稳定极值区域方法的目标检测与跟踪

针对非刚体目标的精确实时跟踪问题,提出了一种融合先验形状信患的基于最稳定极值区域(MSER)检测器的跟踪算法.首先,利用训练样本建立目标颜色特征的混合模型,生成目标统计颜色概率图,为最大稳定区域方法提供概率统计依据.其次,利用基于最稳定极值区域方法给出最稳定的分割结果.最后,利用训练样本得到目标的先验动态形状模型,并且融合目标形状信息与通过MSER算法生成的稳定区域信息,去除虚假分割结果,提高目标检测精度与跟踪性能.实验结果证明,该算法能在视频序列图像中有效检测并跟踪目标.     

基于空间虚拟墙的行人越界异常行为自动识别

提出了基于空间虚拟墙的行人越界异常行为自动识 别方法。基于人头刚体不变性及其个体类Haar特征的差异性,融合级联分类器与粒子滤波动 态跟 踪链,实现视频场景下的人头 目标跟踪与定位。进而基于人体身高不变性,建立基于行人头顶的三维平面方程及 其视频监控场景下的空间虚拟墙, 从而将行人跨越二维场景警戒线问题,转化为行人穿越三维空间虚拟警戒墙,实现行人是否 越界的有效判断。通过在不同视 频场景的实验验证与对比,结果表明,所提方法有效、可行,无需特定的硬件支持以及场景 条件约束。     

基于强化学习的公共空间行人轨迹跟踪

对公共空间中的多目标行人轨迹跟踪问题,提出一种基于强化学习的多目标行人轨迹跟踪算法。首先采用高精确度的目标检测器检测公共空间视频中的行人目标,并为每个目标分配一个独立的单目标跟踪器进行轨迹跟踪;将每个目标作为独立智能体,通过深度强化学习方式进行训练;接下来结合跟踪轨迹与检测目标之间的表观和位置特征构建相似度代价矩阵;最终通过匈牙利算法实现数据关联。实验表明,在常用公开数据集上本文算法跟踪精确度达76.1%,表明算法对多目标轨迹跟踪的可行性与有效性。     

基于图像运动区域的红外多行人跟踪

针对红外视频监控中的多行人跟踪问题,提出了一种基于图像运动区域的跟踪算法。首先应用三维中值滤波方法建立背景模型,然后使用背景差分法得到运动区域;基于运动区域之间特定的匹配准则,建立帧间运动区域匹配矩阵,从而实现目标的跟踪。使用实际红外图像序列进行测试,该算法鲁棒性好,能够快速有效地实现多行人的跟踪。     

基于粒子滤波的行人跟踪研究及其性能分析

智能监控系统中的行人跟踪功能在很大程度上能够减轻工作人员的大量眼力工作,通过智能的方式自主地跟踪用户感兴趣的目标。在视频监控环境的基础上,利用改进的粒子滤波器,设计了一个行人跟踪系统,并使其具有系统性能分析的功能。通过使用Mean Shift算法进行目标位置的预估计和多特征融合的方式使该系统在视频背景复杂的情况下能够实现对行人的稳定跟踪。并在实际应用中,分析了在遮挡情况下,行人跟踪效果差的原因,并予以改进。在Visualc＋＋集成开发环境中,基于OpenCV和MATLAB编程实现了系统,能够实时地对目标进行跟踪,并对跟踪结果进行反馈。     

视频监控行人流量统计系统的设计

针对当前行人统计方式落后、非实时性、统计数据滞后等问题,文中提出采用智能视频监控、图像识别的方式实时统计行人流量。系统根据积分通道思想统计行人目标特征,通过Adaboost算法训练分类器对图像帧中的行人目标进行定位、识别。文中在已识别目标的基础上采用CPU多任务模型改进核相关滤波算法对目标进行实时跟踪、统计得到行人流量。测试结果表明,系统能实时识别、跟踪、统计行人目标,整体功能稳定,平均识别率为93%,改进多任务模型使得跟踪速率提高约20%。     

基于深度降噪自编码器的多特征目标融合跟踪算法

针对在目标遮挡、光线变化、目标模糊等情况下的目标跟踪算法抗干扰能力较差的问题,提出了一种基于深度降噪自动编码器的多特征目标融合跟踪算法。该方法首先引入稳像和图像去雾算法以改善训练集数据和测试集数据的质量;再构建多特征深度降噪自动编码网络,基于深度神经网络的强大学习能力提取目标的颜色特征和均匀模式纹理特征;将两种特征加权融合输入到逻辑回归分类器,获得置信分数,更有效地区分目标和背景。最后,采用粒子滤波算法对目标进行跟踪。实验结果表明,该方法能够更准确地对存在目标遮挡、光线变化、目标模糊等干扰问题的视频进行跟踪。与传统方法相比,该方法成功率在上述三个方面平均分别提升33.73%、9.73%和12.80%;与近年流行算法相比,该方法成功率平均达到90.16%,实时性平均达到49.37 fps。     

基于多特征融合的弱小运动目标识别

利用单个特征识别强噪声中的弱小运动目标,常因所提取的目标特征与噪声特征易混淆而导致高的虚警率.提出一种新的基于多特征融合的弱小运动目标识别方法.分析了弱小运动目标的连续相关性、面积及质心位置偏移这三个特征的可靠性及提取方法,对获取的特征值进行归一化后采用多特征融合的方法构造更具有鲁棒性的联合特征,确定了以具有最大多特征融合值为真实目标的决策方法.通过与采用单一特征的目标识别方法进行比较,证明了提出的多特征融合方法能更准确地识别弱小运动目标.     

结合头部和整体信息的多特征融合行人检测

尺度过小或被遮挡是造成行人检测准确率降低的主要原因.由于行人头部不易被遮挡且其边界框包含的背景干扰较少,对此,该文提出一种结合头部和整体信息的多特征融合行人检测方法.首先,设计了一种具有多层结构的特征金字塔以引入更丰富的特征信息,融合该特征金字塔不同子结构输出的特征图从而为头部检测和整体检测提供有针对性的特征信息.其次...     

一种基于HOG的粒子滤波行人跟踪算法

在智能视频监控领域,作为人体运动分析重要内容的行人跟踪正受到广泛关注.在实际视频监控中,利用运动摄像机拍摄会造成背景运动与行人尺寸变化,增加行人跟踪的困难.针对这一问题,为改善实现动态背景下的行人跟踪效果,文章提出了一种综合应用梯度方向直方图(HOG)和粒子滤波的行人跟踪算法.此方法以粒子滤波为跟踪框架,利用小型化的改...     

行人动态实时监测系统的设计与实现

针对视频场景中行人动态信息监测的需求,设计实现了一种行人动态实时监测系统。首先,通过YOLOv3检测算法对场景中行人进行目标检测,在此基础上结合改进的KCF实现多行人目标的跟踪并获取对应下底边中心点。之后结合场景标定结果完成行人图像与三维空间位置监测、场景行人计数和行人行走速度等动态信息监测。通过实验表明,该系统不仅能够较好地完成视频场景下行人目标检测与跟踪,也能够精准完成以上信息动态实时监测的任务,为实际理论研究与工程应用奠定重要基础。     

一种基于模糊理论的雷达与视频融合交通目标跟踪方法

为了解决单传感器在道路监测中存在的局限性以及交通环境多样化等问题,基于模糊集理论的一种目标决策标准对传统的数据融合算法进行改进。该方法利用决策层模糊集理论的多传感器融合算法对交通目标进行跟踪,采用Z型隶属函数用于决策分支的优化。与传统的算法相比,改进后的数据融合算法对雷达航迹冗余、视频干扰和目标分割等问题都有所改善,并且进一步提高了跟踪精度。收集了大量的实际交通数据来验证雷达和视频跟踪算法的有效性,实验结果表明多传感器融合算法优于单传感器的目标跟踪算法。     

采用多特征融合的子块自动提取方法

基于可变形模型的目标跟踪算法因其能够处理目标部分遮挡及形变问题成为目标跟踪领域的研究热点。当目标发生形变或部分遮挡时,可变形模型跟踪器可利用未被遮挡的子块继续完成跟踪。现有基于子块的目标跟踪算法均为手动选取子块的个数和尺寸,但在实际应用中,很难为子块的选取提供人机交互的机会,且手动选取子块易受主观因素影响。针对上述情况,提出了一种采用多特征融合的子块自动提取方法,该方法首先采用基于人眼视觉注意机制对目标模板的显著性区域进行度量;其次,利用边缘方向离散度对目标的纹理丰富度进行度量;然后,融合上述特征获得联合适配性置信度,并根据目标的面积和宽高比自适应确定子块的个数和尺寸;最后,根据联合适配性置信度提取目标子块。实验结果表明,与现有手动选取子块的可变形模型目标跟踪方法相比,采用所提方法自动提取的子块可获得更高的跟踪精度。     

Improved mean shift algorithm for occlusion pedestrian tracking

Occlusion pedestrian tracking is still a difficult problem in video surveillance, while traditional mean shift tracking algorithms fail to track these kinds of targets. Proposed is an improved mean shift tracking approach to solve this problem. Two aspects are improved for the traditional mean shift tracking algorithm. First, occlusion layers are used to represent pedestrian occlusion relation and the non-occlusion part of each pedestrian which is obtained according to occlusion relation is used for the mean shift tracking algorithm. Secondly, the states of the related occlusion pedestrians are gradually adjusted one by one to eliminate the occlusion effect, during the tracking process. The contrast experiment results show that the improved algorithm is real time for well tracking the occlusion pedestrians which cannot be tracked by the traditional mean shift tracking algorithm.