基于三维虚拟警戒空间的异常入侵行为自动识别

针对目前视频异常入侵行为识别的不足,提 出了基于三维虚拟警戒空间的异常入侵行 为自动识别方法。基于人头检测与跟踪方法,根据视频监控场景中单一行人目标信息,建立 行人三维平面方程, 构建视频监控场景三维立体虚拟警戒空间,从而将行人是否进入二维场景警戒区域,转化为 行人是否闯入三维 立体虚拟空间,并基于行人头部投影射线的滑动滤波统计,实现行人是否入侵敏感保护区域 的有效识别。所提 方法不受设定警戒区域的规则形状限制,也无需对场景内容事先学习。对不同视频场景 的实验验证及同类方法的定量对比结果表明, 所提方法有效、 可行。     

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。     

一种基于运动相似熵的人群异常行为检测

实现对人群异常事件的检测是图形处理在智能视频监控领域的重要研究内容.提出了一种基于运动相似性熵(EMS)的人群异常行为检测算法.该算法在对视频图像进行光流计算的基础上,以底层光流块为基本单位获取场景运动信息,根据社会网络模型的概念,提出构建场景的运动网络模型(MNM),完成对场景粒子运动相似性的划分,并在时间域上计算MNM的粒子分布熵值EMS,最后将得到的图像熵与设置合理的阈值相比,判断异常行为是否发生.实验证明,该算法可有效检测异常行为,与其他经典检测算法相比有较大优势.     

动态场景下利用ViBe算法实现视频图像去雨雪

通常一些雨雪噪声会使视频图像质量下降以及制约了许多计算机视觉算法的性能(如识别,跟踪等)。所以去除视频图像中的雨雪很有必要,而视频图像去雨雪的过程中,对动态场景的处理是必不可少的。动态场景下的视频图像除了下降的雨雪,微微抖动的树叶,还包括一些大型的移动对象。文中利用ViBe算法将运动的前景对象和静止的背景对象进行了分离,结果表明,该方法能较好地实现视频图像的修复和还原,另外能较好地达到实时要求。     

基于视频对象和深度学习的异常行为分析系统设计和实现

在信息技术快速发展的背景下,视频监控系统的出现,需要实现视频对象异常行为分析模块的实现。同样,借助系统深度学习设计的优化,从而为相关的领域运用提高技术保障。在构建视频对象和深度学习的异常行为分析系统上,其不仅能够让监控系统实现现代化建设与智能化发展,同时也能减少相应的视频对象分析工作量,为部分特殊的视频监管系统的发展提供重要的技术支持。基于此,文章主要对视频对象和深度学习的异常行为分析系统设计和实现进行研究分析,旨在通过对系统设计与实现过程进行详细阐述,为以后类似的研究提供一些参考建议。     

基于整体特征的人群聚集和奔跑行为检测

建立高效完备的智能视频监控系统已经成为当今社 会的迫切需求。针对公共场所人群聚集和奔跑的两类异常行为,提出一种基于分布熵和平均 运动速度的检测方法。一方面,根据前景图像的空间分布情况,采用分布熵衡量场景中人 群的集中程度,实 现对场景中人群聚集行为的检测;另一方面,检测图像上的角点,采用光流法对这些角点进 行跟踪并提取出产 生运动的角点,进而获得运动角点在视频序列中连续两帧间的运动向量,计算出人群整体的 运动速度,从而检 测人群的奔跑行为。所提出的方法不需要对单个行人进行分割以及样本的训练。采用不同场 景和不同人群密度 下的视频对所提出算法进行验证的结果表明,本文方法可以快速、准确地进行人群异常行为 检测。     

红外运动目标轨迹重构动态仿真平台

提出了一种红外热成像视频中运动目标识别追踪以及轨迹重构的动态仿真方法。通过仿真环境中虚拟红外图像的生成方式与成像的基本模型,对得到的图像进行一系列预处理。以空对空场景搭建了基于Gazebo与OpenCV的动态仿真平台,利用平滑约束算法对追踪目标进行实时动态轨迹重构,提出了误差分析模型,并分析出轨迹重构算法的性能以及仿真平台的效能。实验结果表明,该方法针对空对空场景下的红外运动目标轨迹重构具有较好的精度与鲁棒性,对目标的运动模型基本没有约束,同时仿真平台具有较高的运行效能与实时性,普通家用电脑即可实现高于60 fps的实时动态仿真,满足轨迹重构算法性能测试与训练的需求,其核心算法亦可迁移至机载计算平台实现真实场景下的实时轨迹重构。所提出的单路热成像视频中运动目标轨迹重构动态仿真方法对空间目标三维轨迹重建与动态测距定位的研究具有重要意义。     

复杂场景下基于动态纹理的运动分割和背景估计方法

针对现有的运动分割和背景估计方法无法分割停止运动的对象、不适用于复杂动态场景等不足,首先提出一种基于动态纹理(DT)的背景-前景混合模型(FBM),实现动态场景下前景和背景的联合表示。FBM包括一组关于位置的DT成份和一组全局DT成份,前者用于模拟本地背景运动,后者用于模拟持续性的前景运动。其次,提出一种可学习FBM参数的EM算法及变分近似策略,使得FBM在不需要人工选择阈值和不需要单独训练视频的前提下,实现多种运动复杂场景下的前景运动分割,并检测出停止运动的对象。仿真实验结果表明,与当前最新的运动分割和背景估计方法相比,该方法可显著提升背景估计和运动分割的精度。     

基于粒子流和能量模型的异常行为检测

提出了一种基于单目摄像机的异常行为检测方法,可有效检测群聚群散事件。针对传统稠密光流法耗时大,抗噪声性差,对光照变化敏感,而稀疏光流又不能提供丰富运动信息的不足,提出采用二值前景为掩码计算局部稠密光流,既剔除了干扰,又减少耗时。针对光流仅能反应物体瞬时运动信息,不能反应运动的累积效应,不能描述物体间的相互影响,提出建立以光流为底层特征的粒子流场,以稳定地进行特征提取。最后,通过计算粒子幅值直方图的能量来进行异常行为的检测。搭建了实验监控系统,不同场景的实验表明,该方法实时性好,鲁棒。     

基于注意力机制的高光谱图像异常目标检测

在航拍视频运动目标检测中，受到场景复杂度和目标多元化因素影响，导致目标检测精度受限，提出基于注意力机制的高光谱图像异常目标检测方法。建立多背景建模约束下的高光谱视频图像采集和参数识别模型，采用场景变化自适应跟踪方法分析目标运动特征参数，提取运动目标高光谱图像的感知场景背景信息、孤立像素点以及边缘特征量，根据孤立像素点的离群特性，采用注意力机制融合判断方法，提取高光谱图像异常目标点的差异性特征值，采用模糊度特征匹配和场景稠密度色彩分割方法，实现高光谱图像异常目标的动态检测和分离。仿真测试结果表明，采用该方法进行高光谱图像异常目标检测，在虚警率为0.09,检测概率0.94时达到了最好的检测效果，检测的平均耗时为16.34 s。     

布朗运动研究方法错误及纠正

文章对布朗运动理论中出现的“布朗粒子位移服从正态分布”“布朗粒子位移与时间的平方根成正比”和“布朗粒子瞬时速度无穷大”等一系列与经验事实不符的反常问题进行了分析,指出概率分析方法假定布朗粒子在某一时刻的位移服从某种概率分布,无形中将研究对象从一个布朗粒子改变为大量布朗粒子的集合,并用描述大量布朗粒子集体行为的统计规律来刻画一个布朗粒子的个体行为,这是导致布朗运动理论出现一系列反常问题的根本原因。本文将布朗粒子位移与时间之间的数量关系还原为时间函数,提出了“布朗运动瞬时速度等于白噪声”的布朗运动定律,给出了可正确描述布朗运动现象、特征及规律的布朗粒子运动学方程。     

No-reference quality assessment of dynamic sports videos based on a spatiotemporal motion model

This paper proposes an approach to improve the performance of no-reference video quality assessment for sports videos with dynamic motion scenes using an efficient spatiotemporal model. In the proposed method, we divide the video sequences into video blocks and apply a 3D shearlet transform that can efficiently extract primary spatiotemporal features to capture dynamic natural motion scene statistics from the incoming video blocks. The concatenation of a deep residual bidirectional gated recurrent neural network and logistic regression is used to learn the spatiotemporal correlation more robustly and predict the perceptual quality score. In addition, conditional video block-wise constraints are incorporated into the objective function to improve quality estimation performance for the entire video. The experimental results show that the proposed method extracts spatiotemporal motion information more effectively and predicts the video quality with higher accuracy than the conventional no-reference video quality assessment methods.     

基于粒子滤波的空-地目标跟踪算法

针对空-地目标跟踪中目标大幅度变速运动而引 起的跟踪失败问题,基于Kristan等人提出的双步(TS)动态模型框架,对空-地目标跟 踪中目标运动特点进行分析与建模,改进TS模型中 的保守模型以适应加速运动,提出适于描述大幅度变速运动的加速度双步(TSA)动态模型作 为粒子滤波(PF)跟踪算法的动态模 型,实现对粒子状态的精确预测,进而达到使用较少粒子即可对目标鲁棒跟踪的目的。对空 -地目标跟踪的测试视频进行测 试,结果表明,本文算法可对大幅度变速运动目标稳定跟踪,正确跟踪率为92%,对目标 尺寸约为25pixel×30pixel时的处理帧率为29frame/s。本文算法具有较好的鲁棒性与实时性。     

Three-dimensional motion estimation of objects for video coding

Three-dimensional (3-D) motion estimation is applied to the problem of motion compensation for video coding. We suppose that the video sequence consists of the perspective projections of a collection of rigid bodies which undergo a rototranslational motion. Motion compensation can be performed on the sequence once the shape of the objects and the motion parameters are determined. We show that the motion equations of a rigid body can be formulated as a nonlinear dynamic system whose state is represented by the motion parameters and by the scaled depths of the object feature points. An extended Kalman filter is used to estimate both the motion and the object shape parameters simultaneously. The inclusion of the shape parameters in the estimation procedure adds a set of constraints to the filter equations that appear to be essential for reliable motion estimation. Our experiments show that the proposed approach gives two advantages. First, the filter can give more reliable estimates in the presence of measurement noise in comparison with other motion estimators that separately compute motion and structure. Second, the filter can efficiently track abrupt motion changes. Moreover, the structure imposed by the model implies that the reconstructed motion is very natural as opposed to more common block-based schemes. Also, the parameterization of the model allows for a very efficient coding of the motion information     

Approach to automatic video motion segmentation

A novel, fast automatic motion segmentation approach is presented. It differs from conventional pixel or edge based motion segmentation approaches in that the proposed method uses labelled regions (facets) to segment various video objects from the background. Facets are clustered into objects based on their motion and proximity details using Bayesian logic. Because the number of facets is usually much lower than the number of edges and points, using facets can greatly reduce the computational complexity of motion segmentation. The proposed method can tackle efficiently the complexity of video object motion tracking, and offers potential for real-time content-based video annotation.     

Scalable wavelet video coding using aliasing-reduced hierarchicalmotion compensation

We describe a spatially scalable video coding framework in which motion correspondences between successive video frames are exploited in the wavelet transform domain. The basic motivation for our coder is that motion fields are typically smooth and, therefore, can be efficiently captured through a multiresolutional framework. A wavelet decomposition is applied to each video frame and the coefficients at each level are predicted from the coarser level through backward motion compensation. To remove the aliasing effects caused by downsampling in the transform, a special interpolation filter is designed with the weighted aliasing energy as part of the optimization goal, and motion estimation is carried out with low pass filtering and interpolation in the estimation loop. Further, to achieve robust motion estimation against quantization noise, we propose a novel backward/forward hybrid motion compensation scheme, and a tree structured dynamic programming algorithm to optimize the backward/forward mode choices. A novel adaptive quantization scheme is applied to code the motion predicted residue wavelet coefficients, Experimental results reveal 0.3-2-dB increase in coded PSNR at low bit rates over the state-of-the-art H.263 standard with all enhancement modes enabled, and similar improvements over MPEG-2 at high bit rates, with a considerable improvement in subjective reconstruction quality, while simultaneously supporting a scalable representation.     

跨层融合与多模型投票的动作识别

针对动作特征在卷积神经网络模型传输时的损失问题以及网络模型过拟合的问题,该文提出一种跨层融合模型和多个模型投票的动作识别方法。在预处理阶段,借助排序池化的方法聚集视频中的运动信息,生成近似动态图像。在全连接层前设置对特征信息进行水平翻转结构,构成无融合模型。在无融合模型的基础上添加第2层的输出特征与第5层的输出特征融合结构,构造成跨层融合模型。训练时,对无融合模型和跨层融合模型两种基本模型采用3种数据划分方式以及两种生成近似动态图像顺序进行训练,得到多个不同的分类器。测试时使用多个分类器进行预测,对它们得到的结果进行投票集成,作为最终分类结果。在UCF101数据集上,提出的无融合模型和跨层融合模型的识别方法与动态图像网络模型的方法相比,识别率有较大提高;多模型投票的识别方法能有效缓解模型的过拟合现象,增加算法的鲁棒性,得到更好的平均性能。     

A motion vector recovery algorithm for digital video using Lagrange interpolation

In this paper, we propose an efficient motion vector recovery algorithm for the new coding standard H.264, which makes use of the Lagrange interpolation formula. In H.264, a 16/spl times/16 inter macroblock can be divided into different block shapes for motion estimation, and each block has its own motion vector. For nature video the movement within a small area is likely to move in the same direction, hence the neighboring motion vectors are correlative. Because the motion vector in H.264 covers smaller area than previous coding standards, the correlation between neighboring motion vectors increases. We can use the Lagrange interpolation formula to constitute a polynomial that describes the motion tendency of motion vectors, which are next to the lost motion vector, and use this polynomial to recover the lost motion vector. The simulation result shows that our algorithm can efficiently improve the visual quality of corrupted video.