基于骨架特征的人数统计

针对视频监控中行人在运动中将出现部分或严重遮挡的问题,提出了一种基于人体骨架特征的人数统计算法。首先,利用形态学骨架提取算法提取初始人体骨架图;然后,剔除骨架孤立点和骨架伪分支,得到最优人体骨架特征;最后,通过分析骨架的人头区域特征,建立人头检测响应规则,检测行人人头个数实现人数统计。实验结果表明,该算法能够解决视频监控人物相互之间部分遮挡和严重遮挡问题,针对相对稀疏的场景该算法人数统计准确率为95%左右。     

基于颜色和形状信息的快速人数统计方法

人数统计一直以来都是计算机视觉和智能视频监控领域的重要研究内容;但是由于遮挡、阴影和光照变化使得构建一个实时、准确的人数统计算法变得异常困难;提出的结合颜色信息和形状信息的人数统计算法对人头进行检测和跟踪,有效地减小了行人遮挡对算法精度的影响;提取颜色信息在HSV空间中的V通道进行,大大降低了阴影和光照变化对统计精度的影响;算法首先使用颜色信息和形状信息实现快速人头检测,然后使用一种融合颜色、距离和形状信息的跟踪方法对人头进行跟踪,最后通过对跟踪轨迹分析,推断出人数.另外,快速模板匹配技术的使用,极大地减小了算法的运算复杂度;实验结果表明该算法可以快速、有效地实现对指定区域的人数统计.     

基于深度神经网络的行人头部检测

行人检测已成为安防、智能视频监控、景区人流量统计所依赖的核心技术,最新目标检测方法包括快速的区域卷积神经网络Fast RCNN、单发多重检测器 SSD、部分形变模型DPM等,皆为对行人整体的检测。在大场景下,行人姿态各异,物体间遮挡频繁,只有通过对行人身体部分位置建模,抓住人的局部特征,才能实现准确的定位。利用Faster RCNN深度网络原型,针对行人头部建立检测模型,同时提取行人不同方向的头部特征,并加入空间金字塔池化层,保证检测速率,有效解决大场景下行人的部分遮挡问题,同时清晰地显示人群大致流动方向,相比普通的人头估计,更有利于人流量统计。     

基于Adaboost和码本模型的手扶电梯出入口视频监控方法

针对传统视频监控方法无法对密集前景目标进行准确分割的问题,提出一种基于Adaboost和码本模型的多目标视频监控方法。首先,通过训练得到Adaboost人头分类器,利用码本算法为垂直拍摄的手扶电梯出入口图像建立背景模型,提取前景图像对其进行人头检测和跟踪;之后,剔除行人目标得到物件目标,对物件目标进行跟踪;最后,根据行人和物件的运动特征进行监控。对12段出入口视频序列的实验结果表明,监控方法能够准确稳定地跟踪行人和物件,完成逆行检测、客流统计、行人拥堵和物件滞留等监控任务,处理速度达到36帧/秒,目标跟踪准确率达到94%以上,行为监控准确率达到95.8%,满足智能视频监控系统鲁棒性、实时性和准确性的要求。     

基于AdaBoost和帧间特征的人数统计

视频监控中出入口人数统计的难点在于人流密集时对每个人体的准确分割。通过学习的方法得到人头检测的分类器,并在垂直拍摄图像中提取人头候选区域,以分离相互靠近的人体目标,进而根据人头的运动特征剔除静止误检区域,根据误检目标检测频率低及其响应位置不连续的特征剔除动态误检区域。最后提出一种简易可行的过线跟踪方案以完成计数。实验中对各种复杂情况的过线视频进行测试,正确率能够达到95%以上。与传统方法相比,本文方法解决了多人过线或搬货物过线时传统方法难以准确完成的行人分割和计数,更适于实际情况的人数统计。     

一种改进的轻量人头检测方法

为了提高视频监控中人数统计的精度和速度,解决传统人体检测由于衣物身体阻挡而造成的高遮挡问题。提出一种改进的轻量人头检测方法MKYOLOv3-tiny。该方法是对YOLOv3-tiny进行改进,针对低层的人头特征进行多尺度融合,实现不同卷积层的分类预测与位置回归,提升检测的精度;针对人头较小的特点,结合有效感受野的思想,K-means聚类减小初始候选框的规格,提升候选框的精度。实验结果表明,改进后的模型在Brainwash密集人头检测数据集上与原方法相比,在精度上提升了3.21%,漏检率降低了8.7%。     

嵌入式系统中实时行人检测方法

随着计算机技术的不断发展,智能自动化的人数检测系统不断产生.人数检测对于企业或机构的信息化管理至关重要.传统人数检测方法因为肢体遮挡以及光照变化导致准确率较低.提出了针对人头特征的垂直检测方法,该特征可以保证在人流密度大的情况下无法被遮挡.该方法首先提取前景图像的梯度方向直方图特征,并通过SVM检测人头目标,利用头部的颜色特征,在相邻帧中使用MeanShift算法跟踪人头目标.根据人头目标轨迹进行过线检测,算法在嵌入式系统上进行了应用与测试,实验表明算法有较好的实时性与准确率.     

基于注意力增强的行人与头肩级联检测算法

在监控视频中，行人会存在不同视角、不同程度的遮挡问题，导致当前行人检测器漏检率、错检率较高，于是提出了一种注意力增强下的行人整体与行人头肩区域级联检测的行人检测器。提出一种新的通道注意力机制，称为全卷积通道注意力机制；针对分类和回归任务分别融入相适应的注意力机制，来增强有效的检测特征，抑制背景特征信息；设计行人整体与行人头肩区域级联行人检测器，通过行人整体与行人头肩区域的匹配算法，级联地处理检测结果。该算法，尤其针对下半身严重遮挡的情况，极大降低了遮挡行人的漏检率。实验结果表明，在Caltech公开行人检测测试数据集Reasonable（合理子集）的对数平均漏检率降低到5.37%，尤其在Occ=heavy（严重遮挡子集）上的对数平均漏检率降低到23.33%，同时在ETH和CityPersons行人检测数据集上，该算法亦拥有较好的检测效果。     

密集人群场景下的行人检测与跟踪

针对日常户外高密度遮挡人群,本文提出一种基于行人头部检测的高效、鲁棒的多人跟踪方法。由于高密度人群的遮挡问题严重,因此提取背景的方法不可行。通过基于Haar-like特征的Viola-Jones分类器对视频中行人的头部正面进行检测,同时通过基于头部轮廓特征的Logistic回归对视频中行人的头部背面进行检测。确定行人的头部位置后,提取基于颜色直方图的头部特征,最后使用粒子滤波跟踪行人的头部。实验表明本方法能够高效地跟踪高密度遮挡的人群。     

地铁监控中的行人检测方法

针对地铁视频监控中行人检测问题,提出了一种将背景建模与形态学相结合的行人检测方法。算法首先对视频序列图像进行预处理;然后利用背景建模不断更新复杂环境中运动区域,提取目标区域;再通过改进的形态学算法对目标区域进行人体检测。实验结果表明,该方法能够准确地检测地铁视频监控中的行人,运算速率较快,鲁棒性较高。     

基于运动目标分类的双向人流量统计算法

提出了一种在智能视频监控中基于运动目标分类的双向人流量统计算法.本文首先对运动目标进行检测和跟踪,根据检测出的运动目标团块经过预设计数线时的特征信息,把目标划分为非行人、单行人和多行人.对于多行人的情况,利用HOG和SVM对目标团块中的头肩进行检测,判断出多目标团块包含的行人数目.在人流量的统计中,借助于运动目标方向信息和目标团块所包含的行人数目信息,对经过场景预设计数线的行人进行进出双向的统计.本文算在建筑物通道口环境下的人流量统计中取得了较好的效果.     

基于热点区域定义的人数统计方法研究

行人统计在智能监控领域中具有重要意义,但复杂背景环境以及行人运动过程中出现的遮挡现象导致当前方法的准确率并不高。此外,传统过线统计人数的方式的实际适用范围有限。考虑到现有方法的不足,提出了一种基于热点区域定义的人数统计方法。首先,利用自适应学习率背景建模提取运动目标前景,得到前景区域的位置和大小,扫描计算运动目标前景范围内的HOG特征,并判别是否存在头肩目标;然后,利用基于KCF的目标匹配算法跟踪头肩目标;最后,结合目标运动轨迹与提出的区域人数统计算法进行行人人数统计。采用 24fps的手机拍摄 的长度为10min、分辨率为960×720像素 的视频做人数统计实验。实验结果表明,所提算法在统计人数时正确率可达到93.1%,能满足实时性要求。该方法结合了检测效率和准确率,在背景环境复杂的场景下具有良好的效果,能适应各类人数统计的实际应用场景。     

时空图卷积网络在人体异常行为识别中的应用

在监控场景下,由于监控资源短缺,行人异常行为容易发生漏检。针对该问题,提出了一种视频监控场景下的人体异常行为识别的方法,辅助监控人员及时发现异常。使用OpenPose对图像中行人进行人体骨架提取。针对图卷积网络对关节点特征聚合方式单一的问题,融合了基于图注意力网络（graph attention network,GAT）的图注意力机制。在改进后的图卷积网络的基础上,利用时空图卷积神经网络（spatial temporal graph convolutional networks,ST-GCN）,对行人关节点信息进行异常行为识别。实验结果表明,提出的识别算法对定义的行为识别准确率达85.48%,能够准确地识别监控视频中行人的异常行为。     

Privacy enabled video surveillance using a two state Markov tracking algorithm

Nowadays video surveillance systems are widely deployed in many public places. However, the widespread use of video surveillance violates the privacy rights of the people. Many authors have addressed the privacy issues from various points of view. In this paper we propose a novel, on-demand selectively revocable, privacy preserving mechanism. The surveillance video can be tuned to view with complete privacy or by revoking the privacy of any subset of pedestrians while ensuring complete privacy to the remaining pedestrians. We achieve this by tracking the pedestrians using a novel Markov chain algorithm with two hidden states, detecting the head contour of the tracked pedestrians and obscuring their faces using an encryption mechanism. The detected pedestrian face/head is obscured by encrypting with a unique key derived from a master key for the privacy preservation purpose. The performance evaluations on many challenging surveillance scenarios show that the proposed mechanism can effectively and robustly track as well as identify multiple pedestrians and obscure/unobscure their faces/head in real time.     

基于计算机视觉的人流量双向统计

提出了一种采用视频监控系统对人行通道口进行双向人流量计数的方法。首先建立发色模型与头部形状模型,采用形态学运算提取人的头部目标,然后跟踪目标建立人头目标移动链,依据目标链位置信息判别行人的进出方向,最后设置感兴趣的检测区域,并对通过该检测区域的行人计数。实验结果表明,该方法能实时有效地统计通道口处双向人流量。     

一种快速人体骨架建模方法

提出从序列视频中快速建立人体骨架模型的方法。基于阴影特征采用Otsu算法完成运动目标检测中的阴影消除,得到准确的人体轮廓;对人体轮廓进行形态学的细化处理,采用新建立连通性结构标准和肢体关节点定位算法处理骨架建立人体骨架模型。实验结果表明,该方法对人体肢体部位各端点定位获得较高的准确率,能快速定位关节点,较好地得到人体骨架模型。     

基于多目标跟踪的交通异常事件检测

针对传统异常行为自动检测方法的准确率和稳定性无法满足多变视频检测需求的问题,将最新的目标检测网络YOLOv3与目标跟踪算法相结合,通过对基于SORT多目标跟踪框架的改进,对检测目标的级联匹配采用了融合运动与外观特征的指标,以适应实际高架桥梁道路监控的情况.然后利用改进的多目标跟踪算法,对城市高架道路监控视频中的目标进行跟踪,配合相应的轨迹判别规则实现对视频中出现的行人、停车和车辆变道的交通行为异常情况的自动判别,具有较高的判别精度,可以达到实际应用目的.