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。     

基于深度学习的行人数量统计方法

为了实现对视频中的行人进行实时、准确的人数统计,提出了一种基于深度学习的计数方法。首先,通过K-means聚类方法优化检测模型的先验框;其次,使用实际场景下获取的行人图像对深度学习模型YOLO-v3进行训练;然后利用Deepsort在线多目标跟踪算法跟踪多个行人并分别获取其轨迹;最后通过计数线法判断行人数量。该方法计数准确率可达89.2%,每帧检测时间可达65ms,且场景适应性强,鲁棒性好,可满足实时行人计数要求。     

一种基于柔性力敏传感器的人数统计系统

针对复杂环境下公共场所出入口的人数统计需求,避免因光照变化、遮挡、运动模糊及复杂背景等对统计精度造成的影响,提出一种基于柔性力敏传感器的人数统计系统。该系统实时获取公共场所出入口处的行人在传感器区域留下的压力足印,并通过网络通信模块将足底压力数据传递给上位机进行数据处理与分析,经过数据去噪、图像分割和特征提取等步骤得到目标脚印及其特征参数,再运用特征匹配和运动轨迹规划算法进行人数统计。实验结果表明,该系统不仅工作稳定,具有较好的鲁棒性以及较快的响应速度,而且在不同测试场景中均可获得较高的统计准确率,特定场景下最高可达98%。     

汽车客运站出入口监控系统中行人检测与跟踪方法

准确检测并跟踪行人目标是进行人流量统计和行为分析的基础。在汽车客运站出入口监控系统中,多个行人一起行走的情况较多。针对这种情况,本文提出一种能分割多人的行人检测与跟踪方法。首先通过背景差法提取运动行人,并对多人融合的情况下进行行人分割;然后结合卡尔曼滤波原理跟踪行人,并输出其运动轨迹。实验结果表明,该方法能清楚地绘出行人的运动轨迹,具有很好的鲁棒性。     

一种基于梯度方向直方图的俯视行人的检测方法

目前已有很多关于行人检测方面的研究,这些研究基本建立在行人竖直站立或行走的平视图上,主要应用于视频监控和车载辅助驾驶等领域,但在实际应用中,有时需要从不同的视角检测行人。文中提出一种针对俯视行人检测方法,该方法将俯视行人头部的梯度方向直方图统计信息作为检测目标的特征。通过训练样本提取的特征向量在支持向量机中进行训练得到分类模型参数,然后提取检测样本的特征向量输入分类模型进行判别。与现有行人检测的梯度方向直方图算子相比,文中特征描述算子突出目标的区域与轮廓特征,在目标分块、特征计算和特征统计方法上均有变化。实验证明算法有效且处理速度明显提升。     

基于乘客多运动行为的公交客流计数判定方法

针对基于单目视觉的公交乘客人数统计判定方法不稳定、计数结果不准确的现状,结合公交车门附近乘客运动行为的复杂性和多样性,以及乘客运动行为对计数判定方法的干扰,给出一种基于乘客多运动行为分析的计数判定方法。采用轨迹聚类的方式对乘客运动行为进行分析,结合轨迹的空间特征和方向特征计算轨迹距离,并使用层次聚类方法进行聚类。分析聚类结果中每一类别所对应乘客类的运动行为,讨论各乘客类的运动行为对常用计数判定准则的影响,由此提出一种改进的公交车客流计数判定方法。利用采集的乘客上下公交车视频图像进行实验,结果表明,该方法能获得较高的统计精度和较好的稳定性。     

基于YOLOv3的大学生上课时间观念的研究

本文基于教室监控视频数据对大学生上课时间观念进行研究,采用"检测-跟踪-计数"框架对不同时间段学生到课人数进行统计分析。目标检测阶段是以YOLOv3网络作为目标检测的基础模型,通过构建教室出入学生样本库,训练出更适合检测教室行人的网络模型;目标跟踪阶段使用的是DSST算法进行目标跟踪,结合帧间质心匹配算法进行人数统计。最后,对各个时间点进出教室人数进行分析研究,实验结果表明了方法的有效性。     

实时人数计数系统

描述一个实时在线人数计数系统,该系统采用检测加跟踪的方法来实现人数计数功能。在检测阶段,采用MBLBP（multi-scale block LBP）特征,从运动区域上检测出行人。该特征速度快,并且在归一化下,能够适应多尺度的应用;在跟踪阶段,通过一个概率模型,将对行人的跟踪转化为对特征点的跟踪,并且在将检测目标和跟踪目标进行一一对应时,进一步利用各个目标内的特征点来完成相应的操作。最后用实际中不同场景下的视频,对系统的性能进行测试,同时还在一段公开的视频上进行了测试,实验结果表明,该系统能够在不同场景下较准确地实现人数计数功能。     

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。     

基于HOG的快速行人计数算法

为解决智能监控中空间受限情景下的行人计数问题,设计了基于HOG的行人识别与计数算法. 通过限制HOG目标检测算法中图像的缩放范围,并设置感兴趣的检测区域,相比直接应用OpenCV函数实现的目标检测,其时间效率大幅提升;采用基于单计数线算法完成双向流量统计. 三个不同走廊环境的实验表明,本文算法具有不依赖帧间运动信息的特点,可快速稳定的对空间受限情景下的行人进行计数.     

基于全方位视觉的自动门安全和节能检测技术

针对自动门运行过程中的效率及安全问题,提出了一种基于全方位视觉传感器(ODVS)的自动门安全和节能智能检测技术。首先,采用ODVS采集自动门周边的360°全景图,并对全景图像按检测要求进行预处理;接着,采用一种运动历史/能量图像(MHoEI)算法来检测和跟踪运动目标前景对象;然后,根据前景对象的运动方向和空间位置等信息来分析行人的行为;最后,根据行人的行为和状态来控制自动门的开启和关闭,以达到自动门安全性、节能性和舒适性的控制目标。实验结果表明,该检测方法能有效地识别自动门周围的行人行为,有助于避免各种自动门安全隐患发生,同时能高精度统计出进出自动门的人流量。     

利用腿部区域HOG特征的行人检测方法

为快速定位车辆前方的行人,提出一种基于腿部感兴趣区域梯度方向直方图（HOG）特征的行人检测方法。将可能存在行人腿部的区域作为感兴趣区域,采用Sobel算子增强腿部垂直边缘特征,并提取梯度方向直方图特征,有效地降低了特征向量的维数;在检测过程中仅扫描可能存在行人腿部的图像下半部分,并在整幅图像的块内计算HOG特征,减少了复杂背景对行人检测干扰,进一步简化了检测过程;基于垂直边缘对称性特征对检测结果进行融合。实验结果表明,该算法能在保持检测率的同时提高检测速度。     

基于边缘对称性和HOG的行人检测方法

传统基于HOG特征的行人检测方法存在检测速度慢的问题。为此,提出一种基于边缘对称性和HOG的行人检测方法。利用对称差分提取输入窗口的垂直边缘,根据垂直边缘的对称性快速检测出行人候选区,采用HOG特征和线性支持向量机对行人候选区进行验证。实验结果表明,该方法在保持传统方法检测率的同时,能提高检测速度。     

使用单目摄像头的实时行人计数算法

为解决智能视频监控系统通道入口处的行人计数问题,设计在高斯背景建模下的行人检测计数算法。在该算法中,摄像头垂直放置在入口处的门顶上。为了降低计算复杂度,提高计算精度,设置一个感兴趣的检测区域,在该区域中通过对行人的检测及跟踪进行计数,并采用队列模型处理以提高检测效果。实验结果表明,该算法可以有效地对入口行人进行检测计数。     

Measuring pedestrian traffic using feature-based regression in the spatiotemporal domain

Measuring pedestrian traffic in public areas is important for diverse business, security, and building management applications. Even though various computer vision methods have been proposed for this purpose, they are not suitable for measuring high traffic levels in large public areas. Because previous methods measured pedestrian traffic by detecting and tracking individuals, their computational complexity was high and they could not be used for crowded areas. Previous methods were also sometimes unable to integrate with existing surveillance cameras because they required specific camera angles. We propose an efficient method for measuring pedestrian traffic that employs feature-based regression in the spatiotemporal domain. The proposed method first extracts foreground pixels and motion vectors as image features, and then the extracted image features are accumulated over sequential frames. By identifying relationships between the extracted image features and the number of people passing by, pedestrian traffic can be measured efficiently. Because the proposed method does not involve any detection and tracking of humans, its computational complexity is low and the method is less constrained by the angle of the camera. In addition, due to the statistical nature of the proposed method, it can be used to assess extremely high traffic areas. To evaluate the proposed method, a dataset consisting of 24 hours of video sequences was prepared. The video data were acquired from 12 different locations in the most crowded underground shopping mall in Korea. Our studies revealed that the proposed method was capable of measuring pedestrian traffic with an error rate of 4.46% at an average processing speed of 70 fps.     

基于HOG特征的行人视觉检测方法

行人检测是近年来计算机视觉领域中备受关注的前沿方向和研究热点.以单目视觉传感器作为外界环境信息获取的主要手段,建立了一个包含行人分割、识别的检测系统.根据行人特有的一些特征,提出了基于垂直边缘和边缘对称性的行人分割方法,并进行精确定位.在行人识别阶段利用HOG特征进行特征提取,然后利用线性支持向量机进行行人识别.对大量...     

基于改进ViBe的室外行人检测方法

室外动态环境的行人监控检测一直是研究的难点,存在光照变化、树叶摇晃、小动物经过等复杂干扰。本文提出一种基于改进视觉背景抽取法(Visual Background Extractor,ViBe)的室外行人检测方法,该方法采用基于区域的改进ViBe更新策略,该策略在加快鬼影消除速度的同时,提高了行人目标提取的完整度,然后在前景目标提取的过程中通过背景差的方法过滤复杂背景导致的误报区域,最后在此基础上根据一定的逻辑规则执行行人检测。实验结果表明,该方法既可以提高鬼影消除速度,也有效降低复杂多变背景的干扰,在室外场景进行行人检测具有较高的准确性、鲁棒性。     

基于深信度网络分类算法的行人检测方法

针对目前浅层分类方法存在训练样本数量过大和拟合复杂函数能力较弱等不足,提出一种改进的基于深信度网络分类算法的行人检测方法。首先,通过搭建带T分布函数显层节点的受限波兹曼机输入端改进深信度网络的输入方式,将行人特征提取信息通过输入端的显层结构转化为分类器可以识别的伯努利分布方式;其次,搭建多隐层受限波兹曼机中间层结构,实现隐层结构间的数据传递,保留关键信息。最后,利用BP神经网络搭建分类结构的输出端,实现分类误差信息反向传播并对分类结构的参数进行微调,不断优化分类器结构。实验证明,改进的深信度网络行人检测算法性能优于经典浅层分类算法,算法的检测速度也能满足使用要求。