使用行人重识别算法的智能视频监控系统

为了提高在大量视频监控中寻找目标行人的效率,本文基于行人重识别算法开发了一个智能视频监控系统。该系统使用行人检测算法获取监控视频中的行人图片并裁剪后输入行人重识别算法中,得到行人特征并通过对比来检索行人。经过测试,本系统在6路摄像头下表现良好,能较准确地在视频监控中搜寻目标行人,极大地提高了工作效率。     

智能视频监控系统异常行为检测算法研究综述

随着公共安全需求的快速增长,监控摄像头数量不断增多,视频监控数据呈爆炸式增长;传统的视频监控系统难以对如此海量的数据进行理解分析,因此智能视频监控系统应运而生;作为一个跨学科的研究领域,智能视频监控系统异常行为检测技术迎来重大机遇的同时也面临不少挑战;为了更好地研究智能视频监控系统异常行为检测算法,梳理了相关研究并从原理上对不同算法进行分类,对基于能量、基于聚类、基于重构、基于推断以及基于深度学习几个不同依据的算法进行对比分析,归纳了各类算法的分支研究方向,接着简要介绍了异常行为检测常用的公开数据集,最后讨论了目前异常行为检测算法所面临的挑战并针对性地提出了未来智能视频监控系统异常行为检测算法的可行研究方向。     

井下视频行人检测方法

针对现有基于深度学习的行人检测方法存在计算量较大、检测效率严重依赖硬件性能等问题,对基于SSD网络的行人检测方法进行改进,设计了一种基于DenseNet网络的轻量级卷积神经网络作为SSD网络的基础网络,以满足井下视频行人实时检测需求,并设计了基于ResNet网络的辅助网络,以增强特征表征能力,提高行人检测准确性。将基于改进SSD网络的井下视频行人检测方法部署在嵌入式平台Jetson TX2上进行实验,结果表明该方法对井下视频中行人的检测准确率为87.9%,针对井下行人低密度场景的检测准确率近100%,且运算速度达48帧/s,约为基于SSD网络的行人检测方法的4.4倍,满足井下行人实时检测需求。     

一种视频质量智能检测系统的研究

目前的视频监控系统对于摄像头的维护还是主要依靠人工巡查的方式检测摄像头画面质量,工作量大,工作效率低。本文提出了一种视频质量智能检测系统,对视频图像出现的雪花、滚屏、模糊、偏色、画面冻结、增益失衡、云台失控、视频信号丢失等等多种摄像头故障、视频信号干扰、视频质量下降进行准确分析、判断和报警。     

智能视频监控关键技术:行人再识别研究综述

行人再识别(person re-identification,ReID)旨在解决跨摄像头跨场景下目标行人的关联与匹配,作为智能视频监控系统的关键环节,对维护社会公共秩序具有重大作用.为了深入了解行人再识别研究现状和加速推进国内行人再识别相关研究及技术落地,本文对该领域国家自然科学基金申报数量、资助力度以及地理分布情况进...     

密集场景下的行人智能分析系统

由于人口流动、旅游、演唱会等行为的发生,导致行人出现密集性聚集现象,容易造成较大的安全事故。因此,利用深度学习方法分析检测密集场景下的行人,成为降低行人安全隐患的重要措施之一。然而,目前视频监控分析系统仍存在识别精度低、预警慢、智能化程度低等诸多问题。鉴于此,设计并实现一套基于YOLOv5的密集场景下的行人智能分析系统。系统测试表明,密集场景下的行人智能分析系统检测速度较快、精度较高,且系统性能良好,有一定的应用价值。     

幼儿园智能视频监控系统探究

本文阐述了智能视频监控系统在国内外的发展状况和应用情况,指出了智能视频监控系统在幼儿园的应用现状及将来的发展趋势,并从异常行为检测的角度出发就幼儿园智能视频监控系统的功能进行讨论,以期促进智能视频监控系统在幼儿园的应用。     

DEPA平台智能视频监控系统

目前，视频智能分析产品风起云涌，它们大多建立在独立的视频分析产品或系统上，SONY DEPA智能视频监控平台采用分布式系统构架，将视频分析分解到视频系统的各个部分，有利于系统的稳定与高效。不过这样的专业系统只有十分有实力的公司才能提供，将视频分析技术恰当地安排到系统中的网络络摄像机、录像机及后台管理软件中，其难度可想而知，这也是今后视频分析系统的方向之一。当然，对工程商来说，必须全套采用SONY的系统，才能达到良好的视频分析效果，在给工程商提供方案解决便利的同时也限制了工程商的选购范围。[编者按]     

码本检测智能视频监控系统的设计与开发

针对视频检测算法在复杂场景下的检测识别率不高的缺陷,在基于码本的监控视频运动目标检测算法的基础上,利用检测算法对运动目标进行提取以分析出视频图像中的变化,以此判定监控目标的变化,从而构建一种实际的智能视频监控系统。     

智能视频监控系统中的干扰检测及分类

针对智能视频监控系统中的干扰检测问题,提出了一种新的检测方法,并将干扰类型进行了分类.该方法对智能视频监控系统中的遮挡、失焦、亮度异常、偏色和噪声污染五种干扰分别提取检测特征,实现了对不同类型干扰的分类检测.同时,该方法采用了自适应更新阈值的方法,降低了检测方法的复杂度,提高了其实用性.实验结果表明:在能够满足监控系统实时性的要求下,与经典方法相比本文方法的检测性能较好,适用范围较广,分类正确率达到了92.2％.     

基于改进YOLOv3的智慧足球场行人检测

由于足球比赛场景中密集人群、移动小目标居多, YOLOv3算法存在检测精确度较低且模型参数量较大等问题, 使其无法部署在资源算力有限的移动设备上, 本文提出了一种基于改进YOLOv3的行人检测方法, 将Darknet-53主干特征提取网络替换为更加高效且轻量化的GhostNet网络; 同时选取了4个尺度的检测分支层并采用K-means++算法改善anchor box的聚类效果; 添加空间金字塔池化对输入图像实现相同大小的输出; 提出CIoU损失函数来计算目标定位损失值; 添加heatmap热力图可视化并在训练中使用Mosaic数据增强. 实验结果表明, YOLOv3-GhostNet在VOC融合数据集上mAP达到90.97%的同时相比YOLOv3算法提高了1.75%, 参数量减少了约81.4%且实时检测速率提高了约1.5倍, 在小型移动设备上表现出不错的检测效果.     

基于改进的YOLO与GMM相结合的地铁行人检测算法

针对目前已有的行人检测算法存在的误检率高、实时性差等问题,首先基于Yolov3-tiny网络模型进行算法改进,提出一种Ped-tiny网络模型。通过采用深度可分离卷积层替代部分原始网络中的传统卷积层来适当加深特征提取网络,同时增加一尺度的预测层,保证各个尺度的行人目标被精准检测到;其次结合GMM(混合高斯模型)的运动目标检测算法,该算法能有效利用目标运动时所产生的运动信息对行人目标进行检测、定位;最后将两算法的目标框进行对比,并对目标框进行修正。实验结果表明,在应对不同地铁场景、不同行人姿态和不同遮挡等情况时,文中方法具有更低的误检率,更高的检测精度并能满足检测的实时性要求。     

基于Adaboost算法的实时行人检测系统

为解决智能视频监控系统下中远距离的行人检测问题,设计并实现了一个基于目标形状特征的检测系统;提出了4种较为有效的旨在描述人体形状局部特性的矩形特征,引入了对传统Adaboost算法的改进措施,减小了计算量,优化了系统结构;试验表明,该系统具有较高的检测率和处理速度,对阴影、雨天、枝叶晃动等监控场景中常见的噪声干扰不敏感,在P43·0GHz的PC上处理320×240的视频序列可达到15帧/s以上。     

基于鲲鹏云的复杂道路场景行人监测系统

随着交通智能化的发展, 高速公路监控视频加密上云逐渐成为交通发展的主要趋势之一. 交通数据深度挖掘, 尤其是行人检测问题, 则是该趋势中亟待解决问题之一. 本文针对多种道路环境的行人检测问题, 提出了一种基于鲲鹏云的全天候行人监测解决方案. 首先, 将监控相机中的视频流通过流媒体服务转发至鲲鹏云; 然后鲲鹏云进行视频流解码与行人检测, 同时保存行人历史信息; 最后进行行人事件分析和上报. 本系统采用嵌入式神经网络处理器(NPU)代替传统图形处理器(GPU)平台加速YOLOv4行人检测模块的推理, 一方面取得了较快的检测速度并可实时处理22路视频流, 另一方面, 该解决方案针对不同道路场景下高速道路上的行人也可取得较好的监测效果.     

面向拥挤行人检测的CA-YOLOv5

针对YOLOv5在拥挤行人检测任务中漏检率高、特征融合不充分等问题,提出了CA-YOLOv5行人检测算法。针对原主干网络对细粒度特征融合不充分的问题,采用Res2Block重建YOLOv5的主干网络,以提升网络的细粒度特征融合能力,提高检测精度。针对数据集目标尺度变化大的问题,引入coordinate attention（CA）模块增强感受野,增强模型对目标的精确定位能力。针对FPN结构在特征融合时导致多尺度特征表达能力下降的问题,提出特征增强模块,以增强多尺度特征的表达能力。通过结构重参数化的方法减少模型的计算量与参数量,加快目标检测速度。针对行人检测任务中普遍存在的拥挤行人问题,提出EViT模块,增强模型关注局部信息的能力,提高检测精度。实验证明,在拥挤行人检测任务中,CA-YOLOv5的检测精度达到84.86%,相较于原算法提高了3.75%,检测速度可以达到51?FPS,具有较好的检测精度与实时性。因此,CA-YOLOv5可以更好地应用于实时行人检测任务中。     

智能辅助驾驶系统中的行人检测方法

大多数车载行人方案是基于特征选择和机器学习的,但大量特征的计算使实时性大幅降低。为将待检测窗口限制在最小的范围内,提出一种改进的基于立体视觉的摄像机角度估计自适应图像采样方法,利用基于类Haar特征和Real AdaBoost学习方法的分类器进行实现,在户外移动平台上对处于复杂动态背景中的行人目标进行检测。结果表明,与其他方法相比,该方法在保证检测效果的同时,计算时间仅为自适应路面拟合方法的13%。     

基于yolov5s的行人检测系统及实现

随着科技的快速发展,智慧交通系统的建设对提升人们的生活品质,提升城市交通服务能力和城市交通管控的科学有效性有着重点意义.文章采用YOLOV5s目标检测算法对行人识别,首先分析YOLOv5s的架构和关键技术,然后通过YOLOv5s对标注好的数据集进行训练,最后就检测效果进行评估分析.实验结果体现出了YOLOv5s对行人检...     

基于卷积神经网络的实时行人检测方法

近年来,卷积神经网络在行人检测领域取得了同其他方法相似甚至更好的检测成绩,然而缓慢的检测速度远不能满足现实需求.针对这一问题,本文提出一种实时的行人检测方法,将分散的检测过程整合成单一的深度网络模型,被检测图片通过模型的计算可以直接输出检测结果.使用扩充的ETH数据集进行训练测试,实验结果表明,在保证准确率的情况下,该方法检测速度极快,可以满足实时检测的目的.     

徒步导航系统中的自适应步态优化检测方法研究

针对步态检测的可靠性和准确性成为制约个人徒步导航定位系统高精度定位的主要因素,提出一种基于K均值聚类参数调整的自适应步态检测算法。首先研究行走过程的足部运动规律,并分析惯性测量单元输出加速度和角速率的数据特征,提出采用比力幅值滑动方差作为检测依据的步伐检测方案;分析滑动方差窗口参数、初始检测阈值参数和误检修正时间参数对于检测结果的影响并指出三者的关系,确定窗口参数、初始阈值选择的一般准则以及利用K均值聚类自适应确定时间参数以纠正初始检测结果中误检步态的可行性。利用实验室现有MEMS传感器开展了5组不同状态下的徒步实验,实验结果验证了步态检测算法的可行性和有效性。