行人检测技术研究综述

行人检测是计算机视觉领域极具挑战性的研究热点,它在智能交通、机器人开发和视频监控等领域具有重要应用。从行人检测所采用的特征着手,对现有的行人检测方法进行了分类和评述,分析了各类方法的优缺点,同时,介绍了常用的行人检测数据库的特点,最后分析了行人检测研究中存在的难题并对未来的发展做出展望。     

基于视频的行人闯红灯检测方法

针对行人闯红灯的研究,固定在交通路口的单目摄像机拍摄的视频图像背景基本不发生变化,但是室外环境下受光照、温度、天气以及其他原因造成摄像机自身抖动的影响,背景会随着时间发生一定的变化,需要采用自适应的背景建模方法。现采用了混合高斯背景建模的方法提取运动目标。在梯度方向直方图特征(HOG)基础上,运用MIT行人和汽车数据库通过SVM分类器训练,运用训练结果对视频图像当中运动目标进行分类,识别出视频图像当中的行人,运用颜色直方图、位置和轨迹特征对运动行人进行跟踪,结合交通信号和可行区域判断行人是否构成了闯红灯的行为。对视频图像的处理用于行人闯红灯研究,经实验论证切实可行。     

基于视觉的车载行人检测保护相关技术

为提高城市交通环境下车辆的主动安全性,减少交通事故,保障行人的安全,很多国内外的科研院机构都对行人保护技术进行了研究,意在开发出一种车载行人保护系统,就是利用安装在车辆上的摄像机检测出行人,从而预测出潜在的危险以便采取相应策略保护行人。其中涉及到的相关技术包括行人的目标分割、特征提取等。     

一种基于CENTRIST方法与显著图分割的行人检测方法

在智能监控系统中,行人是最为关键的目标对象.监控系统可根据当前捕获的行人检测结果,触发跟踪系统持续观察兴趣目标,从而给出兴趣目标的行为与状态信息.考虑到行人检测结果直接影响跟踪系统的输出,基于CENTRIST(Census Transform Histogram)方法的行人检测结果,采用显著图分割技术,将包含行人的前景区域与检测框内的背景区域分离开来,使得跟踪系统能够根据行人的主体运动部分做出准确判断,有效地缓解了背景区域以及行人局部运动(如手、脚运动)对跟踪结果的干扰.实验结果表明,该行人检测方法在提高后续跟踪模块准确率的同时,又能适用于实时性要求较高的智能视频监控系统.     

交通监控系统中车辆和行人的检测与识别分析

在识别以及检测行人以及车辆的过程中主要是将帧间差分结合起来,建立动态交通场景视频图像监控的序列背景模型,之后再借助背景消除法有效检测监控视频中目标的运动状况,将运动目标的轮廓提供出来,最后利用支持向量机,快速识别检测出来的运动目标。研究结果显示,这样的识别和检测的方法更加有助于精确地检测和分类识别,在监控视频中运动的行人以及车辆,自动报警有出现非法入侵的行人。本文探析了在实际的监控交通系统中识别以及检测行人以及车辆的主要状况分析,帧间差分动态更新背景模型的运动目标检测算法,以及基于支持向量机基础之上自动识别行人以及车辆。     

智能视频监控系统运动目标检测技术研究综述

智能视频监控技术的出现是现阶段市场监控系统智能化需求的结果,它旨在实现用摄像机代替人眼,用计算机代替人并协助人来完成监视和控制的任务.智能视频监控系统分析技术在检测运动区域的目标检测技术和追踪预测运动目标运动趋势的目标跟踪技术的基础上,再进行目标行为识别理解.对现有的主要目标检测技术的主要算法进行了综述和分析,并根据各算法的优缺点做出比较.     

基于Cascade-Rcnn的行人检测

Faster Rcnn是目标检测领域中精确度较高、使用范围较广的一个经典算法,而Cascade Rcnn是借鉴Faster Rcnn改进的。文章将Cascade Rcnn的方法应用于行人检测中,利用深层卷积神经网络提取图像特征,通过RPN提取可能含有行人的区域,利用多层级联的检测器对目标区域进行判别和分类,在数据集中进行了检测验证。实验结果表明,相比基于Faster-rcnn的行人检测方法,在测试集上检测准确度达到了66.2%,其检测效果更好。     

车载红外夜视技术发展研究综述

随着红外技术的发展,红外夜视仪越来越多的被应用在车辆辅助驾驶系统上以提高夜间的行车安全性。本文阐述了车载夜视技术的发展状况,针对红外成像的行人检测算法进行综述,并对其中多尺度红外特征提取和检测方法进行了分析,最后对未来车载平台行人检测技术的发展方向做了简要介绍。     

基于深度学习的车辆和行人检测算法的研究

针对实际交通环境下行人和车辆检测问题,提出一种基于YOLOv3改进的目标检测网络YOLO-CP,对YOLOv3网络结构进行压缩剪枝,并进行特征提取的优化,使用自主采集标注的交通数据集,进行稀疏化训练.在实际交通场景中,YOLO-CP在GPU下检测速度达到25帧/秒,车辆检测准确率达到96.0％,行人检测准确率达到93....     

基于监控视频的行人异常行为检测技术研究

行人异常行为分析是视频监控领域中重要的研究方向.从基于规则、基于模型两方面对行人异常行为检测算法进行归纳总结,根据判定方式将算法分为阈值判定和分类判定,比较了各类算法的优势和不足,同时对使用较多的数据库进行了总结,最后讨论了异常行为研究在实际应用和未来研究中应该考虑的问题.     

高级语义信息辅助的无锚框行人检测研究

为了提高车间监控系统智能化程度和工作场景中行人检测精度,提出了一种基于计算机视觉技术的行人检测方法。采用基于高级语义信息的无锚框特征检测技术,将检测任务简化为中心点和尺度的回归预测。特征提取模块通过四阶段降采样卷积网络,得到多尺度的图像特征并融合。头探测模块分成两路卷积,并行处理特征图,获得中心点热力图和尺度信息,输出检测结果。结果表明,在CityPersons数据集R子集上,MR-2达到11.61%,加入偏移量预测分支后MR-2提升了0.6%。这证明了该人员检测方法的性能优良。     

基于自适应滑动窗的模糊场景行人快速检测

智能场景监控是公共安全领域研究的热点.然而当前公共场所监控视频大都比较模糊,如何能够在模糊场景下快速检测行人目标是一个亟待解决的问题.通过引入一个自适应尺寸的行人检测窗,以特定策略滑动扫描前景二值图像,并根据一系列行人轮廓判别条件获取行人目标,实现了对模糊监控场景的实时行人检测与人数统计.实验结果表明,与传统算法相比,该算法可以有效快速地检测出指定区域内的行人目标.     

一种适应运动前景的快速行人检测算法

针对智能监控视频中行人的运动特性和基本HOG加SVM人体检测算法的特点,将运动目标检测算法融入基本的HOG加SVM人体检测算法。首先,利用运动目标检测算法确定运动区域矩形窗,并扩大调整矩形窗尺寸获得ROI窗口;然后,根据运动区域尺寸与训练样本尺寸的差距调整ROI窗口的首级窗口缩放因子,并对ROI窗口进行人体检测。实验结果表明,本文算法优于基本的HOG加SVM人体检测算法,具有良好的实时性和适应性。     

基于AdaBoost的行人检测研究与实现

行人检测是城市交通环境下的智能车辆导航系统中的一项关键技术,对推动智能车辆的发展及保障城市交通安全具有十分重要的作用。     

基于YOLO算法的行人检测方法

针对复杂道路交通环境,选择YOLO(You Only Look Once)实时目标检测算法,对行人目标进行检测识别的研究。YOLO算法在目标检测的速度和精度上都取得过良好效果。首先在YOLO网络模型的基础上针对行人单类检测问题,修改分类器,并通过卷积操作改变网络最后的输出维度;其次通过对道路交通场景下采集到的样本图片进行标注,得到行人数据集;然后采用相同预训练模型在YOLOv2和YOLOv3上训练,通过优化网络参数,加速模型收敛。实验结果分析可知,基于改进的YOLOv3的行人目标检测方法更能满足实时性的要求。     

人流量统计视频监控系统

介绍了一种人流量统计视频监控系统,自适应更新背景信息,利用背景相减法获得运动物体图像,并根据运动物体轮廓形状识别人体,利用目标跟踪技术统计人流量.实验证明,该系统能在多变环境下实时处理.     

行人检测系统研究新进展及关键技术展望

 行人检测系统(PDS)作为保障汽车、行人安全的一种主动安全手段,已成为产业界和研究界共同关注的一个研究热点.特别是近5年来,随着传感器、核心算法等的不断进步和使用,PDS研究发展很快.不同于已有的针对PDS早期工作的综述,本文从技术进展、原型系统进展两个方面重点总结了PDS近5年来的最新研究进展,指出了目前尚未解决的问题,并对PDS研究涉及的关键技术的发展做出展望.     

基于快速SIFT匹配的行人信息检测

在智能监控中,检测行人是判断异常的必要步骤,复杂场景下行人检测一直是研究的热点难点,依据人体头部作为人体这种非刚体中的稳定部分,提出了一种快速而稳健的行人检测算法。该算法首先对摄像头拍摄的视频选取感兴趣区域,利用离线训练的Adaboost级联分类器检测人的头部区域,然后通过快速SIFT算法匹配相邻帧的人的头部,进而进行判断人的运动速度以及方向,便于进行下一步研究。通过实验验证以及与目前具有相关代表性的方法对比,论证了所提出算法在复杂场景下也具有很好的检测匹配效果,具有良好的有效性和可靠性。