基于多目标检测与跟踪的密集客流检测

针对密集交通场景中的客流检测问题,提出了基于支持向量机(SVM)多目标检测与Mean Shift跟踪相结合的方法.首先采用自适应检测窗口提取梯度方向直方图,经过SVM分类和聚类算法,得到头部图像初始假设.然后采用Mean Shift算法,对头部假设进行跟踪,得到连续的头部图像序列.通过SVM分类器对序列图像进行整体判断,得到客流信息.实验结果表明,自适应滑动窗口的方法减少了特征提取阶段的处理时间,提高了检测速度;同时,通过对得到的跟踪序列进行整体判别,客流量的检测精度得到了提高.     

复杂情况下的多目标跟踪统计技术

根据基于视频监控客流量统计的应用要求,得到了一种改进的背景检测和跟踪计数方法,实现了多人准确跟踪计数.传统的高斯背景建模是对一帧图像的每个像素点进行更新且分配固定的高斯分布个数,使得资源消耗量增大;这里通过先判断待更新区域,然后对更新区域采用动态调节高斯分布的方法对像素点进行更新,同时考虑到均值与方差的特点,分别设置了各自的更新速率.跟踪部分利用连通域分析创建人体结点并得到目标的形心,采用向前优先搜索像素点的原则搜索下一帧图像的所有像素点,通过搜索到的像素点来确定目标的新中心位置,再根据目标中心与计数线的关系进行计数.实验证明该算法简单可行,实现了多目标的准确跟踪,统计数据具有较高的正确率.     

门禁系统中的异常行为检测*

针对门禁系统中尾随、蛮力开门两种异常通过的行为,结合门禁系统的身份验证功能,采用图像处理技术对违规行为进行检测,以进一步提升门禁系统的安全性能。首先设计并使用了一种基于轨迹分析的人数统计方法,通过目标检测与跟踪算法得到目标在监控场景中的运动轨迹,根据轨迹判定目标进出门禁的情况;然后根据监控场景的特点,设计了一种基于计数线的目标计数规则,结合目标运动轨迹实现人数统计;最后结合门禁系统的身份验证功能,设定异常通过行为的检测规则,检测定义的异常行为。实验结果表明,该方法能够有效的检测通过门禁系统时发生的异常行为,尤其对于行人比较稀疏和没有明显遮挡的情况,具有很好的检测效果,该方法平均检测准确率能够达到90%。     

可视化背景提取和粒子滤波的行为检测研究

在智能视频监控中,目标所在场景的复杂性和光照变化使得运动目标的检测难度加大.采用可视化背景提取(ViBe)算法来检测运动目标,对于运动目标在运动过程中的交叉、遮挡等情况,采用ViBe算法和粒子滤波运动目标跟踪算法相结合,完成对运动目标的检测与跟踪;在运动行为检测中,进一步定义目标的运动方向,从而判断目标的运动状态.实验表明,ViBe算法能够准确检测复杂场景中的运动目标,并能够适应噪声干扰和光照变化,将其和粒子滤波结合能够准确跟踪实际场景中的运动目标,并能够准确判断目标的运动状态.     

一种快速区域视频行检测方法的设计与实现

根据目前国内各种视频检测技术在电子警察系统上的应用,结合雷达目标检测算法,设计出具有背景自适应、目标跟踪等特点的一种快速区域视频行检测方法;该方法通过检测区域行亮度的变化,通过检测目标之间的相关处理来判断机动车是否违法,不仅能高效实现对汽车违规跨越道路中心黄线进行自动监测、记录,还为交通管理部门进行执法提供有力的证据并减少交通事故的发生;通过现场测试表明,该方法不仅准确率高,而且实时性很强,具有很大的实用价值.     

基于改进YOLOv5和Bytetrack的牦牛跟踪

目前, 我国青藏高原地区的牦牛养殖方式以传统的人工放牧为主. 为解决人力养殖方式无法快速跟踪统计牦牛数量的问题, 本文提出了一种改进YOLOv5和Bytetrack的牦牛跟踪方法, 以实现在视频输入情况下快速检测跟踪牦牛. 采用基于深度学习的YOLOv5目标检测网络, 结合CA注意力、跨尺度特征融合和空洞卷积池化金字塔等优化方法, 减少牦牛检测中因遮挡而导致检测难度大、误检漏检的问题, 实现对视频中牦牛更精确的检测; 使用Bytetrack跟踪器通过卡尔曼滤波和匈牙利算法实现帧间目标关联, 并为目标匹配ID; 使用ImageNet中的部分牦牛数据和青海玉树地区采集的牦牛样本图像来训练模型. 实验结果表明: 本文改进模型的平均检测精确度为98.7%, 比原YOLOv5s、SSD、YOLOX和Faster RCNN模型分别提高1.1、1.89、8.33、0.4个百分点, 能快速收敛, 检测性能最优; 改进的YOLOv5s和Bytetrack跟踪结果最优, MOTA提高了7.1646%. 本研究改进的模型能够更加快速准确地检测和跟踪统计牦牛, 为青海地区畜牧业的智慧化发展提供技术支持.     

基于分块背景更新的目标特征识别与跟踪

提出了基于背景分块更新的目标特征点识别、匹配和跟踪算法。该算法对视频检测区域进行分块处理,以图像帧差结果判定前景目标的状态,从而完成背景更新,可有效消除传统的基于概率模型背景更新方法的弊端。在此基础上提出了以目标位置和颜色作为特征信息的匹配、跟踪算法;并将算法成功应用于DM648硬件平台实现了4路PAL视频客流量统计。结果表明,该算法可将客流量统计准确率稳定在95%。     

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。     

基于自适应混合差分的快速视频目标检测法

目标检测是视频跟踪过程一项重要的处理技术.目前,国内外常用主流的目标检测方法有基于统计的方法和差分法.基于统计的方法(如GMM等算法)计算量较大,而且不适用于快速移动的刚性物体分析;差分法容易造成跟踪对象重叠部分的较大空洞,造成分割结果不连通,而且大多需要人工给定参数阈值.本文针对以上方法的不足,提出了一种适用于分析快速移动刚性物体的目标检测方法:自适应差分法.新方法采用了混合差分策略提高了对象分割质量,并用高斯初始化策略实现了阈值的自适应选取.实验结果表明:自适应差分法比GMM算法、相邻差分法和间隔差分法效果更优且抗噪能力更强,更易应用于实际.     

基于全方位视觉的多目标跟踪技术

为了快速准确地检测并跟踪多目标对象, 提出了一种基于全方位视觉的多目标对象跟踪方法. 首先采用全方位视觉传感器(ODVS)实时地采集现场360°全景视频图像;接着融合运动历史图像算法(MHI)和运动能量算法(MEI)实现了快速高效的MHoEI(Motion History or Energy Images)自动跟踪算法, 对多目标对象进行检测和跟踪;最后, 本文采用面向对象技术融合目标对象进行匹配跟踪实验结果表明本文提出的方法能较好地跟踪多目标对象, 具有鲁棒性高、运算量小、便于硬件实现、高效等优点.     

基于SSD卷积神经网络的公交车下车人数统计

传统典型的公交车人数统计方法在准确率和速度方面存在一些不足,且提取目标特征的效果较差.本文提出了基于深度卷积神经网络的公交车人数统计系统解决人群计数问题.首先制作数据集,难点在于所有用于训练的数据集均是手工标注.并且公交车摄像头角度比以往文献覆盖更广区域.本文首先比较了多种不同的深度卷积神经网络模型对乘客进行全身检测的效果.综合考虑检测速率、准确率等方面,最终采用单次检测器深度卷积神经网络模型对乘客进行人头目标检测,在线实时目标追踪算法实现人头的多目标追踪,跨区域人群计数方法统计公交车下车人数.系统准确率达到78.38%,运行速率约为每秒识别19.79帧.实现了人群计数.     

Detection of passenger flow on and off buses based on video images and YOLO algorithm

Bus passenger flow information is very important as a reference data for bus company line optimization, schedule scheduling basis, and passenger travel mode arrangement. With the development of image processing technology, it has become a current research trend to count passenger flow with the help of surveillance video of passengers getting on and off the bus. The specific research contents of this paper based on video image detection and statistics of passengers are as follows:(1) Collect head target image samples through a variety of ways, including 3960 positive head target samples and 4150 negative head target samples, which together constitute the head target feature database. (2) Established a head target detection model based on deep learning. First, the labeling of the head target training data set is completed. Then, after 15,000 iterations of model training, the YOLOv3 head target detection network model was obtained, with a recall rate of 92.12% and an accuracy rate of 89.71%. (3) A multi-target matching tracking algorithm based on the combination of Cam-shift and YOLOv3 is proposed. First, the Cam-shift algorithm is used to track the head target. Secondly, the head target tracking data and the YOLOv3 detection data are combined to solve the problem of drift during the tracking of the Cam-shift algorithm through the data association matching method based on the minimum distance, and then combined with the time constraint, a passenger location information judgment rule is proposed. Optimize the error and missed detection in the process of head target detection and tracking, and improve the reliability of passenger trajectory tracking. (4) A statistical algorithm for the detection of passengers getting on and off the bus is proposed. First, the trajectory of passengers in the bus boarding and disembarking area is analyzed, and a process for judging passengers’ boarding and boarding behavior is proposed. At the same time, a passenger position information judgment rule is proposed according to the different situations of whether there are new passengers or missing passengers, so as to optimize the problem of wrong detection and missing detection in the process of head target detection and tracking. (5) Finally, experiments are carried out in actual bus scenes and simulation scenes. The experiment proves that the statistical algorithm for the detection of passengers getting on and off the bus proposed in this paper has good detection, tracking and statistics effects in bus scenes and simulation scenes.

     

基于计算机视觉的客机舱门识别与定位技术研究

登机桥是机场将航站楼与飞机连接的活动通道,登机桥与客机舱门对接系统的智能化变得尤为重要;对于基于计算机视觉的客机舱门识别与定位系统,其关键组成部分是目标检测系统;传统的目标检测算法通过提取传统手工特征进行学习,不能达到鲁棒性好、速度快、准确性高的检测要求;基于迁移学习在深度学习上的应用,利用SSD(Single Shot Multibox Detector)算法,以轻量化的MobileNet作为特征提取网络,实现了鲁棒性好、准确度高的目标检测模型,完成对客机舱门的识别与定位,对不同样式的舱门、部分遮挡、背景变化、光照变化、运动模糊具有鲁棒性,能准确完成识别功能,完成对舱门在当前视觉图像中的相对位置的解算。     

稀疏光流快速计算的动态目标检测与跟踪

动态目标的检测与跟踪作为图像处理和计算机视觉学科的重要分支,广泛应用于军事和民用等各个领域。文中提出一种基于稀疏光流快速计算的目标检测和跟踪新方法,该方法通过计算能反映图像特征的特定像素点光流矢量来实现目标检测和跟踪,同时结合图像金字塔技术,可以检测和跟踪运动速度更快、运动尺度更大的目标。文中将该方法分别与稠密光流方法和基于颜色特征方法作对比,结果表明该方法有计算量小、能很好应对目标遮挡情况和能检测和跟踪运动速度较快的目标等诸多优点。实验在多种条件下对该方法进行了验证,跟踪准确率都能达到80%以上,且基本能符合实时性的要求,说明该方法具有可行性和实用价值。     

六足机器人动态目标检测与跟踪系统研究

动态目标检测与目标跟踪是图像领域的热点研究问题,为研究其在移动机器人领域的应用价值,设计了六足机器人动态目标检测与跟踪系统。针对非刚体运动目标容易被检测为多个分散区域的问题提出区域合并算法,并通过对称匹配、自适应外点滤除对运动背景进行精确补偿,最终基于背景补偿法实现对运动目标的精确检测。研究了基于KCF（Kernel Correlation Filter）的目标跟踪算法在六足机器人平台上的应用,设计了自适应跟踪算法实现六足机器人对运动目标的角度跟踪。将运动目标检测及跟踪算法应用于六足机器人系统。实验表明,在六足机器人移动过程中,系统可对运动目标进行精确检测与跟踪。     

基于车载视频监控的乘客检测及跟踪算法

针对公交车上乘客相互遮挡及光照变化明显的问题,提出一种基于头肩部边缘特征和局部不变特征的人体检测及跟踪算法。首先对待检测图像进行自适应阈值背景差分,实现乘客目标分割;然后用样本的梯度方向直方图(HOG)特征训练支持向量机(SVM)基础分类器,结合自适应增强(AdaBoost)算法提炼出最终的强分类器,对前景图像进行扫描实现乘客目标检测;最后提取目标区域和当前搜索区域的快速鲁棒性特征(SURF),通过特征点匹配实现乘客目标跟踪。实验表明,在乘客相互遮挡及光照变化明显的情况下,该算法仍具有高于80%的检测率和跟踪率,且满足系统实时性的要求,可用于客流计数。     

A fast hybrid computer vision technique for real-time embedded bus passenger flow calculation through camera

Bus passenger flow calculation system is a critical part of the smart public transportation framework. Bus passenger flow information can help to make data statistics report of the passenger at a bus station which can be used by public transport operator to evaluate the quality of the transportation. Statistics report of crowded passengers in the bus station help managers to understand the bus transit operations, can provide the database for the intelligent transportation scheduling, help to provide more and better services for passengers, overall data statistics of passengers has important practical significance to improve public transport environment. This paper presents a passenger counting algorithm based on hybrid machine learning approach. In the first step, an advanced method is used to extract the Histogram of oriented gradients (HOG) feature of passenger’s heads. Classification of head features is done by using support vector machine (SVM) as a classifier for the liner model. Heads are detected successfully after performing all steps. In next step Kanade-Lucas-Tomasi (KLT) is used to reality head tracking, the multiple target tracking is achieved and the head motion trajectory of passenger target is captured stably. At last, the trajectory is analyzed and the automatic counting of bus passenger flow is realized. In the last step, the proposed algorithm is move to embedded system for practical implementation. In this paper, the algorithm intends to use ADSP-BF609 embedded platform for transplantation. The experimental results demonstrate that the statistical accuracy of the proposed algorithm is enhanced successfully; especially during the daytime with the good illustration, the effective counting of the passenger flow is achieved and the inward and outward passenger counting can be realized. In this paper three feature extraction models are used namely local binary patterns, histograms of oriented gradients and binarized statistical image in order to get accurate features. Furthermore, three common classification techniques including naïve bayes classifier, boosted tress and support vector machines are used for fine classification of extracted vectors obtained from different features extractors model. 94.50% accuracy is achieved when support vector machine (SVM) classifies the features extracted using Histogram of oriented gradients (HOG). SVM surpasses the accuracy obtained by Boosted tree namely 81.30% using Histogram of oriented gradients (HOG) features.

     

基于GMS与FPME的视频目标跟踪方法

针对视频目标跟踪中因特征点误匹配造成跟踪性能下降的问题,在融合二进制特征描述算法（ORB）与网格统计的视频跟踪方法（GMS）框架下,提出一种基于GMS与特征点误匹配剔除（FPME）的视频目标跟踪方法。利用ORB算法确保在视频序列中特征点匹配的实时性,采用“粗-精”两阶段的剔除方法,即先利用K-means算法快速粗略地剔除误差较大的特征点匹配关系,提高正确匹配对所占的比例,再利用分裂法精确剔除偏离程度较大的匹配对,提高目标特征点之间的匹配成功率。实验结果表明,在视频序列的跨帧匹配与连续跟踪实验中,该方法相对于GMS、ASLA、HDT等当前主流算法在匹配精度、速度等评价指标上都能得到较好的结果。     

基于运动检测的多车辆跟踪方法研究

针对交通监控场景中多目标粘连造成跟踪上的困难和前后两帧车辆关联困难,提出了区域运动相似性分割方法和相似度关联矩阵的解决方案;在运动目标检测过程中, 首先使用背景差分法提取运动区域,经过消除缺口、空洞和分离等处理,在运动区域所在范围内进行块匹配搜索和局部光流计算区域运动矢量,然后使用模糊聚类方法对运动矢量区域融合,完整的分割出粘连运动目标;在目标跟踪部分,目标跟踪建立在目标关联的基础上,提出建立连续两帧目标间距离和局部二元模式相似度关联矩阵的方法进行运动目标标定,从而实现多目标关联;使用公共视频库的图像序列进行测试,所提算法都能实现连续的跟踪和准确的运动目标分割,且处理速度快,表明了算法具有鲁棒性和适用性。     

快速多域卷积神经网络和光流法融合的目标跟踪

Aiming at the problem of slow speed of the convolutional neural network target tracking algorithm, a target tracking algorithm combining fast multi-domain convolutional neural network (Faster MDNet) and optical flow method is proposed. The optical flow method is used to obtain the moving state of the target, and the preliminary selection box is used as the tracking target position. Then, the preliminary selection box is used as the input of Faster MDNet, and Faster MDNet is used as the detector to obtain the exact position and bounding box of the tracking target. Experiments on the target tracking benchmark data set VOT2014 prove that the algorithm’s online tracking speed is increased by 8 times and the accuracy is improved by 10%.