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。     

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。     

基于人流量检测的改进CN算法

为实现在行人严重遮挡时人流量的精确统计,研究一种基于人流量检测的改进CN算法。结合背景差分与三帧差分提取运动目标前景;通过梯度方向直方图与支持向量机判断头肩特征;在Kalman滤波器预测下一帧图像中目标位置的周围选取检测窗口,利用融合HOG与CN (颜色名)特征的改进CN算法实现目标跟踪;以感兴趣区域计数线为准,结合目标运动轨迹实现人流量统计。实验结果表明,该算法在有行人严重遮挡的情况下具有较高的检测效率。     

基于轻量级MobileNet-SSD模型的人流量检测

利用深度神经网络模型识别行人目标并检测具有十分高的价值。现实高密度行人检测场景中由于硬件基础以及网络性能消耗等问题的影响,常常需要选取处理速度高、硬件条件要求低的网络且同时兼顾视频监控的连续特性,因此选取了轻量级MobileNet-SSD网络来高效处理人头目标并引入帧间差分的方式,来有效对人头的椭圆特征目标进行跟踪;结合相关数理方法实现行人跨线计数的高性能人流量检测解决方案。在不同数据集上同现今一流的检测模型作比较,该方法皆表现出优良的检测性能。     

特征回归与检测结合的人数统计方法

针对目前特征回归与检测这2种主流的人流量统计方法的不足,提出一种基于特征回归与检测结合的人数统计方法.对于视频帧的远景区域,采用背景分割的方法提取出前景块,将前景块中的特征通过贝叶斯多核支持向量回归方法估计出人数;对于近景区域提取HOG特征,采用弱标签结构训练出模型,并采用星型结构混合模型级联检测实现行人的准确定位并统计出人数.在视频数据库上的实验结果表明,该方法不仅能够较准确地实现人流量的统计,在一定程度上减少统计时间,还能够准确地定位出一定尺度范围内行人的位置.     

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.     

局部二次加权与多特征融合的行人检测算法

针对复杂背景下采用单一特征进行行人检测时的局限性,提出了一种融合多种特征并运用模板弹性模型与局部二次加权的算法,将梯度直方图（HOG）、肤色、发色与曲率有效融合,建立了适用行人检测的各特征模型。第一级采用改进HOG特征结合模板弹性模型利用SVM分类器初次检测;第二级提取局部模板感兴趣区域（ROI）进行头部肤色、发色与腿部曲率检测。实验表明,该算法弥补了单一特征的不足,有效检测了行人整体与局部关键特征,提高了识别性能。     

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。     

基于视觉感知模型的行人再识别

行人再识别是多摄像机协同监控系统中需要解决的关键问题之一。针对行人再识别问题的影响因素,根据人类视觉系统对行人进行识别的过程,提出一种基于视觉感知模型的行人再识别方法。该方法根据行人的局部对称性将行人分为头部、躯干和腿部,分别以行人的躯干和腿部的垂直对称轴为中心建立基于感知均匀颜色空间CIELAB的局部加权空间直方图,结合贝叶斯框架下基于局部统计特征的显著区域检测方法描述行人外观特征。两种特征分别采用不同的距离测度计算相似度,并通过自适应选取权值的方法进行线性融合。基于VIPeR数据库的实验比较和分析验证了该方法的行人再识别性能。     

基于序列图像的实时人流检测与识别算法研究

针对可见光下人流检测、识别算法中存在的运动目标分割准确率低、识别效果差等问题,提出一种新的跟踪与识别方法.首先利用序列图像中运动目标时空一致性,将帧间二阶差分(SODP)与边缘检测相结合进行运动目标分割;再根据行人运动模型和运动目标局部性特征,通过粗采样方法快速提取跟踪特征向量;利用运动目标轮廓投影比、形状因子等特征分量,并构造基于人工神经网络的运动目标分类器进行识别.通过对大型商场进行的实际测试表明：该方法在运行效率、识别准确率方面均取得满意结果.同时,算法对于光线、阴影和人流变化等外界因素的影响,具有较强适应性.     

Directional pedestrian counting with a hybrid map-based model

Detection-based pedestrian counting methods produce results of considerable accuracy in non-crowded scenes. However, the detection-based approach is dependent on the camera viewpoint. On the other hand, map-based pedestrian counting methods are performed by measuring features that do not require separate detection of each pedestrian in the scene. Thus, these methods are more effective especially in high crowd density. In this paper, we propose a hybrid map-based model that is a new directional pedestrian counting model. Our proposed model is composed of direction estimation module with classified foreground motion vectors, and pedestrian counting module with principal component analysis. Our contributions in this paper have two aspects. First, we present a directional moving pedestrian counting system that does not depend on object detection or tracking. Second, the number and major directions of pedestrian movements can be detected, by classifying foreground motion vectors. This representation is more powerful than simple features in terms of handling noise, and can count the moving pedestrians in images more accurately.

     

行人保护仿真分析中的新型头部模型建模方法

为更精确地评价新车型行人保护头部碰撞的性能,提出一种新型头部碰撞模型构建方法.该方法基于传统头部模型,根据摩擦理论和试验经验,推导接触压力和接触面相对速度与摩擦因数的复合关系式,通过头部模型跌落冲击试验标定复合摩擦曲线参数,得到与真实行人头部吻合度更高的新型头部模型.某车型行人保护头部碰撞仿真计算表明,使用新型头部模型可极大地提高仿真的准确性.新型头部模型建模方法适用于不同法规对头部模型的要求,可提高新车研发效率.     

面向行人保护的车辆主动弹起式发动机罩数值仿真

为研究在车辆碰撞过程中主动弹起式发动机罩对行人头部的保护作用,考查行人头部损伤指标HIC值,比较接触式和非接触式发动机罩抬升传感器的动作时序,仿真BUCK标准车模型撞击6岁儿童假人的冲击过程,得到传感器的最小反应时间,据此判断主动弹起式发动机罩的作用效果。采用LS DYNA显式分析算法对某型轿车以45 km/h的初始速度撞击6岁儿童假人进行仿真分析,对比主动弹起式和非主动弹起式发动机罩的行人保护性能及其星级评定结果,由行人头部保护得分占比可知主动弹起式发动机罩可大幅提高行人头部碰撞保护性能。     

基于DOG的异常行为监测模型的设计

为了在监控系统中识别行人的动作,提出了一种用于异常行为预测和检测的实时视频监控系统模型,模型基于动态有向图(DOG)进行实时无人监控.通过单向连接点结构方式来描述观测行为,其中每个点定义了被观测的运动物体在标准属性多维空间的区域,并对产生异常行为的人确定可能性.实验结果表明,该方法能够成功跟踪运动的目标并区分其行为类型,跟踪效果可靠、精确.     

基于行人头部保护的车辆吸能空间

对2018版C NCAP行人保护的头部保护法规进行研究,针对某现有车型,对发动机罩不同的位置进行区域划分,结合仿真与试验数据得到不同区域的典型头部碰撞加速度曲线。以此为依据仿真计算满足行人头部保护要求的吸能空间,可在整车开发的预研阶段对总体布置提出更准确的空间要求,为新车型行人保护的开发提供参考。     

引入注意力机制的自监督光流计算

光流计算是诸多计算机视觉系统的关键模块,广泛应用于动作识别、机器人定位与导航等领域。但目前端到端的光流计算仍受限于数据源的缺少,尤其是真实场景下的光流数据难以获取。人工合成的光流数据占绝大多数,且合成数据不能完全反应真实场景(如树叶晃动、行人倒影等),难以避免过拟合等情况。无监督或自监督方法可以利用海量的视频数据进行训练,摆脱了对数据集的依赖,是解决数据集缺少的有效途径。基于此搭建了一个自监督学习光流计算网络,其中的“Teacher”模块和“Student”模块集成了最新光流计算网络：稀疏相关体网络(SCV),减少了计算冗余量;同时引入注意力模型作为网络的一个节点,以提高图像特征在通道和空间上的维度属性。将SCV与注意力机制集成在自监督学习光流计算网络之中,在KITTI 2015数据集上的测试结果达到或超过了常见的有监督训练网络。     

右转车流及对向行人影响下的行人过街延误模型

通过分析车头时距随交通流量而变化的统计特性,提出了基于车头时距分布的自适应的行人过街冲突延误计算模型。根据低交通流量情况下车头时距服从负指数分布时的行人过街冲突延误,分别推导出中等交通流量及高交通流量情况下的行人过街冲突延误计算模型;结合无干扰条件下的相位延误和对向行人流阻滞延误得到干扰条件下的行人过街总延误计算模型;通过Vissim仿真实验对模型进行了准确性验证,其偏差小于3%。此外,将提出的行人过街延误模型与以机动车到达间距服从负指数分布为假设前提的行人过街延误模型进行误差比较,结果表明所提出的延误模型误差更小。