基于上下文信息的监控场景行人检测方法

为了提高监控场景中行人检测的准确度,提出了一种基于上下文信息的行人检测方法.该方法将监控场景的上下文信息融入到卷积神经网络中,选择性地学习对行人检测有帮助的上下文信息.首先,利用一个截断的卷积神经网络提取输入图像的多张特征图.然后,将多张特征图通过两个包含上下文信息的卷积层,形成一张掩码图.最后,通过在掩码图上估计行人的边界框,获得行人检测的结果.实验表明,该方法能实现监控场景中准确且快速的行人检测.     

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。     

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。     

基于深度学习和特征信息关联的多行人目标跟踪算法

多行人目标跟踪是智能安防监控系统的关键技术之一,其跟踪准确度的高低直接关系到监控系统的效果。针对复杂监控场景下多行人目标跟踪困难的问题,提出了一种YOLOv3网络模型与SORT跟踪算法相结合的鲁棒跟踪方法。通过简化网络模型输出以提高模型效率,对YOLOv3模型针对行人检测数据集进行重新训练。为了避免因长时间遮挡导致的目标跟踪失败,设计行人重识别网络(Re-ID)来提取目标表征特征,并通过计算特征向量的余弦距离来判别帧间行人目标的关联程度。实验结果表明,文中设计的改进YOLOv3检测器使行人检测率有明显的提高,提出的行人目标跟踪算法有效提高了跟踪效果,在MOT16数据集上的跟踪准确率和跟踪精准率相比于SORT算法分别提高了15.72%和3.14%。     

夜间复杂场景下红外图像行人检测算法研究

针对夜间红外图像中行人与背景灰度差异小且存在遮挡等问题,提出了一种夜间复杂场景下的红外行人检测算法.首先利用行人语义融合方法生成对目标全覆盖的显著图,与原图融合得到感兴趣区域,然后构造基于改进的方向梯度直方图特征的两分支分类器,同时提出一种遮挡判别算法,根据分类器模糊分数判断是否遮挡,设计一种头部模板实现最终的行人检测...     

改进YOLOv5s算法的地铁场景行人目标检测

地铁场景行人目标存在大小不一、不同程度遮挡以及环境过暗导致目标模糊等问题，很大程度影响了行人目标检测的准确性。针对上述问题，本研究提出了一种改进YOLOv5s目标检测算法以增强地铁场景行人目标检测的效果。构建地铁场景行人数据集，标注对应标签，进行数据预处理操作。本研究在特征提取模块中加入深度残差收缩网络，将残差网络、注意力机制和软阈值化函数相结合以增强有用特征信道，削弱冗余特征信道；利用改进空洞空间金字塔池化模块，在不丢失图像信息的前提下获得多尺度、多感受野的融合特征，有效捕获图像全局上下文信息；设计了一种改进非极大值抑制算法，对目标预测框进行后处理，保留检测目标最优预测框。实验结果表明：提出的改进YOLOv5s算法能有效提高地铁场景行人目标检测的精度，尤其对小行人目标和密集行人目标的检测，效果提升更为显著。     

结合单双行人DPM模型的交通场景行人检测

针对日常交通场景下,行人目标易被遮挡,影响行人检测效果的问题,提出一种结合单行人和双行人DPM模型的交通场景行人检测方法.该方法首先从INRIA、ETH等行人数据集中提取训练样本的DPM特征,通过LatentSVM方法训练得到单、双人DPM模型;然后采用分类检测方法,将交通场景行人分为单独分布行人和混合分布行人两类.检测时首先使用双行人模型SDP-DPM对目标图像进行目标匹配,如果没有检测到双行人目标,则判定为单独分布行人情况,转而使用单行人模型SP-DPM进行检测,并保存检测结果;如果检测到双行人目标,则判定为混合分布行人情况,此时先保存对应的双行人滤波响应,再使用单行人模型进行二次检测,并将两次检测的结果进行加权结合.实验结果表明,本文算法能够在行人相互遮挡严重的交通环境下,有效检测出行人,整体精度优于传统的DPM算法和当前行人检测的主要流行算法.     

人体及穿戴特征识别在电力设施监控中的应用

针对电力设施智能监控系统中目标人员及其穿戴特征,本文提出了一种高鲁棒性的检测方法.首先采集行人的目标正样本,以及所要监控的场景中无行人目标的负样本,接着基于HOG(Histogram of Oriented Gradients)特征以及线性SVM(Support Vector Machine)训练行人检测的分类器,检测进入场景中的行人目标;对检测到的行人的头部、腰部区域,采用HSV色彩模型判断人员是否进行安全着装,及时预警,避免危险发生.本文将目标识别及穿戴特征分析技术应用于电力设施作业现场监控中,可以更准确的识别入侵的人员,也可以在应急事故抢修时,加强工作人员规范操作,提前预警,避免危险.     

行人动态实时监测系统的设计与实现

针对视频场景中行人动态信息监测的需求,设计实现了一种行人动态实时监测系统。首先,通过YOLOv3检测算法对场景中行人进行目标检测,在此基础上结合改进的KCF实现多行人目标的跟踪并获取对应下底边中心点。之后结合场景标定结果完成行人图像与三维空间位置监测、场景行人计数和行人行走速度等动态信息监测。通过实验表明,该系统不仅能够较好地完成视频场景下行人目标检测与跟踪,也能够精准完成以上信息动态实时监测的任务,为实际理论研究与工程应用奠定重要基础。     

基于蒙特卡洛树搜索的视频异常场景监测方法

通过视频监控可以更快速地发现异常场景,并尽快制止违法暴力行动。为保证监测精度,文中设计一种基于蒙特卡洛树搜索的视频异常场景监测方法。首先对行人轨迹特征进行提取,计算目标预测位置与实际位置的空间距离,判定二者的相对位置,建立三级异常图像;再基于蒙特卡洛树搜索算法设计行人行为判别方法,构建不确定判别网络,标记残差函数,对数据进行归一化处理,同时获得激活函数以及函数的输出值;最后,设计视频异常场景监测算法,基于协方差矩阵将多个判别结果汇总成一个整体,并以此得到监控视频内异常场景的监测结果。该方法能够通过目标提取得到视频内的异常目标。目标识别精度的测试结果表明,所提方法在简单场景与复杂场景内的AUC值分别为0.952和0.886,说明其监测精度较高,在简单场景与复杂场景下均可正常使用。     

基于DPM模型的行人检测技术的研究

在行人检测领域,当场景很复杂时,一般行人检测算法往往得不到很好的检测效果。比如在行人很多且靠的很近时,用基于梯度直方图的检测算法时,检测效果不是很好。由P.Felzenszwa提出一种以可变形部件模型为基础的检测算法,能够检测多样变化的目标类型并且在挑战Pascal目标检测中达到较高水平。该算法使用隐变量支持向量机,是一种在支持向量机基础上添加潜在变量而重新构建的支持向量机。本文提出了一种基于可变形部件模型的行人检测算法,通过建立多人体模板,在行人相互靠近有重叠的场景下有着很好的检测效果。     

红外交通场景下遮挡行人目标检测算法研究

针对交通十字路口等视野盲区往来行人间存在遮挡情况,如何高效准确地检测复杂道路中目标行人具有实际意义。为了实现夜间交汇路口场景行人检测,提出一种基于改进YOLOv5的行人目标检测算法,采用Non local和PSA模块对YOLOv5原网络的Bottleneck CSP进行改进,能够有效弥补遮挡中行人特征的帧间信息交互过程,增强长程范围通道特征依赖关系。设计更深的160×160检测层和自适应anthor,提升夜间行人检测的边界回归精确度。实验结果表明,针对夜间下交通路口场景,压缩改进后模型对行人检测鲁棒性高,相较于原始算法mAP_0.5和mAP_0.5:0.95值分别提升了14.2和12.7,说明所提算法对夜间行人检测的有效性。     

一种基于视频的道路行人检测方法

提出了一种基于交通视频的道路行人检测方法。首先,采用具有自适应背景更新的背景差法提取运动目标。其次,利用行人的轮廓特征和行人在图像上的像素高度与实际距离的线性变化关系特征进一步分割行人目标,并依据行人位置特征对其做多帧匹配跟踪。最后,结合行人速度特征,实现行人目标检测。实验结果表明,该方法能准确地检测交通场景中出现的行人目标,有效地解决运动车辆的遮挡和光照等对行人目标检测的影响,具有良好的实时性和稳健性。     

基于聚合通道特征的红外行人检测方法

基于红外图像的行人检测技术在夜间场景监控、汽车夜间辅助驾驶等相关领域具有重要的作用,然而受红外图像分辨率低、信噪比高等因素影响,当前的很多方法性能不佳。提出了一种基于图像特征通道的红外行人检测算法。利用快速特征金字塔技术在红外图像上进行了滑动窗口检测。实验结果证明,相对于其他常规算法,该算法在实时性和鲁棒性上都有很大的提升。     

基于MIMU的自适应步态检测算法

行人步态检测精度对个人导航系统至关重要。针对当前行人自主导航系统中常规步态检测算法不能适用于多种运动状态下的步态检测问题,提出了一种基于微惯性测量单元（MIMU）的自适应步态检测算法。该算法首先利用加速度计三轴模值方差、单轴方差差别和波形相位识别4种不同的行走状态,包括前进、快跑、后退和横向行走,然后针对不同的行走状态设置自适应阈值,实现各类运动状态下的自适应步态检测。利用实验室自主研发的MIMU固定在腰部脊椎位置进行实验验证,数据显示,前进行走和快跑步态检测精度可达99%,后退和横向行走步态检测精度可达93%。实验证明,自适应步态检测算法适用于个人导航系统。     

多层平面单应性的丢包事件检测

为及时发现潜在的安全威胁事件,基于多摄像机视图建立多层平面单应性模型,提出一种拥塞环境多视图行人丢包检测方法。提出了行人丢包事件模型,实现了行人跟踪与启发式丢包事件自动检测,并实现丢包事件检测的自动告警。采用真实公众环境的数据集进行测试,结果表明,本文方法有效解决了行人遮挡问题,丢包事件的自动检测鲁棒性较好。     

Scene change detection algorithms for content-based video indexingand retrieval

There is an urgent need to extract key information from video automatically for the purposes of indexing, fast retrieval, and scene analysis. To support this vision, reliable scene change detection algorithms must be developed. Several algorithms have been proposed for both sudden and gradual scene change detection in uncompressed and compressed video. In this paper some common algorithms that have been proposed for scene change detection are reviewed. A novel algorithm for sudden scene change detection for MPEG-2 compressed video is then presented. This uses the number of interpolated macroblocks in B-frames to identify the sudden scene changes. A gradual scene change detection algorithm based on statistical features is also presented