基于支持向量机的监控视频遮挡树叶检测

针对安防监控摄像头被树叶遮挡的问题,提出一种基于支持向量机(SVM)的视频树叶遮挡检测算法。该算法利用视频的时域特性,采用累积帧差法实现对视频中疑似树叶区域的分割,提取视频中某一帧图像的整个区域和疑似树叶区域的颜色信息与面积信息作为视频的特征,最后采用支持向量机进行建模并用于视频树叶遮挡的检测。在有限样本前提下,算法准确率能够达到84%。实验结果表明,所提算法对于有树叶遮挡的监控视频能够进行有效识别。     

室内视频监控中行人目标检测与跟踪方法

为了有效检测和跟踪室内环境下视频监控中的行人目标,本文提出了一种新的行人检测与跟踪算法。检测阶段采用隔帧差分图像法以及自适应闽值分割技术快速检测运动行人;跟踪阶段采用卡尔曼滤波对目标位置进行预测,并利用最小外接矩形框优化匹配搜索。实现运动行人连续跟踪。通过单人、多人交互两组视频序列对算法进行了验证,试验结果表明。本文算法能够较好地处理室内静止背景下单人、多人跟踪,并对目标遮挡有一定的鲁棒性。     

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。     

视频监控系统中行人的自动分割算法

视频监控系统在智能安防等众多领域有着广泛的应用空间,是近年来研究的热点之一。行人的分割在视频监控系统中极其重要,其分割的有效性直接影响目标识别、行为理解等。本文提出一种自动的行人分割算法,使用基于HOG特征的行人检测算法对目标进行定位,获得粗略的前景和背景信息,把获得的预分割信息作为GrabCut算法的先验知识,无需交互式操作,自动地对行人进行精确分割。实验证明该算法不仅有效,而且能满足应用需求。     

采用截面流量统计的高密度人群行人计数

利用摄像头实现行人计数在智能视频监控领域有着重要的价值,但是行人互相遮挡、噪声、摄像机透视效果和图像背景等问题影响了人群计数的准确性.针对高密度人群场景的行人计数准确率的问题,提出了基于截面流量统计的行人计数方法,该方法基于梯度运动历史图像检测前景,并用有效运动图像改进了基于特征提取的行人计数方法,结合运动速度提取方法实现了行人计数.实验结果表明,提出的计数方法在高密度人群场景中具有较高的准确率和实时性,是一种针对高密度人群有效的行人计数方法.     

遮挡情形下的行人检测方法综述

行人检测在智能交通、智能监控、无人驾驶、行人分析等领域都有广泛应用,随着技术发展,对行人检测技术的精度要求也越来越高。对遮挡情况下的行人检测技术进行了研究,根据遮挡物的不同,将遮挡分为非目标造成的遮挡及需要检测的目标造成的遮挡。分别总结了处理遮挡情况的传统方法和深度学习方法,并对每一类方法模型的主要思想和核心问题进行了分析和讨论。对遮挡下的行人检测技术在未来发展中亟待解决的问题提出展望。     

基于密集分割网络的车道线检测方法

传统车道线检测算法大多数依赖手工制作特征和启发式算法的组合,容易受车辆遮挡和地面污损等因素的影响。针对影响车道线检测的复杂问题,将车道线检测视为连续细长区域实例分割问题,提出了一种基于密集分割网络的车道线检测方法。为此,使用稠密块构建了一个密集分割网络DSNet,该网络能够利用特征重复使用的特性提高提取车道线实例特征和恢复特征图分辨率的性能。同时,还引入了邻近AND运算和Meanshift聚类算法对DSNet网络的输出进行处理,减小了非车道线像素的影响,使得检测结果的边界线更为清晰。实验表明,本文方法能很好地解决车辆遮挡和地面污损问题,并且还能确定车道线的数量,具有较好的鲁棒性和实时性。     

基于图切割和密度聚类的视频行人检测算法*

现有视频行人检测方法把行人检测看成一个有监督的两类(即行人和背景)学习问题,区分视频中的行人和背景,并不能很好解决行人的姿态变化和行人间的遮挡问题.文中提出基于图切割和密度聚类的行人检测算法,把行人检测看成一个多类的无监督学习过程.在训练阶段,首先对每个训练样本计算多级梯度方向直方图-局部二分模式(HOG-LBP)特征,然后对多级HOG-LBP特征所属的每个图像块分配不同的权值.为了区别行人的不同部位并赋权值,采用基于图像块的图分割方法从背景中分割行人所在的图像块.最后,再采用基于密度峰值的聚类算法对正样本和负样本分别进行无监督的聚类.在测试阶段,首先通过计算样本特征与每个聚类中心的距离,然后使用前5个最短距离进行投票,判断其是否包含行人.实验证明,文中算法较好解决行人的姿态变化和行人间的遮挡问题,并且随着训练样本的增加,能取得和目前最优行人检测方法可比较的结果.     

夜间多场景的邻近感知实时行人检测算法

目的 行人检测是自动驾驶、监控安防等领域的关键技术，为了解决目标检测算法在夜间复杂场景以及遮挡情况下造成的行人检测精度降低的问题，本文提出将低光增强算法（low-light image enhancement）添加到夜间行人检测任务中进行联合训练，并引入邻近感知模块（nearby objects hallucinator,NOH），提出了一种改进的夜间监控场景下的邻近感知行人检测算法（nearby-aware surveillance pedestrian detection algorithm,NSPDet）。方法 为了提升夜间检测行人的准确率，在基线模型中加入低光增强模块（zero-reference deep curve estimation,Zero-DCE）。为了降低密集人群、遮挡造成的漏检、误检，利用NOH建模周围行人分布信息，提出了行人检测头（PedestrianHead）。为了减少模型参数，提升推理速度，本文利用深度可分离卷积将模型进行轻量化。结果 在NightSurveillance数据集上进行3组消融实验，相比基线模型YOLOX(exceeding YOLO (yo...     

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。     

基于实例分割的车道线检测及自适应拟合算法

车道线检测是智能驾驶系统的重要组成部分。传统车道线检测方法高度依赖手动选取特征,工作量大,在受到物体遮挡、光照变化和磨损等复杂场景的干扰时精度不高,因此设计一个鲁棒的检测算法面临着很大挑战。为了克服这些缺点,提出了一种基于深度学习实例分割方法的车道线检测模型。该模型基于改进的Mask R-CNN模型,首先利用实例分割模型对道路图像进行分割,提高车道特征信息的检测能力;然后使用聚类模型提取离散的车道线特征信息点;最后提出一种自适应拟合的方法,结合直线和多项式两种拟合方法对不同视野内的特征点进行拟合,生成最优车道线参数方程。实验结果表明,该方法提高了检测速度,在不同场景下都具有较好的检测精度,能够实现对各种复杂实际条件下的车道线信息的鲁棒提取。     

自主移动机器人自适应室外道路检测

目的 为降低室外自主移动机器人视觉导航中遇到的阴影、裂纹及道路边界不规则造成的道路检测算法不鲁棒性,提出一种每帧灰度阈值可调的快速自适应道路检测方法。方法 先采用2维离散小波进行道路图像分解与重构,比较各级小波重构后的近似道路图像,确定出不影响“路-非路”灰度二分类的最佳分辨率等级;在低分辨率尺度空间中,用灰度类间最大方差和类内最小方差共同构造适应度函数,采用改进的遗传算法对各帧道路图像进行阈值自适应分割,找到准确的道路边界,最近两边界中心位置即机器人行驶方向。采用小型陆地自主车作为研究平台,并在卡耐基梅隆大学（CMU）提供的室外移动机器人道路视频中进行算法测试。结果 本文方法能够在具有阴影、裂纹、光照度变化的道路条件下鲁棒分割出道路边界,机器人可以平均30 km/h的速度在有较严重阴影干扰的校园道路上行驶,视觉系统的处理速度平均可达到20 ms/帧。结论 本文方法比传统的灰度直方图分割法表现出更强的环境自适应性,可实现较为鲁棒的室外道路检测,并可作为室外自主移动机器人非结构化道路检测的一种鲁棒性较强的方法加以推广。     

基于颜色纹理信息的盲道识别算法

针对现有盲道识别率低,处理方式单一,且容易受光照、阴影的影响等问题,提出一种改进的盲道识别算法。该方法针对盲道颜色、纹理特性,分别利用颜色直方图特征的阈值分割结合改进的区域生长分割,灰度共生矩阵特征的模糊C均值聚类分割,结合Canny边缘检测和Hough变换算法,使得盲道区域与周围人行区域分开,确定出盲道的偏移方向。实验结果表明,该算法能够更加精准地分割多种类型盲道,检测出盲道区域的边界与行进方向,而且解决了部分光照和阴影问题,能够自适应选择速度最快而且高效的分割方法,可以应用在电子导盲等多种设备中。     

基于激光点云的道路可通行区域检测方法

以车载激光雷达获取的点云数据为研究对象,针对无人车道路环境感知的关键技术展开研究。为解决无人驾驶中道路可通行区域检测存在的地面不平整、缓坡、障碍物单一等问题,提出基于激光点云数据的道路可通行区域检测方法。通过基于分段校准的RANSAC算法进行地面分割,解决地面不平整导致的欠分割问题。使用多特征复合判据,利用基于体素化的DBSCAN聚类算法和基于结构特征的障碍物识别方法完成障碍物的分割与识别。结合道路结构以及数据高程突变特征,提取道路边界候选点并拟合得到完整的道路边界线。将道路区域栅格化,根据道路边界悬空障碍物判断并更新可通行区域,实现可通行区域的准确检测。实验结果表明,该方法在复杂道路场景中的边界检测准确率高于95%,可有效检测出障碍物及道路的可通行区域,具有良好的实时性与鲁棒性。     

深度学习的图像实例分割方法综述

实例分割是一项具有挑战性的任务,需要同时进行实例级和像素级的预测,在自动驾驶、视频分析、场景理解等方面应用广泛.近年来,基于深度学习的实例分割方法迅速发展,如两阶段检测器Faster R-CNN扩展出的聚焦于网络的精度而非速度的强大实例分割基准Mask R-CNN,一度成为实例分割的标杆.利用高速检测的单阶段检测器延伸出的实例分割算法YOLACT填补了实时实例分割模型的空白,具有较高的研究和应用价值.本文首先对实例分割算法进行了类别划分,然后对一些代表性的算法及其改进算法进行了深入分析,并阐述了相关算法的优缺点,最后对实例分割方法未来的发展进行了展望.     

一种基于视频的多目标追踪与分割算法

基于视觉的多目标跟踪由于在智能监控、动作与行为分析、自动驾驶、虚拟现实和娱乐互动等领域都有重要的应用,近年来越来越多地成为计算机视觉领域的研究重点。并且在电力设施中对人员的活动需要实时追踪,有助于安全防护。对此,针对视频中的多目标检测与分割问题,在原有Mask-RCNN算法的基础上做了改进,引入光流分析法和视频关键帧提取技术,在不改变检测精度的同时大幅度缩短对每一帧的检测时间。实验结果表明,相较于原有Mask-RCNN算法,改进的Mask-RCNN算法大幅缩短了检测时间,对比于其他的目标追踪算法,改进的Mask-RCNN算法增强了对视频中的对象实例识别和分割的效果,分割精度有了显著提升,达到了视频里的多目标追踪的需求,并且对提高多目标场景下的目标跟踪水平具有一定的实际意义。     

一种基于彩色路面区域分割的候选车辆区域视频检测方法

提出了一种基于彩色路面区域分割的候选车辆视频检测方法.该方法首先根据路面部分颜色的分布特点从单帧彩色图像中分割出路面部分并完成路面区域背景的初始化,然后通过对路面区域运用背景差方法和相关后处理过程进行动静态候选车辆的检测和分割.由于采用一种双背景策略能够在车辆检测的同时完成背景的训练和替换更新,该算法克服了传统背景差算法背景更新时容易存在误差累积以及对环境光线变化敏感的缺点,实现简单、稳健性好,可以满足交通视频监控系统中背景更新和车辆检测的实时性处理要求,实验结果证明了该方法的有效性.     

Enhanced fog detection and free-space segmentation for car navigation

Free-space detection is a primary task for car navigation. Unfortunately, classical approaches have difficulties in adverse weather conditions, in particular in daytime fog. In this paper, a solution is proposed thanks to a contrast restoration approach on images grabbed by an in-vehicle camera. The proposed method improves the state-of-the-art in several ways. First, the segmentation of the fog region of interest is better segmented thanks to the computation of the shortest routes maps. Second, the fog density as well as the position of the horizon line is jointly computed. Then, the method restores the contrast of the road by only assuming that the road is flat and, at the same time, detects the vertical objects. Finally, a segmentation of the connected component in front of the vehicle gives the free-space area. An experimental validation was carried out to foresee the effectiveness of the method. Different results are shown on sample images extracted from video sequences acquired from an in-vehicle camera. The proposed method is complementary to existing free-space area detection methods relying on color segmentation and stereovision.     

公路视觉导航中道路图像的阈值分割

在公路视觉导航中,分割道路图像的分道线与路面是至关重要。在采用传统最优阈值分割算法时,因道路图像远处与近处的对比度存在差异,易导致不完全分割。为了解决上述问题,针对道路图像的特性提出了逐行最优阈值分割思想。该文通过对大量视频图像的道路与分道线特点进行统计,并结合公路视觉导航中图像的序列性,对逐行最优阈值分割进行了改进以提高实时性,提出了一种新的基于视频流的多阈值分割算法。通过对三种方法对比试验,表明该方法有很好的实时性、有效性和自适应性。