视频监控领域深度特征编码的行人检测算法

由于高清视频监控领域现有行人检测算法在复杂背景下检测准确率不高且检测实时性不强,提出了一种新颖的深度特征行人检测算法,该算法利用聚合通道特征模型对监控高清图像进行预处理,筛选出具有显著特性的疑似目标,大大降低目标检测的数量;然后对获取的疑似目标区域进行尺度校正与特征提取,并输入到深度模型中进行深度特征编码,提高特征的表征能力;最后输入到LSSVM分类模型,得到最终的行人检测结果。仿真实验结果显示所提行人检测算法在保证检测准确率的同时,具有较高的检测效率。     

基于行人计数算法的改进研究

视频监控中的行人计数是人体目标检测的重要应用,针对该应用对实时性的要求,本文提出了将混合高斯背景模型和HOG(Histograms of Oriented Gradients)特征结合的方法,该方法首先通过混合高斯背景方法检测出视频中的运动前景,再用HOG SVM对提取的感兴趣区域内的行人进行计数,大大降低了计算量,提高了HOG算法的实时性,经试验证明,改进的算法可以将行人计数的准确度提高到95%左右。     

基于改进YOLO v3的相似外部特征人员检测算法

针对目前异常行为检测中相似特征人员检测方法稀缺、人员和特征检测准确度低、特征量较少,而相似外部特征往往意味着团队行动及潜在异常行为等问题,提出一种基于深度学习的相似外部特征人员检测算法.首先采用加入Fast Guided Filter的暗通道去雾算法对INRIA数据库图像进行前期处理,得到质量更佳的训练样本;然后用得到的样本对改进的YOLO v3进行训练;最后将提取出来的行人进行颜色特征和几种纹理特征提取,组合之后用ELM进行分类.仿真结果表明:加入Fast Guided Filter的暗通道去雾算法明显优于单纯的暗通道去雾算法,保留了更多的边缘和纹理特征,在雾天和强曝光下效果尤为明显.相比HOG+SVM方法,该算法对人员检测的误检率和漏检率都大大降低,且具有较好的实时性.最后ELM分类的准确性能够达到96. 104%.     

车辆辅助驾驶中基于概率模板的红外行人检测*

提出了一种基于概率模板的红外行人检测方法。首先采用自适应双阈值对红外视频图像进行分割,并提取感兴趣区域;然后利用行人区域的一些特征对感兴趣区域进行滤波,保留最符合行人特征的区域;考虑到行人重叠对于检测效率的影响,提出了一种基于直方图投影的多行人区域再分割算法;最后采用概率模板匹配算法对行人进行识别,针对行人可能的三个方位分别设计了三个对应的概率模板。实验表明该方法具有较高的行人识别率,对于环境变化有很好的自适应能力,并且具有较强的鲁棒性和实时性。     

基于自编码神经网络与AdaBoost的快速行人检测算法

针对传统基于HOG特征与Ada Boost算法分类器在目标检测中存在检测速度慢、误差率大的问题,提出了一种基于自编码神经网络与Ada Boost的快速行人检测算法.该算法首先利用基于ACF模型的目标检测算法对图像进行预处理,获得疑似目标区域;然后对获取的子区域进行尺度归一化,提取HOG特征,并输入到自编码神经网络中进行降维;最后利用Ada Boost分类器对分类检测,输出检测到的行人区域.实验结果表明:文中所提算法的行人检测性能超过现有的检测算法,其检测速度也超过大多数算法.     

一种有效的车辆跟踪算法与异常车辆检测

交通监控视频中车辆检测、跟踪与车型判别是智能交通监控系统的重要组成部分。本文运用W4背景减除法和光流法相结合的技术进行车辆检测。利用区域滤波和空洞填充方法提高目标检测精度。采用质心距离约束和目标大小约束条件实现目标区域之间的匹配和车辆跟踪。最后,根据车辆的几何形状特征对助动车等异常车辆进行检测和标记。通过对高速公路实际视频的测试表明,本算法对机动车进行了有效的跟踪与标记,并对道路上助动车等异常车辆进行了有效的检测。     

基于回归的人脸检测加速算法

为了提高视频中人脸检测的检测速度,采用回归分析方法预测连续视频中人脸中心位置坐标,并通过调整区域宽度系数确定人脸区域位置,从而提出一种人脸检测加速算法。该算法的主体框架采用VJ(Viola-Joines)结构,在人脸检测过程中,通过聚合通道特征和弱级联分类建立多尺度精细采样图像特征金字塔,并利用回归分析方法进行人脸中心位置坐标拟合,再采用粗粒度预测方法降低算法时间复杂度,最后通过优化人脸区域位置系数提高人脸检测准确率。在此基础上,又通过目标预测、跟踪算法进行人脸检测的二次加速。实验结果表明,该算法有效减少了视频人脸检测遍历区域,提高了人脸检测的检测速度,缩短了提取视频人脸特征区域的时间,更加适合视频人脸检测的实时性应用。     

基于SIFT特征点的目标跟踪算法

提出一种结合背景建模方法和基于SIFT特征点匹配方法的目标跟踪算法,该算法首先使用背景建模方法获得目标区域,然后对目标区域进行SIFT特征点提取,再利用特征点匹配方法实现视频目标跟踪,为了减小误配点,采用RANSAC方法来消除误配点。最后对算法进行了实验,实验结果表明,该算法可有效跟踪运动目标。     

无人机晃动下基于相位的视觉振动检测

针对无人机平台视觉振动检测不准确的问题，文章提出一种抗无人机晃动的视觉振动检测算法，用于实现无人机拍摄镜头不稳定情况下的振动检测。该算法利用目标振动的局部性和无人机晃动的全局性，从源视频的混合信号中提取出目标振动。首先根据像素点亮度变化的剧烈程度实现目标振动区域与背景区域的分离；其次对图像的背景区域进行特征点提取，并求解背景区域的运动矩阵；然后对目标区域进行运动矫正，去除其包含的背景信号分量，即晃动信号分量；最后提取目标振动区域的局部相位序列，构建振动信号，并检测其振动频率。为了验证该算法的准确性，使用无人机在不同晃动幅度下拍摄多组视频并检测其振动频率。实验结果表明，该算法具有较高的准确性与鲁棒性，能够有效去除无人机晃动干扰，准确提取出视频中的目标振动信号。     

基于DM642目标跟踪与目标统计的实现

针对视频监控中单目标的跟踪及目标统计,提出采用一种背景差分和帧间差分相结合的方法,对运动物体进行有效的目标检测,提高了目标检测的精度。首先采用中值滤波去除图像中所含的椒盐噪声,通过形态学处理对提取目标二值化的图像进行去噪处理,然后利用多点定位算法实现目标跟踪。最后根据运动目标体的轮廓高宽比、面积、质心等特征量识别人体,当行人进入视频中特定区域后,进行人流量的统计。实验结果表明,该方法稳定性强、准确率高,所设计的系统能够满足实时要求。     

基于光流重构和深度姿态特征的行人跌倒检测方法

随着我国老龄化人群数量的增长，老年人实时行为轨迹的跟踪检测成为当前智慧社区研究的热点。本文针对现有行人跌倒检测算法在面临电动车流和行人影子的干扰而导致识别准确率不高的问题，提出了一种基于优化yolov5的路边行人跌倒检测方法。首先基于视频抽帧的方式将原始数据输入到yolov5网络进行监控行人视频数据的预处理，实现行人背景重构；然后提取光流和anchor框作为其运动特征；最后对此特征进行判定，进行信息融合的跌倒检测网络进行跌倒特征识别，并在不同帧序列和不同背景下进行对比试验。本文所提出的方法在行人跌倒数据集Multiple cameras fall和Le2i上进行了实验，结果表明本文的算法在基于电动车流和行人影子干扰场景下较传统方法在准确率和召回率上分别提升了9%和10%。     

基于运动特征的人体异常行为识别

为了提高监控视频中人体异常行为识别的实时性和准确率,提出了基于运动特征的人体异常行为识别方法。利用分块更新的背景差法从图像中提取出完整的人体轮廓,通过区域关联结合颜色直方图实现人体目标跟踪,解决了非线性运动时漏跟和误跟的问题。通过人体运动轨迹、运动姿态及运动时间3个参数,对人的5种异常行为进行分析判断。实验结果表明,所提算法不仅能实时地对人体进行检测和跟踪,还能快速、准确地识别出异常行为,具有简单实用的特点。     

移动机器人行人目标活动区域快速检测算法

针对移动机器人运动目标检测过程中运动目标与背景均存在位移致使跟踪失效的问题,提出一种显著光流分析法对室内行人目标活动区域进行检测与标识,能够快速有效地为移动机器人视觉检测与跟踪算法提供简便的初始区域定位信息。经仿真实验分析,该算法能够在室内复杂的情况下,快速检测出行人目标的活动区域,方便人物识别与躲避,具有较强的工程应用价值。     

基于背景抑制及顶点成分分析的高光谱异常小目标检测

高光谱图像异常小目标检测数据量大、信息提取困难.文中提出了一种不需要先验信息并且计算复杂度较低的快速检测算法——基于背景抑制及顶点成分分析（EVCA）的异常小目标检测.利用高光谱图像端元是单形体顶点这一特性,在抑制背景后的图像上提取目标端元,并结合光谱匹配技术完成目标检测.为了验证新方法的有效性,与不经过背景抑制的VCA算法及传统检测算法进行了比较.实验结果表明,该算法不需要先验信息,体现了较好的检测效果.     

基于多特征的AdaBoost行人检测算法

针对单特征辨识度较低问题,基于多特征的AdaBoost行人检测算法,提出一种融合灰度和轮廓信息的新的多特征综合表示方法.该方法通过统计样本的权重直方图建立分类模型,并用多个直方图的乘积表示样本在多特征下对应的联合概率分布,从而基于多特征联合概率更精准地描述行人,提高行人检测的鲁棒性.实验结果表明,改进后的基于多特征行人检测算法提高了行人检测精度、降低了误检率,目标识别的置信度明显提高,在多变的自然背景下可以取得较好的效果.     

融合人脸与步态周期模式的行人检测

提出多自由度的多核跟踪MeanShift算法,其在运动人体目标与背景图像的颜色信息较为接近时仍能鲁棒地跟踪.将所提出的跟踪算法用于融合人脸与步态周期模式的行人检测新算法,将闭环的控制思想引入到行人检测中,即通过步态周期和相应的跟踪反馈验证的理论方法来解决行人检测中误报率高的问题;还对行人部分轮廓存在遮挡的情况提供行人检测的新思路,即通过检测人脸来确定检测对象是否是行人,以解决当前行人检测算法检测率低的问题.     

速度异常的横穿马路行人检测算法

针对人车混行区域行人异常运动极大地干扰驾驶者判断问题,提出一种单目摄像机条件下,基于TLD和粒子滤波器行人检测与跟踪技术的速度异常横穿马路行人检测方法,用于检测车前道路上的运动速度过快或过慢的行人目标,作为危险行人提醒驾驶者注意,从而实现行人目标的早期安全预警。经仿真分析,能够有效地估计实际道路上行人的运动速度,判断运动速度异常的行人目标,为驾驶者和车载辅助驾驶系统提供必要的参考信息。     

一种改进的梯度直方图远红外行人检测方法

在远红外行人检测领域,实时性以及鲁棒性如何提高,这一问题一直得不到有效的解决.笔者以感兴趣区域ROIs为切入点,在图像预处理阶段充分应用像素梯度相关知识,总结出有效的垂直投影方法.该方法原理为:搜集图像梯度信息,采用初定位方法对垂直方向上的条状区域展开处理并获取包括行人在内的图像,采取局部双阈值图像分割算法获得相对较为可靠性ROIs,避免对整幅输入图像进行搜索.检测过程中,充分发挥全局信息作用,采用以金字塔熵加权的梯度直方图方法,针对远红外行人进行描述.本方法引入了支持向量机算法的识别技术.文章最后针对该方法进行了实验检验.实验结果显示,该方法大大缩短了ROIs提取过程的搜索耗时,而且可以对一些以背景目标为主的候选区域进行抑制.     

基于多个相关滤波器的行人跟踪尺度算法

外观、尺度变化是行人跟踪的难点，解决行人多尺度跟踪问题是增强算法实用性的关键因素.在KCF(kernel correlation filter)算法的基础上，本文采用多个相关滤波器(如头部、臀部)辅助身体躯干滤波器的匹配跟踪.通过获得图像帧(除第一帧外)与初始帧的行人头部和臀部之间的距离变化率来缩放搜索面积，解决目标定位不准确和时间浪费的问题;通过调整目标框的尺寸，解决目标模板逐渐包括背景特征或者逐渐被局部特征取代的问题.在VOT2016的18个有明显尺度变化的行人场景视频序列上进行了测试，实验结果表明所提算法具有更高的跟踪准确率.