监控视频中的移动目标侦测算法研究

针对违章停车人工检测方式存在的准确率低、成本高且难以实时判断等缺点,文章提出一种监控视频中的移动目标侦测算法,用来检测和识别违章停车。该算法采用混合高斯模型进行背景建模,用以检测监控场景中的运动目标,并通过支持向量机(support vector machine,SVM)分类器判断运动目标是否为监控车辆,如果是监控车辆,则根据车辆停留时间将车辆分类,一旦发现违停车辆,系统会发出报警。实验结果表明,该算法准确率高、实时性好。     

融合聚类法的改进三帧差分车辆检测算法

针对三帧差分法在车辆检测任务中出现的前景点误检和漏检问题，提出了一种融合K-means聚类的改进三帧差分车辆检测算法。首先，综合当前图像分别与改进算法所选两帧的差分结果，初步判定像素点类别并定义待分类点；其次，结合待分类点在三帧内的灰度特征对其进行K-means聚类，并依据点的坐标信息修正聚类结果，得到待分类点类别；最后，设计车辆形状修正方法，填补空洞并修正目标边界，完成检测。实验结果显示，改进算法在2种不同场景视频上的检测效果达到了81.72%的平均精确率、93.85%的平均召回率以及87.34的平均F₁值，各指标值相比于原三帧差分法平均有11.86%提升，较好解决了检测中前景点误检和漏检的问题。     

基于改进Faster R-CNN的车辆类型识别算法

提出一种基于改进Faster R-CNN(region-convolutional neural networks)的车辆识别算法,用于处理不同类别车辆的识别问题.为了解决部分外形相似类别的车辆之间的误检问题,该方法使用空洞卷积来提高感受野,结合空洞空间金字塔池化(atrous spatial pyramid pooling,简称ASPP)来增强多尺度信息的获取,以此来增强网络对外形相似车辆之间差异的敏感性,提升算法的准确率.实验结果表明,改进的Faster R-CNN模型mAP值达到93.45％,具有较高的精确度、较小的误检率和更好的鲁棒性.     

融合多元特征信息的前方车辆图像识别

为了进一步降低虚假目标车辆的检测风险,提出了一种基于多元特征信息匹配的前方车辆图像识别方法。首先依据路面灰度均值突变搜索车辆候选区域,然后利用双通道Gabor滤波器提取车辆样本图像的多尺度方向特征,联合AdaBoost分类器与Cascade级联分类器形成一系列强分类器,对产生的5尺度8方向高维特征向量实施降维处理,同时分类筛选特征样本,最后结合灰度信息熵对称性测度辨识目标车辆存在性,完成了前方目标车辆的检测定位。研究结果表明:所提方法的检测准确率为96.7%,比经典算法提高了1.6%;整个检测过程最长耗时35 ms,最短耗时15ms,平均耗时25ms,检测耗时主要受车辆的大小以及背景复杂程度的影响;避免了单一特征下局部有效鉴别信息的损失,具有较好的识别精度和处理速度,车辆误检率仅为3.2%,优于其他车辆识别算法的误检率,提高了虚假目标检测的辨识度。     

基于对称帧差和分块背景建模的无人机视频车辆自动检测

为了从广域的视角准确全面地识别交通流信息,针对无人机视频提出了基于对称帧差和分块背景建模的车辆自动检测方法.首先,对视频图像进行4×4降维处理和灰度化处理,并人工勾勒出感兴趣区域(ROI),以降低图像维度,划定检测区域;其次,利用对称帧间差分法提取ROI中的运动目标,并在此基础上应用分块背景建模获得背景图像;然后,通过背景差分初步提取车辆信息;最后,基于形态学处理等方法消除噪声,实现车辆识别.此外,提出了针对车辆识别算法的正检率、重检率、漏检率和错检率4个评价指标.基于150帧无人机视频图像对算法进行测试,结果表明:算法具有较高的正检率(均值92.29%)、较低的漏检率(均值7.31%)与错检率(均值0.39%),而重检率为0.     

改进水平集的车辆检测算法

针对视频序列的车辆检测,研究了常用的车辆检测算法。提出一种改进的基于水平集函数的车辆检测算法。利用均值法建立背景模型,采用背景差分法获得车辆运动区域位置,大大缩小水平集函数在图像中曲线演化的范围,快速准确地检测到车辆。     

一种基于Faster-RCNN的车辆实时检测改进算法

随着交通愈加发达,道路愈加拥堵,如何实时准确地获取车辆基本信息以便交通部门及时管理特定路段和路口的车辆显得日益重要.对交通视频中车辆的检测和识别,不仅需要实时检测,还要保证其准确性.针对实际情况中车辆之间的遮挡、光照的变化、阴影、道路旁树枝的晃动、背景中固定对象的移动等因素严重影响检测与识别的精度的问题,提出基于Faster-RCNN(Faster-Regions with CNN features)的车辆实时检测改进算法.首先采用k-means算法对KITTI数据集的目标框进行聚类,得到合适的长宽比,并增加一组尺度(64~2)以适应差异较大的车辆尺寸;然后改进区域提案网络,降低计算量,优化网络结构;最后在训练阶段采用多尺度策略,降低漏检率,提高精确率.实验结果表明:改进后的车辆检测算法的mAP(mean Average Precision)达到了82.20%,检测速率为每张照片耗时0.03875 s,基本能够满足车辆实时检测的需求.     

采用视觉显著性和深度卷积网络的鲁棒视觉车辆识别算法

针对传统采用人工特征的机器学习算法难以满足复杂交通场景下鲁棒车辆识别需求的问题,以视觉显著性理论为依据,提出一种利用显著图的车辆候选提取方法.在深度学习的知识框架下,提出了一种采用深度卷积网络(deep convolutional neural networks,DCNN)的鲁棒视觉车辆识别算法.该DCNN分类器采用卷积层和池层构建2组隐层,并直接以灰度图片像素作为输入,经由随机梯度下降算法进行训练,最后以全连接层输出车辆识别判断.选择KITTI标准库作为测试数据库进行了车辆识别试验.结果表明,所提出的车辆识别算法可实现98.13%的检测率和1.77%的误检率,总体性能优于已有算法.     

改进水平集的车辆检测算法

针对视频序列的车辆检测,研究了常用的车辆检测算法.提出一种改进的基于水平集函数的车辆检测算法.利用均值法建立背景模型,采用背景差分法获得车辆运动区域位置,大大缩小水平集函数在图像中曲线演化的范围,快速准确地检测到车辆.     

一种改进的高斯混合模型煤矸石视频检测方法

基于皮带运输机的监控视频,实现煤流中矸石的检测。由于皮带运输机视觉场景复杂、视频图像质量差,所以,采用改进的高斯混合模型提取视频背景,实现视频背景分离,从而实现煤矸石的检测和识别。为提高算法性能,采用粒子群优化算法对高斯混合模型参数进行优化与自整定。研究结果表明:所提算法对矸石的检测准确率达到95.83%,能够对皮带运输机上的煤矸石实现有效检测,为提高煤炭质量、保证皮带运输机安全运行提供有效保障。     

基于感兴趣区域AdaBoost分类器的视频车辆检测研究

近年来基于视频的车辆自动检测作为城市智能交通系统的一项重要技术一直受到关注.针对AdaBoost分类器目标检测所存在的漏检、误检和计算量过大等问题,提出一种基于混合高斯模型运动区域提取和Haar-like特征的AdaBoost级联分类器的交通视频车辆检测算法,首先通过建立混合高斯模型对运动目标的总体区域进行检测,进而提取基于车辆运动的感兴趣区域,再对其进行基于Haar-like特征的区域AdaBoost级联分类,实现对运动车辆的检测.由于采用了基于运动区域提取和分类相结合的检测模式,通过混合高斯背景模型较准确的提取出ROI作为车辆的候选区域,约束了每帧的搜索区域,使AdaBoost分类器的目标检测更具针对性,提高了检测的准确性,降低了漏检率;同时也减少了分类算法滑动窗口扫描所需要的时间,提高了检测速度.实验结果验证了所提出算法对复杂交通环境车辆检测的适应性和有效性.     

基于图像运动区域的车辆遮挡跟踪算法

针对区域跟踪算法难以解决因车辆遮挡而引起误检的问题,提出了基于图像运动区域的车辆跟踪算法:采用背景剪除法提取运动区域,通过计算相邻帧运动区域的位置变化实现区域跟踪;建立车辆的二维矩形框模型,分析"区域--车辆"关系,结合区域跟踪的结果来判定车辆之间是否发生遮挡,并根据车辆行为来初始化车辆模型轮廓及速度;采用Kalman滤波器预测车辆在当前帧的位置,并以此预测位置作为车辆模型的初始位置进行模型轮廓的自适应调整,得到模型新的矩形轮廓;将新轮廓其所确定的几何中心位置作为测量值反馈回Kalman滤波器,修正Kalman系数,进行自回归运算和计算最佳匹配位置,从而实现车辆跟踪.算法测试实验使用的视频采集自江苏省通启高速公路视频监控系统,采用P4/2.4单CPU,结果表明,在为25帧/s视频流下,该算法准确跟踪率达到94.72%,有效解决遮挡问题,并具有较好的鲁棒性.     

基于Adaboost算法和颜色特征的公交车辆视频检测

针对城市交通公交车辆视频检测问题,本文建立一种基于Adaboost算法和车窗颜色特征的公交车辆视频检测算法。首先采用前景检测方法寻找运动的车辆,这种方法是对经过滤波、膨胀的三帧差分法和经过滤波、阈值法去阴影、膨胀处理的混合高斯法这两种方法获取的前景进行"与"操作。并对前景检测算法中获取的运动车辆使用Adaboost算法和haar特征训练的分类器进行检测,将公交车辆和大客车车辆与其他小客车车辆进行分类。然后,考虑到公交车辆相对于大客车车辆,其车窗具有明显的用于标示公交线路等信息的特征颜色,采用canny算子边缘检测法,结合连通域处理进行车窗定位,将车窗区域转入HSV颜色空间,统计特征颜色像素占车窗总像素的比率,并与设定的阈值进行比较,若大于该阈值,则判断为公交车辆,否则为非公交车辆。在visual studio 2010和opencv测试平台上,对包含公交车辆的城市交通流视频进行实验,测试结果显示,本文的运动检测算法能较好地适应视频序列中的噪声,比单一的三帧差分或混合高斯法具有更高的鲁棒性,经测试大量包含公交车辆视频序列后获取的canny边缘检测及连通域阈值,能够让车窗定位的准确率达到95%以上,车窗特征颜色的识别算法能够有效、准确地区分公交车辆和大客车车辆,从而实现对公交车辆的检测和识别。     

基于多特征分析的摔倒检测算法设计

针对已有摔倒检测算法误检率高的缺点,提出了一种改进的摔倒检测算法.首先采用混合高斯模型对前景目标进行检测,然后进行中值滤波和形态学处理来提取前景目标.在人体宽高比和有效面积比的基础上,采用了质心的变化、方向角度和运动系数作为特征来判断人体是否摔倒.实验结果表明,和传统算法相比,该算法具有更高的准确度,识别度高,算法复杂度低,能有效地防止误判.     

基于运动目标识别的摩托车视频监控驾考识别技术研究

针对人工监考摩托车驾考往往存在徇私舞弊、判断不准确等缺点,提出一种基于运动目标识别的摩托车视频监控驾考识别技术.基于改进ORB图像特征匹配算法、消除误匹配点等策略对摩托车驾考监控视频进行稳像处理;使用边缘轮廓检测的运动目标识别算法,完成运动中摩托车目标图像边缘轮廓特征检测,利用双目视觉极线约束模型对摩托车目标特征点进行立体匹配与三维重构,提高轮廓检测精度.测试结果显示,该方法检测摩托车驾考目标的最优准确率可达96％,检测算法运行的响应时间较少、实时性优,具有良好的视频监控驾考适应性.     

基于5G通信和图像增强算法的交通监控系统设计

目前我国交通监控系统存在着传输速率低、低稳定性差,丢包率高,并且系统成像易受雾霾和低照度的外部因素影响使监控视频关键信息丢失,导致识别算法准确率下降的问题。针对上述的问题,设计一种结合5G无线通信技术和图像增强算法的交通监控系统。该系统在硬件方面利用5G通信设备传输视频数据,并在服务器端采用改进的单尺度Retinex算法对交通监控图像进行去雾。引入反转图像通过大气散射模型对图像亮度进行增强解决低照度对系统成像的影响。通过理论分析与实验仿真,该监控系统能够保证监控视频传输的稳定性,并且对受雾霾和低照度影响的交通监控图像具有一定的增强效果,有效的提高了识别算法的准确性。     

基于多信息融合的车辆阴影检测与车辆跟踪算法

为了准确检测车辆,提出一种基于颜色、纹理、光照模型相结合的阴影检测算法。根据颜色恒常性完成阴影的初步检测,利用局部二值模式(LBP)纹理不变性和基于光照模型的亮度比值置信区间去除误检阴影像素,最后用区域生长完成阴影边缘像素的恢复,保证车辆阴影检测的准确与完整性。为了保证不同智能监控场景下车辆追踪的准确度和稳定度,提出一种特征与概率相结合的改进的Camshift跟踪算法。研究结果表明:所提出的阴影检测算法与改进的Camshift算法可以提升车辆检测与跟踪的准确性与稳定性。     

基于阴影抑制和自适应背景更新的车辆检测系统

在基于视频的交通监控系统中,车辆的正确检测是关键,目前采用的典型方法是背景相减法.为了提高对多车道上运动车辆检测的正确率,该文提出的车辆检测系统采用了快速自适应背景生成与更新算法,并结合基于轮廓跟踪的阴影去除技术,可以达到精确定位车辆的目的.实验图像数据表明:该检测技术较传统方法更具鲁棒性和准确性,并且从算法实现的角度来看,具有简单易用、实时性较高的特点.     

基于视频的全天候多特征融合火焰检测算法

针对传统可视化火灾探测技术采用单独分析可见光摄像设备或红外摄像设备采集的图像进行火灾探测, 不能全天候监控火焰的问题, 提出一种全天候多特征融合的检测算法. 首先通过视频类型判断算法确定摄像头采集的每帧图像类型, 然后利用与图像类型相对应的算法提取疑似火焰区域, 最后对疑似区域进行基于DCT的火焰频率检测和帧间相关性检测, 判断火焰是否存在. 实验表明, 该检测算法解决了传统可视化探测技术不能全天候监控火焰的问题, 且能在保持火焰高检测率的同时降低误检率.     

基于改进瞬时能量的人群异常行为识别算法

人口密度的逐年增加使得公共场所的人群暴乱事件频繁发生,利用相关技术对现有的监控视频进行实时分析,及时对突发的人群异常情况报警,对于维护社会秩序和公共安全具有重要的研究意义。提出了一种基于改进瞬时能量的人群异常行为识别算法,把提取到的人群分布信息和运动信息融合后,计算得到瞬时能量,并与设定的异常阈值比较,以识别人群异常行为。实验结果表明:针对相同的视频数据,该算法降低了传统动能公式因单一考虑人群运动信息而导致对异常行为误检的概率,识别人群异常行为的准确性要高于其他同类方法。