基于个体特征和纹理特征的视频人数统计算法

视频人数统计利用视频图像特征,通过监测公共场所中的人群密度,可防止公共场所人群拥堵,确保行人安全.提出一种改进的视频人数统计算法,对于中低密度人群,利用个体特征法实现人数统计,对于高密度人群,利用纹理特征法实现人数统计.使用提出的算法,设计了视频人数统计系统,分别对多组视频进行了测试,测试结果表明该算法误差较低.     

融合像素与纹理特征的人群人数统计方法研究

公共场景监控下的人群人数统计是公共安全管理中的一个重要内容。针对复杂场景监控的情况,本文提出一种融合像素与纹理特征的人群人数统计方法。首先,通过改进的视觉背景提取方法得到高精度的前景目标;然后,提取ROI区域前景像素统计特征与纹理特征并引入阈值判别机制;最后,对阈值上下的图像分别采用基于纹理特征的回归算法和基于像素统计特征的线性拟合算法来得到人群人数。实验结果表明,本文方法相较于传统算法,可以适应于不同密度场景下的人群人数统计,且计算简单,统计精度高。     

基于递归卷积神经网络的行人检测方法

为了提高视频中行人检测的准确度,提出了一种基于递归卷积神经网络的行人检测方法.该方法利用递归卷积神经网络融合视频中连续图像的上下文信息,以实现准确的行人检测.首先,利用卷积神经网络提取连续图像的多个特征图组;然后,根据先后次序,将多个特征图输入到递归卷积神经网络中,形成一张关于行人位置的掩码图;最后,通过在掩码图上预测行人的检测框,获得视频中当前图像的行人检测结果.实验结果表明:相比于其他行人检测方法,该方法在ETH、CUHK和PETS 2007三个数据集上都取得较准确的行人检测结果.     

一种基于多尺度融合卷积神经网络的人群计数方法

人群间的相互遮挡和多变的空间尺度是基于单幅图像人群计数算法面临的主要挑战.近年来,基于深度学习的人群计数算法在该问题上取得了显著的成效,然而越来越深的网络结构给模型的训练和应用带来了困难.为了解决上述问题,提出了一种基于多尺度融合卷积神经网络(multi-scale fusion convolution neural network,MSF-CNN)的人群计数方法.方法采用三列不同大小卷积核的卷积神经网络来提取不同空间尺度的图像特征,同时在网络结构中引入融合层将提取到的特征进行融合并求取密度图,最后对密度图积分求和得到人群数量.在ShanghaiTech数据集及UCF_CC_50数据集上的实验结果表明,该方法能够适应复杂的场景,有效减少人群间相互遮挡和空间尺度的变化对计数结果的影响,同时模型易于训练,明显优于现有人群计数方法.     

基于深度网络分级特征图的图像超分辨率重建

从低分辨率图像中提取特征图恢复高分辨率图像中的高频信息是超分辨率重建的一个关键问题,针对该问题提出一个新的基于卷积神经网络的超分辨率重建算法.网络结构由卷积层与子像素卷积组成,特征提取网络中卷积层提取低分辨率图像的特征,重建网络中子像素卷积神经网络作为上采样算子.针对不能充分利用多级特征图的问题,采用跳跃连接和特征图联结在特征提取网络末端跨通道融合特征图,同时降低特征图的维度.并在此基础上再次提取特征图应用于重建.实验结果表明,算法在PSNR、SSIM和人类视觉效果上与其他基于深度学习的算法相比有着显著的提高.     

结合关联特征和卷积神经网络的视频目标检测

针对视频目标检测领域中使用图像检测算法存在的速度与精度相互制约的问题,为充分利用目标在帧之间的运动信息,提出一种结合关联特征和卷积神经网络的视频检测方法.首先,当前视频帧使用图像检测算法提取特征,其次,利用两帧的关联特征预测当前帧的特征图,最后,使用关联特征中的运动信息来修正最终结果.本文的方法最终在ImageNet数据集上进行了实验,结果比当前方法获得了较好的精度提升,同时保持了较快的速度.     

基于卷积神经网络和递归图的桥梁损伤智能识别

为改进目前传统损伤识别方法对桥梁局部小损伤识别能力较弱的不足,提出利用深度学习方法中的卷积神经网络对桥梁损伤进行统计模式识别.根据卷积神经网络对损伤特征向量的需求,将车桥耦合振动下的原始结构响应信号进行小波包滤波和重构,之后通过递归分析获取不同损伤工况的递归图,将其作为新型的损伤特征图像作为卷积神经网络的输入.在此基础上提出基于卷积神经网络和递归图的桥梁结构损伤识别计算流程和方法.对一座连续梁桥进行不同位置和程度的损伤模拟,提取小波包频带能量及递归图等损伤特征向量,并进行基于多种统计模式识别算法的损伤识别.结果表明:与其他特征向量相比,递归图蕴含更丰富的损伤信息;与支持向量机和BP神经网络等传统统计模式识别方法相比,卷积神经网络能够通过逐层智能学习实现更准确的特征自动提取和区分,从而实现损伤位置和损伤程度的更精准识别.     

基于可变矩形框的人群密度数值估计算法研究

公共场景监控下的人群密度估计已经是公共安全管理中的一个重要环节。为了提高对视频监控中人群密度估计的实时性和准确率,提出一种改进的混合高斯背景建模进行前景提取,并用大小随目标边缘可变的矩形框对人群目标进行圈定以代替传统的边缘像素数和前景像素数;通过最小二乘法拟合估计人数和实际人数的线性关系,使用平均相对误差和平均绝对误差进行定量对比分析。实验结果表明:与基于边缘像素统计和阈值分割像素统计的算法相比,该算法能够直接统计出有效人数,较为准确的估计出视频图像中的人群数目,且误差最低。     

基于矩形框的人群密度数值估计算法研究

摘 要：公共场景监控下的人群密度估计已经是公共安全管理中的一个重要环节,为了提高对视频监控中人群密度估计的实时性和准确率,提出一种改进的混合高斯背景建模进行前景提取并用大小随目标边缘可变的矩形框对人群目标进行圈定以代替传统的边缘像素数和前景像素数,通过最小二乘法拟合估计人数和实际人数的线性关系,使用平均相对误差和平均绝对误差进行定量对比分析。实验结果表明：与基于边缘像素统计和阈值分割像素统计的算法相比,该算法能够直接统计出有效人数,较为准确的估计出视频图像中的人群数目,且误差最低。     

一种多列特征图融合的深度人群计数算法

针对复杂开放环境下人群密度估计中的多尺度目标和小目标感知问题,提出了一种基于特征图融合的多列卷积神经网络的人群密度估计算法.所提出的特征图融合方式,一方面综合利用高层语义特征与底层细节特征,实现了对小目标的感知;另一方面大幅提高基础网络集成数量以应对目标多尺度问题,最终提高了人群密度估计的准确性.实验结果表明,所提算法有效提高了密集开放场景中人群计数的准确性.     

基于局部-全局双分支网络的密集人群计数方法

基于卷积神经网络的人群计数方法促使人群计数精度取得了显著提高. 然而,密集人群中的人头尺度变化与复杂环境干扰仍是影响网络计数精度的主要因素. 本文提出了一种基于局部-全局双分支网络对密集人群计数. 局部分支主要由尺度感知特征提取模块实现,以建模密集人群中人头的尺度变化. 全局分支主要由位置感知注意力模块实现,以增强网络对人群与背景之间的判别力. 提取到的局部特征与全局特征会送入特征融合分支处理,回归人群密度图. 本文方法在3个常用的人群计数数据集与一个遥感目标计数数据集上进行了实验. 定量与定性结果表明了本文方法的有效性.      

视频和GIS协同的人群状态感知模型

针对监控视频在图像空间难以统一、宏观及真实量化人群状态的问题,提出了一种基于地理信息技术进行人群状态地图展示、量化分析及预警的方法.首先,通过摄像机厂商或标准视频流接口接入监控视频;然后,将视频图像调整为较小尺寸,采用光流法进行计算,获取图像空间下的光流场;最后,将各个监控视频相应的光流场映射至地理空间,即可在地图中观察人群运动状态,并可通过散点内插、等值线等进行分析,通过相关阈值的设置实现人群异常检测与预警.本文基于MATLAB、ArcGIS Engine、C#等技术,采集多个实验视频,并研发了基于GIS的人群状态感知原型系统,对相关算法进行了验证.结果表明,该方法相对于传统图像空间下的人群状态检测方法,具有人群运动可定位、可量测、可宏观观察和预警等优势.     

基于一维卷积循环神经网络的雷达辐射源信号识别

针对人工提取雷达辐射源信号特征不完备、时效性低等问题,提出一种基于一维卷积神经网络和双向门控循环单元的识别方法.首先,提取信号的模糊函数主脊并进行去噪处理;其次,利用一维卷积神经网络学习模糊函数主脊的内在抽象特征;然后引入双向门控循环单元对一维卷积神经网络提取到的特征进行再处理;最后,将特征映射到特征空间并通过Softmax分类器进行分类识别.实验结果表明,该方法在信噪比为0 dB时能保持99.67%的识别率,即使在-6 dB环境中识别率仍能达到90%左右,证实了该方法的有效性和在低信噪比下的稳定性.     

利用卷积神经网络的显著性区域预测方法

针对神经网络的显著性区域预测存在数据采集代价大、处理繁琐等问题,提出2种卷积神经网络,即从头开始训练的浅层卷积神经网络,以及前三层源自另一个网络的深层卷积神经网络。其中,浅层网络结构简单,可避免过拟合问题;深层网络可以充分利用最底层的模型参数,收敛更快,效果更好。所提卷积神经网络应用于回归问题,均没有直接训练特征图的线性模型,而是在迁移层上训练了一堆新的卷积层。从端到端的角度解决显著性预测,将学习过程演化为损失函数的最小化问题。测试和训练在SALICON,SUN和MIT300数据集上进行,实验结果验证了所提方法的有效性。其中,深层网络和浅层网络在SALICON和SUN数据上的结果相似,深层网络在MIT300上的结果更优,与其他方法相比,所提方法具有不错的表现,而且具有跨数据集的鲁棒性。     

利用深度神经网络的无监督视频表示

在计算机视觉领域中,大多数的视频表示方法都是有监督的,需要大量带有标签的训练视频集,但标注大量视频数据会花费极大的人力和物力.为了解决这个问题,提出了一种基于深度神经网络的无监督视频表示方法.该方法利用改进的稠密轨迹(iDT)算法提取的视频块交替地训练深度卷积神经网络和特征聚类,得到可提取视频特征的深度卷积神经网络模型;通过视频的中层语义特征,实现了无监督视频表示.该模型在HMDB 51行为识别数据库和CCV事件检测数据库上分别进行了动作识别和事件检测的实验,获得了62.6%的识别率和43.6%的检测率,证明了本文方法的有效性.     

基于深度学习的交通标志检测方法研究

提出了一种基于Faster R-CNN深度学习框架的交通标志检测方法,使用VGG16卷积神经网络自动提取交通标志图像特征,并将卷积特征图传入区域建议网络(RPN)中进行前景目标筛选及回归目标边框,将建议区域框映射到特征图上,经过RoI池化层后输出固定大小的建议框,利用分类网络对建议区域进行具体的类别判断,并精确回归目标的边框。并将算法在德国交通标志数据集GTSDB进行了实验验证,实验结果表明了所提出算法的有效性,该方法对不同光照、遮挡、标志模糊等具有鲁棒性。     

基于神经网络模型的室内大规模人流密度预测

提出了一种新型的适用于大规模室内人流密度预测算法.在现有基于无线信号强度的人流密度估算算法基础上,引入加权运算来提升估算质量.进一步,根据连续若干个时间段内估算所得的人流密度,通过BP神经网络模型,对未来某一时刻该区域的人流密度进行预测.根据仿真模型和3个月的数据采集与分析,所得到预测模型的准确率达到了94.70%.      

一种基于双流卷积神经网络跌倒识别方法

针对跌倒行为的视觉特征难以提取的问题,提出一种由两路卷积神经网络和模型融合部分组成的双流卷积神经网络(Two-Stream CNN)的跌倒识别方法.该方法的一路对视频帧的运动人加框标记后,送三维卷积神经网络(3D-CNN)处理来消除视频背景的干扰;另一路从相邻视频帧获取光流图后,送VGGNet-16卷积神经网络处理;最后将3D-CNN和VGGNet-16的Softmax输出识别概率加权融合作为Two-Stream CNN输出结果.实验结果表明:标记运动人并经3D-CNN处理有效地消除了视频背景的干扰;Two-Stream CNN跌倒识别率为96%,比3D-CNN提高了4%,比VGGNet-16网络提高了3%.