基于卡尔曼滤波的考生异常行为检测与识别

为了利用考场的监控视频提高监考效率,节约人力资源,提出了结合累积背景差分与帧差进行异常检测,利用卡尔曼滤波跟踪学生异常行为并提取异常特征,使用Softmax分类器进行分类识别的方法,实现了考生异常行为的自动识别检测与分类。实验结果表明,能够对考生的异常行为进行有效的检测与分类,提高了考场监控能力。     

针对视频监控的中小群体异常行为检测分析

近年来,视频监控的应用范围日渐广泛,应用过程中,常有中小群体异常行为出现,需及时进行检测,在此过程中,传统的检测方法场景适应与实时性的平衡难以实现。因此,该文基于机器学习角度,将一种通过群体密度、运动特征来对异常行为进行检测的方法提出,应用对群体密度进行快速估计的方法来对群体的密度特征进行提取,群体运动特征则应用局部稠密光流法来进行提取,与密度特征相结合,对群体异常行为的识别以随机森林计算法来实现。     

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。     

基于运动轨迹的徘徊行为检测

针对金融场所(比如银行)的智能视频监控系统中徘徊行为的检测进行了研究,采用了基于运动轨迹的方法检测徘徊行为.利用混合高斯模型和背景差分法,画出运动物体的外接轮廓,通过计算外接轮廓质心移动的路程和方向来判断是否进行徘徊行为.实验结果表明,这种方法能够简单快速的检测出徘徊行为,并且不用进行任何的样本进行训练,大大地节约了时间和空间.     

基于类Haar特征和AdaBoost的车辆识别技术

在海量的监控视频中,快速、准确地识别车辆对公安破案和追踪具有重要的研究意义。通过提取车辆的类Haar特征,采用AdaBoost方法构建分类器可以实现监控视频中的车辆识别。针对原始算法误检率较高的问题,提出了采用背景差分去除背景干扰,以及采用目标对象差分法进行二次识别的两种改进算法。实验结果表明,两种改进算法都能够有效地降低误检率,提高检测率,并且对不同交通场景下的监控视频具有很好的检测效果。     

基于粒子滤波的变电站内动态目标跟踪技术

为实时智能监控变电站安全生产区域内的移动目标,克服现有视频系统人工切换图像和肉眼判断所造成的漏检和滞后问题,对变电站内运动目标的自动检测与识别跟踪技术进行了研究;基于背景差分法实现了人物动态目标检测,提出了基于颜色直方图的粒子滤波人物动态目标跟踪方法;通过提取目标颜色特征,建立目标状态模型和系统模型,进而准确定位目标;研发了变电站安全事件视频自动识别跟踪系统.系统应用结果表明:算法检测与跟踪的时间性能良好,能够快速识别目标,并准确跟踪目标运动轨迹,有效提升了全天候智能监控站内的安全生产能力.     

基于人体骨架序列的手扶电梯乘客异常行为识别

手扶电梯(简称扶梯)乘客异常行为识别研究具有重要意义.针对传统行为识别算法易受环境影响、不能实时并准确对多目标进行识别的问题,提出一种基于人体骨架序列的扶梯乘客异常行为识别算法.该算法首先通过结合可变形组件模型特征的支持向量机检测乘客人脸,并用改进的核相关滤波器对其进行跟踪,从而得到乘客在扶梯中的运动轨迹;接着利用卷积神经网络提取轨迹中乘客的人体骨架序列,并通过模板匹配从乘客人体骨架序列中检测异常行为骨架序列;最后利用动态时间规整将其与各类异常行为骨架序列匹配,基于k近邻方法识别异常行为.对10段扶梯视频的实验结果表明,文中所提的异常行为识别算法处理速度达到10帧/秒,识别准确率为93.2%,能够实时、准确地识别多种乘客异常行为.     

一种基于L1范数最小化的全局运动估计算法

视频内容的分析与理解往往基于对视频中目标对象的空间、运动特征进行感知.然而,在实际拍摄的视频中,目标对象的真实运动轨迹往往受到同时存在的相机全局运动影响.这种由相机自运动带来的全局运动在当前流行的自媒体视频中十分普遍.为了消除全局运动对视频中对象的真实运动轨迹的影响,提出了一种基于L1范数最小化的全局运动参数估计算法,并在此基础上实现了视频的全局运动补偿,得到了前景对象的真实运动轨迹.实验结果表明该算法能准确有效地去除全局运动的影响并准确恢复出运动对象的真实运动轨迹.     

基于“贴标签”算法的多运动目标分割与标识

针对固定场景中的监控问题,给出一种基于"贴标签"算法的多目标标识方法.通过背景差分和连续帧间差分相结合的方法,检测和分割视频序列中的多运动目标;同时采用"贴标签"算法对检测后的二值图像进行连通成分标识;根据得到的"标签"将不同的运动目标用不同颜色的外接矩形框区分.     

治安监控视频中暴力行为的识别与检测

为了充分提取治安监控视频中的时空特征和时序特征,并对暴力行为进行准确的识别与检测,提出一种基于三维卷积神经网络(3DCNN)和卷积长短期记忆网络(Conv LSTM)的暴力行为识别算法。首先,采用一种通用视频描述符—3DCNN结构,提取视频的短时特征,这些特征封装了视频中与目标和场景相关的背景信息,然后,构建Conv LSTM网络对3DCNN提取的短时特征在时间轴上进行建模,进而充分提取视频的高层时序特征。最后,利用Sigmoid函数分类行为动作。为了验证该算法的高效性,对所提出的方法在暴力行为数据集Hockey上进行验证,达到了98.96%的识别精度。测试结果表明,该融合模型在检测效果上优于目前人工提取特征的方法和深度学习的方法。     

博物馆监控视频中慢速移动稀疏目标异常轨迹检测研究

传统异常轨迹检测方法将轨迹序列看作轨迹特征,无法有效描述轨迹,导致异常轨迹检测结果不可靠。为此,提出一种新的博物馆监控视频中慢速移动稀疏目标轨迹检测方法。采用一种快速计算方法对和目标相似度较高的粒子进行筛选,滤除和均值相差较大的粒子。对跟踪目标进行稀疏表示,为了避免目标被干扰或遮挡,进行非负性约束优化,完成稀疏求解,获取博物馆监控视频中慢速移动稀疏目标跟踪结果。依据跟踪结果将可代表整体轨迹的特征向量与部分可代表局部轨迹的特征向量合成一个整体特征向量,利用整体特征向量对慢速移动稀疏目标轨迹进行描述,通过描述结果和K聚类方法实现目标异常轨迹检测。实验结果表明,所提方法检测的异常轨迹与其他轨迹之间的差异最大,检测结果可靠,实际应用性较高。     

基于局部时空模式的体育视频行为识别

针对视频行为识别中由于目标相互遮挡及环境背景的复杂性等因素进行多目标跟踪存在的问题, 提出一种将局部模式活跃度判别模型用于视频中活跃个体的检测和定位方法, 解决了基于轨迹方法中由于遮挡导致轨迹提取不完整或背景过于复杂等因素导致的识别准确度较低的问题. 将该模型分别应用在2012年欧洲杯足球赛和2013—2014赛季西班牙甲级足球联赛38场比赛关联进球事件的视频段上, 得到平均准确率为91.3%的较好结果. 实验结果验证了该方法对视频中目标物行为识别具有较高的准确性和实用性.     

基于改进几何活动轮廓模型和Kalman滤波的目标跟踪方法

针对几何活动轮廓模型在跟踪时初始化的影响和收敛不准确的问题,将帧间差分和统计量假设后得到的目标外接矩形作为曲线初始值;引入一个强制项,提出一种改进的几何活动模型方法进行目标轮廓拟合,完成检测;结合目标物轮廓曲线和Kalman滤波器实现运动跟踪。试验结果表明:以车辆目标外接矩形作为初始化曲线,可简化初始化工作,加快车辆目标的轮廓曲线收敛速度;在收敛过程中引入了一个水平集函数的强制项,可使曲线准确演化到对象边缘的凹陷部分,增强曲线的收敛能力;在运动视频对象的准确轮廓基础上,可更准确地跟踪车辆目标。     

具有前景目标的动态场景视频快速稳像算法

为了提高具有前景目标的动态场景视频的稳像效果,采用了一种基于块绝对差分的运动目标自动提取方法。在提取运动目标的基础上,提出通过自适应设定相关阈值的方法,来预判相关背景模块是否具有足够的信息,以减少用于运动矢量估计的模块数量。仿真实验结果表明,对于具有前景目标的动态场景视频,在减少运动目标提取时间的基础上,能够有效提高稳像算法的速度和精度,对实际视频取得了比较理想的稳像效果。     

基于轨迹提取算法的视频关联动作跟踪仿真

针对已有视频关联跟踪方法无法准确提取关联动作轨迹, 导致视频关联动作跟踪结果出现较大偏差, 且跟踪速率较低的问题, 提出一种基于轨迹提取算法的视频关联动作跟踪方法. 首先, 根据多元组理念组建多元组轨迹提取模型, 划分运动视频图像特征分布矢量化集合, 计算视频图像分割支持向量机临界值; 其次, 通过颜色系统分离像素特征, 利用虚拟视景重构输出关联动作轨迹提取值; 再次, 在多粒度滤波器训练中设置预期输出值, 采用Fourier变换将卷积计算转变成点乘运算, 计算各粒度下边界最小矩形重叠率; 最后, 通过欧氏距离获得两个边界最小矩阵变换情况, 明确各粒度的轨迹波动程度, 完成视频关联动作跟踪全过程. 实验结果表明, 该方法的视频关联动作跟踪速率为14.9 帧/s, 能有效提高目标跟踪速率, 实现精准的视频关联动作跟踪.     

一种改进Camshift算法及其ARM实现

基于视频序列的运动目标跟踪在安防、军事等领域用途广泛。针对传统Camshift算法易受颜色相近物体的干扰,丢失目标的情况,提出了一种改进的Camshift算法。该算法检测SIFT特征点并进行FREAK特征匹配,通过判断每一帧跟踪结果的跟踪精度修正跟踪矩形框,从而改善跟踪精度。为便于工程应用,在Linux系统上进行了算法移植,实现了基于ARM的运动目标跟踪系统。实验结果证实改进算法对部分遮挡、颜色相近干扰等情况具有稳定性,能够实现对运动目标的准确跟踪。     

针对空中监控平台的异常行为检测方法

空中监控平台拍摄的视频具有背景移动、视距较远等特点,结合其特点提出适用于空中监控平台的人群异常行为检测方法。首先通过估计图像的深度信息,适当修正特征点的光流矢量,以减小透视现象导致的对特征点运动速度的估算误差;然后对特征点的光流矢量聚类,并结合背景运动一致性规律检测出前景特征点。通过双高斯混合模型检测异常特征点,用最大期望(EM)算法求取模型参数。最后采用一种时间队列机制检验误判;并通过简化的凝聚层次聚类算法对异常特征点的空间坐标进行聚类,去除孤立的异常特征点并标记出异常群体。多个场景下的实验结果验证了方法的有效性。     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

基于ADS-B数据的机场场面多目标行为识别

针对机场场面监控视频中存在多个飞机目标,且各种行为轨迹相似,难以通过轨迹进行行为判断的问题,提出了一种基于广播式自动相关监视(automatic dependent surveillance-broadcast,ADS-B)数据的机场场面多目标行为识别.首先,利用ADS-B信息通过透视变换的方法对视频中的所有飞机进行定...     

人体检测与异常行为识别联合算法

近年来,异常行为识别算法取得了一定的研究进展,但是针对复杂环境、人体遮挡、动作相似度高等多种挑战,识别算法的适应性、效率、准确性都有待进一步提高。为了解决以上问题,提出了基于特征增强的人体检测与异常行为识别联合算法,首先将视频序列分别送入人体检测网络和特征加强网络,再采用爱因斯坦求和法将特征加强网络输出的多头卷积注意力特征与人体检测网络输出的热力图特征融合,得到加强融合特征,然后利用检测网络输出的人体目标位置特征信息和ROI Align模块对加强融合特征进行人体ROI(region of interest)区域特征截取,得到人体ROI区域加强融合特征,最后将人体ROI区域加强融合特征送入Transformer时序建模网络模块进行人体行为特征时序建模和识别。所提算法充分利用检测网络中间过程产生的行为主体区域特征,弱化了复杂环境中背景的干扰,同时实现了检测网络的输出特征共享,避免了识别网络的二次特征提取过程,从而提高了网络运行效率,且利用Transformer网络的建模优势,能够充分挖掘人体行为空间特征、时序特征以及之间的跨域特征的优势。实验结果表明：所提算法在提高了网络效率的同时大幅度地...