基于多模型检测的视频监控行人跟踪算法

研究了网络视频监控中行人检测和跟踪技术,并提出了基于多模型检测的视频监控行人跟踪算法.首先在已有检测算法的基础上,根据实验结果,分析了算法的优势和存在问题,提出了多模型融合检测算法,多模型融合检测算法充分利用各个单模型算法的优势,提高模型检测准确率,并使用快速特征金字塔算法提高了算法的实时性.随后在提出的检测算法基础上,结合卡尔曼滤波算法和匈牙利最优匹配算法实现多目标行人检测和实时跟踪.MOT测试视频实验结果表明:提出的跟踪算法能够较好地实现多目标行人检测和跟踪,适合网络视频监控场景.     

基于图表示的智能车行人意图识别方法

智能驾驶场景下的人车冲突问题与行人过街行为密切相关,为使高级驾驶辅助系统（advanced driving assistance system, ADAS）具备识别行人过街意图的功能,并对人车碰撞事件预警,提出一种基于图表示学习（graph representation learning, GRL）方法的行人过街意图识别框架。它采用开源工具对行人骨架信息进行识别,采用图方法,以行人在一段运动过程内每一帧的骨架关键点为节点,以骨架自然连接关系、相关关系和时域关系为边建立图模型,实现对行人动作序列的表征。以图结构数据为输入,基于支持向量机（support vector machine, SVM）训练行人过街意图识别模型。在自动驾驶数据集PIE上对所提出方法进行评估,结果显示,行人过街意图分类准确率可达90.29%,所提出方法能够有效识别行人过街意图,对提高智能车决策安全性具有重要意义。      

一种改进的行人导航算法研究

目前大多行人导航系统的研究都以手持手机、绑在腰间等单一姿态为前提,并未考虑行人使用手机过程中同时存在接电话、放在上衣口袋等多种姿态的情况.分析了行人使用手机的4种常见姿态,基于行人航迹推算(pedestrian dead reckoning,PDR)算法设计了一种改进的行人导航算法.利用神经网络(back propagation,BP)模型对手机姿态进行智能识别,设计了一种新的步态检测算法来对多姿态下的步态进行有效检测,并将行人行走过程分为单一姿态与姿态切换过程,对2个过程的航向进行了修正.软件测试结果表明,多姿态下实现系统定位精度在20‰以内,达标率在85％以上,应用于导航系统能够提供准确、可靠、持续的位置信息.     

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。     

基于YOLO和排斥力损失函数的行人检测方法

针对行人检测受人体姿态复杂、光照变化、遮挡严重等影响,导致检测效率和精度不高的问题,提出一种基于YOLO和排斥力损失函数的行人检测方法.首先,对YOLO模型进行改进,主要是设置合适的预选框以及采用较大尺度的特征图进行特征提取,从而提高其对小物体的检测性能;然后,对排斥力损失函数进行改进,使其符合行人检测的应用场景,为接下来的融合检测提供新的损失函数;最后,将改进的YOLO和排斥力损失函数结合起来,利用YOLO模型速度快的特点提高运行速度,并利用排斥力损失函解决行人遮挡问题.在多个行人检测数据集上的实验结果表明:与其他算法相比,能够更加快速准确地实现行人检测.     

复杂场景图像中人员目标检测算法的改进

图像或视频中的人员目标检测,一般采用单个深层神经网络检测器(SSD)算法.但在复杂场景下,SSD算法因场景复杂、物体重叠、遮挡等干扰,检测精度大大降低.在SSD算法中加入反卷积网络反馈用于增加环境感知信息;采用辅助损失函数以促进损失降低,并将复杂场景中的目标检测多分类问题转换为二分类问题.以无人机拍摄的复杂场景下的行人数据集为例进行人员目标检测实验,对比分析多种检测方法的准确率表明,改进后的SSD算法在检测速度和识别精度上均提高明显.     

面向辅助驾驶的夜间行人检测方法

辅助驾驶系统需要实时而准确的行人检测方法.文中利用基于知识的方法复杂度小的优点,针对单目远红外视频数据,提出一种基于概率模板匹配的夜间行人检测方法.该方法基于行人样本的灰度分布特征,采用局部双阈值分割算法提取候选目标,进而根据行人的运动方向建立多尺度概率模板,对候选目标进行判别.该概率模板建立方式缓解了行人样本类内方差较大的问题,增强了概率模板归纳行人外观模式的能力.为改善行人检测的准确度,进一步将目标跟踪算法融入概率模板匹配,借助多帧的综合处理结果实现了更为鲁棒的目标归属判断.实验结果表明:该方法计算开销较低,实时性较好;在郊外场景中检测率不低于90%,虚警率不高于10%;而在市区场景中检测率约为75%,虚警率约为22%.     

基于MPEG—7标准的行人模型描述与实现

智能交通系统中的行人检测一直是难点和热点。为了对交通混合流视频中的行人信息进行自动和规范化描述,实现一种基于MPEG—7标准的行人描述模型。由于MPEG—7标准是一种用来描述所有多媒体数据的接口框架,因此它的结构非常复杂。为了描述的可操作性、规范性和易用性,在MPEG—7描述的视觉描述的基础上构建了基于语义行人描述模型,除了对视频中行人对象视觉信息做了系统化的描述,该模型还对视频中的行人做出了语义分析,并按照MPEG—7标准进行了相应的描述。实验详细的阐述了自动获取高层语义信息的过程,实验最后给出了描述模型实现的结果。     

基于AlphaPose的行人重识别姿态评价方法

行人重识别旨在不同时间、不同摄像头拍摄范围中检索特定目标行人,在实际应用场景中,可能会存在行人被严重遮挡的图像,不仅不利于行人检测,还会消耗大量的时间.行人姿态检测可以通过定位行人关键点位置判断行人是否存在遮挡,因此,本研究提出在重识别检测之前,对行人姿态进行分析,提出一种基于AlphaPose的重识别行人姿态评价方法.首先,利用AlphaPose进行姿态检测,得到行人各个关键点的置信度;然后,利用各个关键点的置信度得到各个行人的姿态评分;最后,根据姿态评分结果筛选出多个测试集进行验证分析.利用torchreid框架在数据集DukeMTMC-reID及Market1501进行实验,实验结果表明,与初始测试集相比,筛选后的测试集检测效率明显提高,且mAP和rank-n值也有所提高.     

视频行人重识别研究进展

视频行人重识别是指在不同摄像头拍摄的视频中检索特定行人的技术.与图像行人重识别相比,视频行人重识别赋含信息更多,包含了帧与帧之间的时间信息、运动信息等,这有利于提高行人检索的准确率,因此视频行人重识别引起了国内外学者的广泛关注.本文探讨了视频行人重识别的处理过程,详细介绍了其中特征提取和距离度量的方法,并对各种特征提取方法的特点及应用进行了总结,给出了一些视频行人重识别实验数据集和评价标准,提出了视频行人重识别研究领域面临的挑战及相应的解决方案,最后对视频行人重识别技术未来的研究问题做了展望.