基于卷积神经网络的监控视频人数统计算法

监控视频中人数统计是现代安防的重要任务之一,具有较高的研究意义和应用价值.虽然近年来取得较大的进展,但仍无法很好地解决监控场景人数统计精度、高清图像耗时问题.为此,作者提出一种基于卷积神经网络与岭回归联合的人数统计方法.通过卷积神经网络回归图像中人头中心点获得人群密度分布特征图,然后使用岭回归模型分析人群密度分布特征图得到该帧图像对应的人数.作者提出的算法通过在多组视频图像上进行了测试,并与经典算法做了比较.实验结果验证了作者方法的有效性.     

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。     

基于团块分析的人数统计（英文）

为了提高视频监控领域人数统计的准确性,提出一种基于团块分析的人数统计方法.首先通过光流算法获取前景团块的方向及能量强度信息,并结合团块大小等相关信息形成团块特征;然后针对人数统计提出一种新的目标跟踪算法;最后基于SVM对该团块特征进行训练分析,得到人数估计模型.实验结果表明,该方法正确率达到95%以上,能准确实现人数统计.     

基于粗糙集的多类人群异常行为识别算法

为解决现有基于人工设计特征行为识别方法缺少多类异常行为分类研究和受人工影响大等问题,提出和实现了基于粗糙集的多类中低密度人群异常行为识别算法.该算法首先提取目标人群的人数、帧平均加速度、矩形框的距离势能、方向混乱熵,以及帧间混乱程度五个运动特征量,利用粗糙集从中学习以获取决策规则,再对正常、四散、同向加速跑、突然聚集和群殴这五类人群行为进行分类,并定量对比分析本文算法和其他同类算法处理同一视频集的分类效果.结果表明:与随机森林法等其他同类算法相比,该算法不仅能够有效检测出人群异常行为,还能准确地对五类人群行为进行分类,其识别准确率和覆盖率均有明显提升.     

模具零件工程图的孔特征识别与分组统计

提出了面向模具零件工程图的孔特征识别与分组统计方法,采用特征识别实现了尺寸功能语义的再现,基于此进一步实现了孔系的自动分组统计.该方法在AutoCAD软件中利用VisualLISP得到实现.测试结果表明所提出的算法可以很好地解决尺寸完整性问题,完善了模具零件尺寸自动标注功能.     

基于团块分析的人数统计

为了提高视频监控领域人数统计的准确性,提出一种基于团块分析的人数统计方法。首先通过光流算法获取前景团块的方向及能量强度信息,并结合团块大小等相关信息形成团块特征;然后针对人数统计提出一种新的目标跟踪算法;最后基于SVM对该团块特征进行训练分析,得到人数估计模型。实验结果表明,该方法正确率达到95％以上,能准确实现人数统计。     

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。     

基于光流块统计特征的视频异常行为检测算法

提出了一种基于光流块统计特征的视频异常行为检测算法.该算法首先对训练集视频序列的光流场进行分块及预处理,而后提取光流块的统计特征,所提取的块统计特征同时包括了光流块的幅度信息和相位信息,通过训练集得到的光流块统计特征训练出对应的正常行为的高斯混合模型(GMM).测试集通过同样的方式提取光流块统计特征,通过计算所提取统计特征以多大的概率属于GMM判定所检测光流块的异常程度.实验结果表明,该算法能够在一定程度上解决运动物体一致性和部分遮挡问题,并提高了异常行为检测的准确率.     

基于Adaboost与背景差分级联的室内人数统计方法

针对室内监控视频环境,提出了一种基于Adaboost与背景差分级联的室内人数统计方法.算法采用Harr-Like局部特征用于人员特征检测,使用Adaboost分类器进行训练,最后的检测结果采用级联背景差分修复算法减少误报与漏报数目.实验证明,能较准确地完成自习室中人数的统计,且具有较好的鲁棒性.     

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.      

局部二值平均熵模式与深度残差网络的人群密度估计

针对人群密度估计算法中场景的人群遮挡、尺度光照变化、噪声和低分辨率等问题,提出了一种结合局部二值熵值纹理特征(ELBP)与深度残差网络的人群密度估计算法。该算法首先在原始RGB人群图像上提取LBP特征;然后通过计算邻域像素点的平均信息熵模式构建ELBP纹理特征;随后基于ELBP纹理特征构建了一个深度为18层的深度残差网络;最后形成了对人群密度估计的end-to-end模式。为验证算法的可行性和有效性,在开源的人群密度估计数据集上进行实验。首先邀请10位专家对开源的数据集进行有效的人群聚集标注作为真实输出标签;随后采用研究提出的算法对人群密度完成估计,并与真实结果进行比较。另外,在三种不同的特征和三种不同的机器学习模型上进行了横向比较。实验结果表明,提出的ELBP纹理特征能够很好地应对噪声和低分辨率问题;深度残差网络则能够解决人群遮挡、尺度光照变化的问题。与传统算法相比,提出的算法能够提升人群密度估计的性能。     

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GLCM的人群行为识别研究

随着社会经济的发展和城市化进程的加快,如何对公共场所人群行为进行监控,防止由于人群密度过高导致的重大伤亡事件发生是很有必要的。结合混合高斯模型和灰度共生矩阵提出一种监控人群行为的算法,将纹理特征通过灰度共生矩阵计算特征量,机器学习所有特征量来判断人群行为,并通过标准数据集和自行拍摄数据集验证算法的有效性。采用人群的整体特征来表征不同人群,通过机器学习来区分不同人群的行为情况,可用于安防监控、资源管理等领域。     

基于改进的单次多盒检测器室内人数检测

室内人数检测是解决公共资源合理分配和利用问题的关键。针对室内人群分布复杂且存在相互遮挡,而传统图像处理算法的准确率较低的问题,使用单次多盒检测器(single shot multibox detector, SSD)结合MobileNetV2与SENet的深度学习目标检测方法,对室内环境下的人进行识别。在微软开源数据集(common object in context, COCO)的基础上,采集室内真实图像制作数据集,进行不同IOU阈值、不同拍摄角度条件下的实验,并部署到计算环境为搭载神经元计算棒(neural compute stick,NCS2)的树莓派。实验表明,改进SSD目标检测模型在IOU阈值为0.4下,平均准确率和召回率较高,分别为97.91%和90.72%,在此计算环境下检测速度可达8帧/s,模型具有良好准确率和实时性。     

自适应特征融合跟踪在进出人数统计中的应用

传统的Mean Shift算法在背景图像中出现与目标相似物体时容易发生错误,本文将HSV颜色分布和局部二元模式作为观测模型,进行直方图建模,不仅在跟踪过程中为了避免背景干扰,将各个特征融合在一起并通过其与目标模型的相似度动态更新特征的权值,并在此基础构建自动人数统计系统。试验结果表明它能在提取出运动目标后对运动目标进行较为准确的跟踪,并对出入视频场景的人数进行统计,具有较高的正确性和有效性。     

基于视频图像分析的旅客群体性事件预警方法

针对民用机场航站楼群体性事件预警问题,提出了基于视频监控图像分析的非正常人群外部聚集特征识别和预警方法。该方法通过提取图像中的人员位置信息,采用核密度空间聚类算法,人群聚集的空间和运动特征,建立航站楼旅客群体性事件案例库,基于模糊-粗糙集方法分析群体性事件中非正常聚集人群特征,结合相应的机场运行信息,建立相应的预警规则。理论分析和历史数据案例测试结果表明,该方法针对航站楼群体性事件的预警准确率明显高于单一的人群密度分级预警方法。     

基于纹理特征和核Fisher的红细胞识别算法

为解决正常红细胞的计算机自动识别记数问题,提出了一种红细胞识别分类计数算法。首先基于计算机图像处理技术,利用二值图的拓扑特性实现单个细胞的定位。然后根据定位信息提取单个细胞灰度图像数据,计算该细胞图像经小波变换后低频系数的灰度-基元共生矩阵,并提取能量、熵等8个特征作为特征矢量,利用核F isher判别实现对红细胞的识别和计数。实验结果表明该算法具有较高的分类识别正确率,可用于与红细胞形态变化相关疾病的辅助诊断。