智能视频监控中多人目标鲁棒跟踪

本项目利用数字图像处理技术对视频信号进行处理、分析和理解,并对视频监控系统进行控制,并且通过对视频监控中多人目标鲁棒跟踪算法的研究,采用人体目标多种信息建立人体目标模型,达到实现多人目标的鲁棒跟踪的目的,从而进一步提高视频监控系统智能化水平。     

基于运动目标检测的智能视频监控系统

通过对视频序列的处理,使计算机在无人操作的情况下,检测出监控区域内的运动目标,并与预先设定的报警规则相比较,当发现异常行为时自动产生报警信号,提醒监管人员查看.系统中所用算法是将自适应混合高斯模型背景更新方法加以改进,结合基于帧间差分思想的双向匹配法,配合图像滤波方法,进行一系列后处理.实现室外场景运动目标检测,克服了树叶摇摆及轻微光照变化的影响,有效地滤除了各种噪声.提取出的运动目标精确完整,效果较已有算法得到了明显改善.     

智能视频监控中运动目标检测研究综述

运动目标检测是智能视频监控技术中非常重要的一个组成部分,现有的运动目标检测算法主要包括背景差分法、帧差法、光流法和背景统计模型等四种类型。本文在对现有算法进行研究的基础上,对四种算法各自的基本原理、优缺点、研究现状和发展趋势等方面进行了介绍。     

基于校园的智能视频监控系统关键技术研究

本文首先阐述了智能视频监控系统在校园安全管理方面的重要作用,指出实现系统所需要的关键技术.对DirectShow技术进行了论述.通过目标运动检测与识别算法的对比,给出了一种结合算法.通过实验证明,该系统是有效的.     

面向船舶智能航行的多目标实时跟踪方法

为能够实时跟踪周围船舶目标,提出一种船舶多目标实时跟踪方法.利用训练好的检测器来检测航行中会遇到的各种船舶,然后通过改进的DeepSort跟踪算法将检测结果进行关联匹配,从而完成多个船舶目标的实时跟踪.通过生成船舶重识别数据集来训练DeeSort算法中的特征提取网络,并改进了表观匹配中特征向量集的更新方式,使得空间有限的集合存储更多种表观特征.实验结果表明:提出的算法能够显著提升跟踪性能,其中轨迹切换身份的次数降低11%,轨迹被打断的次数降低5.8%,且不会增加计算时间,能够满足海上船舶目标感知的准确性和实时性要求.     

城市视频监控智能分析方法探讨

视频监控在城市安全防范中能起到关键作用,虽然监控摄像头越来越先进,但目前仍需大量的人工操作,针对这一问题,提出智能分析方法,利用目标检测模型对感兴趣目标进行检测追踪、将感兴趣事件存储和对感兴趣目标进行识别。智能视频监控的方法能减轻监控操作员工作量,减少视频存储量,通过对感兴趣目标人物的分析和追踪实现准确打击犯罪,从而提升视频监控的效率,保护国家和人民群众的生命财产安全。     

基于AM5708的智能多目标跟踪监控系统设计

监控系统的视频序列往往受到环境噪声、运动目标繁多和目标遮挡的影响,针对传统视频监控无法对人员实施有效检测、跟踪和计数的问题,设计一种基于ARM的智能多目标跟踪监控系统.从整体性角度阐述系统硬件设计方案和软件环境搭建.在算法实现方面,基于改进的自适应高斯混合模型和卡尔曼滤波实现了目标检测和跟踪,引入匈牙利算法进行数据关联...     

基于生成对抗网络的多目标行人跟踪算法

多目标跟踪领域中,在背景复杂、目标遮挡、目标尺度和姿态变换等情况下,容易出现目标丢失、身份交换和跳变等问题.针对这些问题,提出了一种基于检测的多目标跟踪算法,使用改进的YOLO人体人脸关联算法,对当前帧待检目标进行分类和位置检测,使用生成对抗网络构建特征提取模型,学习目标的主要特征以及细微特征,再运用生成对抗网络生成多目标的运动轨迹,最终融和目标的运动信息和外观信息,得到跟踪目标的最优匹配.在MOT16数据集下的实验结果表明,提出的多目标跟踪算法具有较高的精确度和鲁棒性,对比目前身份交换和跳变最少的算法,跳变的次数少了65%,准确度提高了0.25%.     

银行智能监控管理平台中运动目标检测算法的研究

以银行为背景,开发设计了一个多功能的视频监控管理平台．该平台的主要组成部分是智能视频监控技术模块,其中目标检测部分采用基于高斯混合模型的差分法和改进帧差法相结合的方法．实验测试论证了算法具有较好的实时性和鲁棒性．     

基于嵌入式Linux的运动目标跟踪视频监控系统简

针对运动目标检测和出现严重遮挡时目标丢失的问题,提出了一种基于五帧差分和Surendra背景更新相结合的检测算法,同时设计了结合Kalman滤波和线性预测的MeanShift算法,引入了动态自适应窗口的CamShift算法,并提出了CamShift算法的全自动跟踪策略,减少手工选取目标引起的误差.在实现系统功能方面,搭建嵌入式交叉开发环境,通过相关应用程序的交叉编译实现了在嵌入式平台上目标跟踪的监控系统.实验结果表明,该文提出的算法跟踪效果相比传统的算法明显提高,所设计的视频监控系统运行可靠,改进后算法检测效果好,可以快速完整地提取出运功目标,并且进行稳定的跟踪.     

基于在线多示例学习的协同训练目标跟踪算法

为解决把多示例学习应用到目标跟踪算法而导致的误差积累问题, 结合协同训练方法, 提出一种新的目标跟踪算法。该算法利用协同训练克服分类器自训练带来的误差积累, 同时在线多示例学习提高了跟踪效果的鲁棒性。将跟踪结果中心与理想目标位置中心的误差作为评价标准, 在标准视频序列上将跟踪结果与半监督学习跟踪算法和传统多示例学习跟踪算法进行对比。实验结果表明, 该方法在背景光照变化、目标旋转等复杂条件下, 可很好地跟踪目标, 具有较好的鲁棒性。     

基于阴影属性的运动阴影检测方法

提出一种基于阴影属性的阴影检测与去除方法,首先采用光照评估方法判断阴影是否存在,若有阴影存在则确定阴影方向并计算阴影属性,最后根据阴影属性检测阴影点。由于使用了阴影属性,阴影的检测和去除更加准确。     

基于图像重建的智能监控系统教学实验平台设计

针对当前高校计算机等相关学科教学手段多样化的特点,设计了基于超分辨重建技术的目标检测与跟踪教学平台.介绍了实验平台的硬件部分设计和构建,给出了基于视频序列超分辨率盲重建的图像预处理方法,提出了基于高斯混合模型的目标检测算法以及基于视觉显著性特性的目标跟踪算法.各个模块的实验结果表明该平台很好地满足计算机视觉相关课程的教学实践需要.     

基于人类行为下的多目标跟踪视觉时序注意控制算法研究(英文)

由于移动式机器人所携带的传感器资源有限,能够在时间维度上共享传感器资源,实现多目标跟踪,是智能化机器人重要的研究领域之一.本文提出了一个基于人类行为模型的时序注意控制算法,能够实现使用单个2自由度摄像头实时监控多个自由移动的目标物体.该算法基于以下三个控制原则:①最小化监控目标位置预测的不确定性以及各个目标物预测效果的差异;②最小化多目标跟踪过程中摄像头切换视角所需的能量消耗;③最大化能够呈现在摄像头视觉范围内的目标物体的个数.算法根据当前检测到目标信息,通过卡尔曼滤波,预测目标物的运动规律,选择下一时刻摄像头的最佳注意视角.该算法通过matlab仿真以及在移动式机器人实体上进行了实验验证,结果显示,该算法能够在时间顺序有效的共享单个摄像头资源,检测摄像头视角范围内的目标的位置,并根据上一个时间点的检测信息预测视角范围外的目标,实现跟踪多个目标物体,降低预测及跟踪的误差,并优化跟踪过程中切换摄像头视角的能量损耗.     

具有动态级联结构的在线Boosting算法

针对在线Boosting由于提前设定弱分类器个数导致分类器的分类复杂度受到限制的缺陷,提出了一种新的具有动态级联结构的在线Boosting算法.该算法不但具有一般级联结构的特点,而且能根据输入样本分类的难度来实时地调整级联结构的层数,从而使得目标检测器在检测速度和检测精度方面达到很好的平衡.与一般的方法不同,该算法并没有记录一段短暂的历史样本片段来确定弱分类器的阈值,而是把每一个弱分类器的输出值视为一个随机变量,从而进一步估计它的密度函数.然后以迭代的方式估计出整个强分类器的密度函数,进而构建出在线Boosting的动态级联结构.实验结果表明:与原始的在线Boosting算法相比,该算法大大提高了目标检测的速度和精度.     

结合目标检测与特征匹配的多目标跟踪算法

针对多目标跟踪算法在遮挡频繁的场景下存在目标关联准确性低的问题,提出一种结合检测与特征匹配的多目标跟踪算法. 该算法引入检测精度较高的YOLOv5作为多目标跟踪的检测器,能够精准定位目标,有效提高跟踪精度;在面对目标间遮挡时,通过专门设计特征匹配模型提取更为细致的特征,能够有效降低跟踪时目标ID的切换次数.在MOT16数据集上对跟踪性能进行评估,结果表明:所提方法可以有效缓解目标遮挡,实现稳定跟踪.     

基于视觉的高速公路目标检测与跟踪系统研究

系统地介绍了智能汽车系统中的目标自动检测与识别部分的工作原理,并利用车载计算机的CCD摄像机对图像实时采集。根据图像的结构化路面信息采用数字图像处理技术对2条车道标志线进行检测与提取,并在此基础上进行目标初始定位与实时跟踪,以保证驾驶员在行驶中及时有效地做出判断,提高自主安全行驶的可靠性。     

基于特征值的运动目标快速检测与跟踪

通过分析视频序列图像的灰度特征,结合背景减法目标检测的优点,提出了一种静止摄像机条件下基于特征值快速检测与跟踪目标的方法。实验结果表明,该方法能快速有效地识别目标,达到了实时检测与跟踪的要求。     

基于改进DeepSORT和FastReID的室内多目标人员跨镜识别与跟踪

为解决利用视频分析实现目标检测、目标跟踪和行人重识别存在的诸如目标框重框、遮挡等问题,提出了一种基于改进DeepSORT和FastReID的室内多目标人员跨镜追踪的方法。该方法使用YOLOv5s进行人员检测、DeepSORT进行人员跟踪、FastReID进行人员重识别。采用EIOU-NMS算法解决了YOLOv5s人员检测过程中出现的重框问题; 在FastReID的特征提取网络中引入了NEUFA注意力机制,并使用优化后的FastReID的特征提取网络替换了DeepSORT原有特征提取网络,降低了DeepSORT跟踪过程中由于遮挡导致的ID跳变的次数; 结合注意力机制、人员动态图像库与运动估计的方法减少了人员识别过程中因遮挡导致的人员无法识别和错误识别的次数。结果表明:EIOU-NMS算法将人员检测准确率提升了0.8%,召回率提升了0.4%; 替换了特征网络后的DeepSORT将人员跟踪中的ID跳变次数降低了38.46%; 结合注意力机制、人员动态图像库和运动估计方法之后,None的次数减少了79.8%,误识别次数减少了91.2%。研究结果能够提升人员识别与跟踪的准确性,降低遮挡对人员跟踪和识别带来的影响。     

基于视觉的高速公路目标检测与跟踪系统研究

系统地介绍了智能汽车系统中的目标自动检测与识别部分的工作原理，并利用车载计算机的CCD摄像机对图像实时采集。根据图像的结构化路面信息采用数字图像处理技术对2条车道标志线进行检测与提取，并在此基础上进行目标初始定位与实时跟踪，以保证驾驶员在行驶中及时有效地做出判断，提高自主安全行驶的可靠性。