基于深度学习的关键岗位人员行为分析系统

针对关键岗位的人员行为分析的问题,提出了一种基于视频的行为分析方法。制作了包含多姿态样本的岗位人员行为数据集,并使用YOLOv3网络训练该数据集得到行为检测模型。使用提出的人员行为分析算法结合行为检测模型对视频进行处理,对人员行为进行初步分析。在人员行为分析算法的基础上,结合图像相似度和明暗度等特征,进行深度分析并给出离岗、睡觉和玩手机事件的判断结果。实验结果表明,制作的数据集在人员行为检测中有较高的检测精度,同时行为分析的准确度也较高,并且能够进行实时处理。     

基于视频的多目标车辆跟踪及轨迹优化

为了获取交通视频中车辆的运动轨迹,提供道路动态交通信息,提出一种基于Yolo3目标检测和KCF目标预测相结合,关联历史轨迹预测结果和检测结果的长时间多目标车辆跟踪算法;对采用机器视觉获取的车辆轨迹非平滑现象,提出通过Savitzky-Golay滤波器对原始的车辆轨迹进行平滑优化。对比测试场景中车辆轨迹优化前后,优化后的轨迹在保留原有车辆运动特征的前提下,改善了轨迹平滑性,提供的动态交通信息更能反映车辆真实运动状况。     

基于前后端交互的人脸识别系统

针对现有的人脸识别系统计算效率低和鲁棒性较差等问题,本文提出了一种基于前后端交互的人脸识别系统,系统包含客户端、数据库以及服务端.首先,在客户端提出了基于GrabCut的人脸兴趣区域（ROI）提取算法.其次,将提取到的ROI传输到服务端,并在服务端使用ResNet网络根据ROI提取人脸特征点.最后,将服务端中提取到的人脸特征点返回给客户端,在客户端将该信息与数据库中预存的特征点进行欧式距离匹配,得到人脸识别结果.实验在CeleA数据集与随机视频上进行测试,结果表明提出的ROI提取算法明显提升了人脸识别的精度和鲁棒性,并且系统的前后端交互结构相较于传统的非交互结构极大地提升了人脸识别的计算效率.