室内视频监控中行人目标检测与跟踪方法

为了有效检测和跟踪室内环境下视频监控中的行人目标,本文提出了一种新的行人检测与跟踪算法。检测阶段采用隔帧差分图像法以及自适应闽值分割技术快速检测运动行人;跟踪阶段采用卡尔曼滤波对目标位置进行预测,并利用最小外接矩形框优化匹配搜索。实现运动行人连续跟踪。通过单人、多人交互两组视频序列对算法进行了验证,试验结果表明。本文算法能够较好地处理室内静止背景下单人、多人跟踪,并对目标遮挡有一定的鲁棒性。     

浅谈交通视频中的行人检测重要性

随着经济的快速发展,道路的建设规模和速度都在大大加快,随之而来的问题也逐渐增多。人与车的矛盾更为突出,在一些特殊的道路上,行人的出现往往会带来一些严重的后果,例如在高速公路上或者机场的跑到上在一段时间或特定路段上不允许行人的出现。所以道路中的行人检测是非常重要的。特别是现代数字交通视频的应用,使行人检测和检测系统得以实现并发挥作用。     

使用行人重识别算法的智能视频监控系统

为了提高在大量视频监控中寻找目标行人的效率,本文基于行人重识别算法开发了一个智能视频监控系统。该系统使用行人检测算法获取监控视频中的行人图片并裁剪后输入行人重识别算法中,得到行人特征并通过对比来检索行人。经过测试,本系统在6路摄像头下表现良好,能较准确地在视频监控中搜寻目标行人,极大地提高了工作效率。     

一种智能视频监控系统中的行人检测方法

在智能视频监控系统的行人检测中,目前使用的目标检测算法R-CNN和YOLO系列算法或速度较慢,无法满足实时性要求;或需要较大的GPU显存空间,难以部署。YOLOv3-tiny算法作为YOLO系列的精简版本,对设备要求较低、速度快,但该算法精度较低。本文通过调整YOLOv3-tiny算法的grid cell横纵方向数量、优化YOLOv3-tiny算法网络结构、聚类确定anchor的数量及尺寸,得到改进的YOLO-Y算法,并通过数据增强方法对训练数据集进行扩充。改进的YOLO-Y算法将mAP从90%提升到92%,Recall从95%提升到97%,检测速度达到26帧/s,占用约1 GB显存空间。实验结果表明改进的YOLO-Y算法显著提高了算法检测精度,具有实时性,且不需要太大的显存空间,满足大部分智能视频监控系统的要求。     

面向视频监控的距离度量行人再识别

行人再识别是智能视频监控系统的关键技术,目前该技术的研究大多数是基于二维图像的方法,但在实际应用场景中,输入视频序列更符合监控系统的应用环境。根据光流能量值挑选出更具判别性的视频序列,结合其时间相关性的特征,用HOG3D提取时序动态特征,并融合颜色、纹理静态特征,结合PFLMNN距离度量学习的方法,在缩小正样本对特征距离的同时,约束最近邻负样本对的特征距离。在公开数据集i LIDS—VID和PRID—2011(multi-shot)上进行实验。实验结果表明:该方法在以上两个公开视频数据集上都达到了较好的匹配精度。     

基于凸包裁剪的行人视频检测算法

为了解决行人群体视频检测的难题,提出一种基于凸包裁剪的行人视频检测算法。该算法采用局部凸包技术搜索行人外部轮廓,利用凹点挖掘技术裁剪轮廓曲线,建立相应规则排除非头部线段,通过最小二乘拟合法对头部曲线进行快速椭圆检测。实验结果表明,该算法能准确地检测出重叠或连通的头部,排除非头部物体,且处理速度快,实际应用价值高。     

井下视频行人检测方法

针对现有基于深度学习的行人检测方法存在计算量较大、检测效率严重依赖硬件性能等问题,对基于SSD网络的行人检测方法进行改进,设计了一种基于DenseNet网络的轻量级卷积神经网络作为SSD网络的基础网络,以满足井下视频行人实时检测需求,并设计了基于ResNet网络的辅助网络,以增强特征表征能力,提高行人检测准确性。将基于改进SSD网络的井下视频行人检测方法部署在嵌入式平台Jetson TX2上进行实验,结果表明该方法对井下视频中行人的检测准确率为87.9%,针对井下行人低密度场景的检测准确率近100%,且运算速度达48帧/s,约为基于SSD网络的行人检测方法的4.4倍,满足井下行人实时检测需求。     

面向监视视频实时分析的快速行人检测方法

为解决监视视频实时分析应用中行人检测效率低的问题,提出一种快速行人检测方法。首先,采用运动侦测方法提取运动区域,并结合行人检测要求对运动区域进行尺寸扩展、归一化和拼接操作;然后,在拼接图像上结合积分图快速提取各运动区域的Haar特征,并采用双支持向量机实现快速的特征分类;最后,结合包围盒相交策略进行帧间滤波,降低行人误检现象。实验表明,本文方法不仅可以实时检测行人目标,而且检测错误率低于现有主流方法。     

基于改进SSD的视频行人目标检测

针对基于视频行人检测的深度学习检测框架不能充分利用上下帧的运动信息,且计算复杂度较高的问题,提出一种改进的SSD检测框架.框架将SSD的基础特征提取网络VGG—16替换为改进的MobileNet,从而实现计算量的减少,并将GRU与改进的SSD结合以建立帧与帧之间的关联性.实验表明:与传统检测框架相比,所提方法有效提升了...     

基于DCT变换的多通道特征的行人检测

在行人检测中,针对目前多通道检测算法特征利用不充分的问题,提出一种基于DCT变换的多通道特征级联的行人检测算法。通过一种2层卷积网络模型将图像信息DCT变换后的数据进行整理,形成新的频域通道特征,该通道能描述行人的复杂纹理特征。结合梯度方向直方图特征、颜色空间特征和DCT频域特征,基于Adaboost算法训练了低开销的多通道特征行人检测器。在典型的公开行人库上的实验结果表明,该方法能提高检测的性能,在较低误检率时效果更加显著。     

基于似物性和空时协方差特征的行人检测算法

针对行人检测算法中缺少空时信息融合、检测区域过大等问题,提出了一种联合似物性检测和基于通道协方差信息的改进算法。该算法首先对图像进行二进制梯度归一化的似物性检测,并形成行人检测候选区域,缩小检测区域;然后提取待测目标的空间和时间特征;最后基于协方差信息构造一种融合空时特征的检测器,以提高检测精度。在公开的数据集INRIA和Caltech上的实验结果表明:该算法的性能优于目前主流的行人检测算法。     

基于部位检测和子结构组合的行人检测方法

提出了一种基于部位检测和子结构组合的、可用于辅助驾驶或视频监控系统中行人检测的方法.首先使用头部分类器在整幅图像中检测,得到感兴趣区域;然后在每个感兴趣区域内使用头部、躯干、腿部以及左臂和右臂5个人体部位检测器分别检测并使用基于子结构的检测组合方法对部位检测结果进行组合,以得到最终结果.在不同数据库上的实验结果表明,本方法可以有效地用于移动或静止摄像机所拍摄的视频图像中的多姿态及部分遮挡的行人检测.     

基于激光扫描技术的行人检测方法研究

基于激光测距传感器,通过激光扫描实时获取周围环境的激光点云数据,并处理和分析点云数据,实现对环境中行人的检测。提出的行人检测算法基于实时获取的点云数据,采用帧逐差的方法初步确定行人所对应的点云,并通过估计行人身体尺寸和对应点云数量来提高检测率。实验中测试了角分辨率、扫描频率、行进路线以及行进速度的多种组合下行人检测的准确率,通过分析激光传感器参数配置对行人检测的影响及不同行进方向上的检测性能,得出最优传感器配置和检测方案。 实验结果验证了利用激光测量传感器检测行人的方法的可行性,并得出了初步的检测步骤及思路。     

复杂动态场景下基于道路平面提取的行人检测

研究交通安全调度优化问题,提高交通安全的高级辅助驾驶系统中的行人保护技术,是近年来热门的研究方向.其中,最严峻的挑战是建立可靠的车载行人检测系统.与普通静态图像的行人检测相比,复杂动态场景下车载视频中的行人检测面临实时性要求高、光照条件复杂等难点.针对上述问题,提出结合HOG行人检测方法和道路平面提取技术,将目标搜索范围限定在道路平面区域.实验结果表明,改进方法在降低虚警数量和提高检测速度的同时,显著提高了对小目标行人的检测效率.     

基于稀疏表达和机器学习的行人检测技术研究

针对行人检测技术在智能交通系统中的应用,为了提高行人检测方法的有效性、实时性和准确性,将稀疏表达应用到图像的特征压缩中,提出一种基于HOG和LTP特征训练SVM分类器进行行人检测的方法。基于HOG和LTP特征训练SVM分类器进行行人检测的方法有效地结合了图像的梯度特征和纹理特征,利用稀疏表达进行特征数据的压缩可以有效地加速算法。实验结果表明,提出的算法具有精度高、速度快等优点。     

基于场景模型与统计学习的鲁棒行人检测算法

提出一种基于场景模型和统计学习的行人检测算法. 针对训练行人检测器时面临的动态场景的复杂性和行人样本多样性等问题, 通过背景建模, 从场景的背景图像上提取有限的负样本用于训练, 大幅度提高了分类器的检测率, 同时降低了虚警; 提出一种快速弱分类器选择算法, 根据正、负样本特征大小的分布和期望的检测率, 直接求解特征大小的阈值范围, 能够满足在线训练和更新检测器的要求; 提出一种基于正样本错误率的训练算法, 先根据正样本加权错误率选择弱分类器, 快速提高检测率, 在训练结束后调整最终分类器的加权系数, 在保证检测率的同时尽可能降低虚警率. 实验中构建了一个试验视频数据库和行人样本库, 数据库包括雨、雪、阴影、季节变化、摄像机平移、旋转、缩放等情况, 并设计实现了一个实时行人检测系统BMAT (Background modeling and Adaboost training), 实验结果证明了算法的有效性.     

基于改进HOG特征和SVM分类器的行人检测

本文首先研究了行人检测的方法和面临的难点,然后根据高斯平滑滤波器和双线性插值法对传统方向梯度直方图做了改进,并搭建了支持向量机模型,从而构建了基于改进HOG特征和SVM分类器的行人检测系统。实验结果显示,在明亮且无遮挡的场景下,矩形框精确地定位行人,在光照不足或存在轻微遮挡时可以大体定位到行人,表明该系统在明亮无遮挡的情况下有准确的结果,并且在昏暗和轻度遮挡下检测效果良好,最后通过对比可以得出,本文提出的方法总体效果优于传统HOG特征和SVM分类器的方法。     

基于PCA降维的多特征级联的行人检测

在行人检测中,针对梯度方向直方图(HOG)冗余信息过多、检测速度慢等不足,提出了运用PCA降维的多特征级联的行人检测。首先利用PCA对HOG特征进行降维,其次将HOG特征和Gabor特征、颜色特征级联作为行人检测的特征,最后使用SVM的径向基(RBF)核函数进行分类。在INRIA行人库上的实验表明,该方法不但提高了分类的速度,而且提高了检测的准确率。