基于Adaboost和码本模型的手扶电梯出入口视频监控方法

针对传统视频监控方法无法对密集前景目标进行准确分割的问题,提出一种基于Adaboost和码本模型的多目标视频监控方法。首先,通过训练得到Adaboost人头分类器,利用码本算法为垂直拍摄的手扶电梯出入口图像建立背景模型,提取前景图像对其进行人头检测和跟踪;之后,剔除行人目标得到物件目标,对物件目标进行跟踪;最后,根据行人和物件的运动特征进行监控。对12段出入口视频序列的实验结果表明,监控方法能够准确稳定地跟踪行人和物件,完成逆行检测、客流统计、行人拥堵和物件滞留等监控任务,处理速度达到36帧/秒,目标跟踪准确率达到94%以上,行为监控准确率达到95.8%,满足智能视频监控系统鲁棒性、实时性和准确性的要求。     

交通信息采集系统中的行人检测算法

根据高速公路行人运动的先验知识,设计了一种基于视频检测技术的高速公路行人检测算法.该算法采用背景帧差分法获取运动目标区域,采用跟踪链实现运动目标跟踪,根据行人运动的先验知识在运动目标中检测行人.算法已嵌入到交通信息采集系统中,在高速公路上进行的现场测试结果表明,算法具有较好的实时性和实效性.     

基于视频检测技术的智能隧道交通安全监控系统设计

隧道实时交通安全监控系统是确保隧道安全运营的重要手段.针对隧道环境的特殊性,提出基于差异深度积累的目标检测算法和基于卡尔曼滤波的目标跟踪算法,实现了多运动目标的检测与跟踪,并综合运用图像处理、计算机视觉、模式识别和软件工程等技术设计了基于视频检测技术的智能隧道交通安全监控系统.该系统能准确地检测出各种交通运行参数和交通事件,为隧道交通安全提供了有力保障.     

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。     

基于可变形部件模型的粒子滤波快速行人检测与跟踪

针对视频中的行人检测和跟踪问题,提出一种基于可变形部件模型的快速行人检测、改进粒子滤波的行人跟踪算法。在行人检测阶段,为了改善非刚体行人的检测精度,采用了混合多尺度可变形部件模型;同时为了加速行人底层特征的计算,采用了基于预测算法的快速特征金字塔计算行人特征,代替传统的计算图像特征金字塔的每一个尺度特征。在行人跟踪阶段,采用时变的状态空间模型和基于颜色梯度直方图的观测模型对检测到的行人进行跟踪。实验证明,改进的行人检测算法可以在性能损失忽略不计的条件下,大大提高检测速度,并且相对于传统的行人跟踪,改进的粒子滤波算法对行人这一非刚性目标能实现较好的跟踪。     

基于计算机视觉的行人检测技术的发展

智能车辆作为智能交通系统的关键技术,是许多高新技术综合集成的载体。智能车辆的一个非常重要的研究课题就是在城市道路交通环境下如何避免行人被车辆碰撞。总结了基于计算机视觉的行人检测的现有的主要技术,针对摄像机在交通视频监控系统中的静止情况,以及在智能车辆上的运动情况下的行人检测算法及其性能进行了评述和比较,并分析了当前行人检测技术的研究现状,指出了存在的问题和研究前景。     

基于支持向量机的行人检测研究

随着现代交通发达程度的不断提高,同时随着我国现代居民人均收入水平的不断提高,私家车的数量也在不断的上升,由此引发的交通事故率同样在不断上升。行人检测智能系统是被用于汽车前部的检测系统,其能够对前方出现的行人进行检测,并以此预先提醒机动车驾驶者,避免出现交通事故。本文即是对基于支持向量机的行人检测系统进行的研究,分析了行人检测的方法,并探讨了支持向量机的相关概念,最后分别针对于图像和视频的行人检测模式进行了研究,以期能为相关工作提供参考。     

一种基于监控视频的有效的行人自动跟踪方法

行人跟踪是智能视频监控领域一个重要的研究内容,受到广泛关注。在实际应用中,对视频中行人跟踪处理的实时性和准确性都有很高要求,因此,如何在场景复杂多变的视频图像中完成对多行人自动、快速而准确的跟踪,是行人跟踪方法的研究热点。提出了一种有效的行人自动跟踪方法,该方法通过Ada Boost+Haar的检测框架以及SURF特征点匹配,改进原始的在线Boosting跟踪算法,解决了跟踪过程中由于目标尺度变化造成的跟踪误差问题并实现了对视频图像中多行人自动检测跟踪。使用校园内实际监控视频进行实验,实验结果证明该方法有较好的跟踪效果。     

自适应车流方向的跨道行人检测

针对视频交通事件监控中的行人检测问题,提出一种自适应车流方向的跨道行人检测算法。利用运动历史图像计算画面中物体的运动方向,通过学习获得运动参考方向场,并对运动目标进行跟踪。依据参考方向场分析其轨迹的走向,以确定运动目标是否发生跨道行为。实验结果表明,该算法能适应车流方向并有效检测跨道行人,具有较好的实时性和较高的检测成功率。     

使用彩色直方图均衡法改进的Mean Shift行人跟踪算法

视频监控中的行人跟踪是一个具有实际应用价值的研究领域。针对城市中智能视频监控中行人跟踪问题,提出了一种改进的基于彩色直方图均衡化的MeanShift行人跟踪算法,实验的图像序列通过监控摄像头获得。这种行人跟踪算法是基于均值移位算法,它使用颜色直方图均衡化来改进原始算法。通过使用CAVIARproject/IST200137540数据集来进行试验,试验结果表明,改进后的算法在某些情况下比原算法表现得更好。     

Pedestrian detection and tracking at crossroads

This paper presents a system that can perform pedestrian detection and tracking using vision-based techniques. A very important issue in the field of intelligent transportation system is to prevent pedestrians from being hit by vehicles. Recently, a great number of vision-based techniques have been proposed for this purpose. In this paper, we propose a vision-based method, which combines the use of a pedestrian model as well as the walking rhythm of pedestrians to detect and track walking pedestrians. Through integrating some spatial and temporal information grabbed by a vision system, we are able to develop a reliable system that can be used to prevent traffic accidents happened at crossroads. In addition, the proposed system can deal with the occlusion problem. Experimental results obtained by executing some real world cases have demonstrated that the proposed system is indeed superb.     

改进YOLOv3的全景交通监控目标检测

针对城市交通场景复杂、车辆及行人等目标多且尺度变化大等特点,提出一种改进的YOLOv3全景交通监控多目标检测方法。以YOLOv3网络为基础,兼顾大小尺度目标特性设计4个检测尺度,并进行多尺度特征融合处理。利用[K]-means聚类方法对数据集中的标注目标框进行聚类分析,选取优化的聚类锚点框宽高维度作为改进YOLOv3网络的初始候选框。全景交通监控检测目标包括大型汽车、小型汽车、骑行摩托车、骑行自行车和行人5类。在测试集上目标检测平均精度和召回率分别达到84.49%和97.18%,较原始YOLOv3分别提高了7.76%和4.89%,处理速度可满足交通场景下实时性检测要求。     

A traffic surveillance system using dynamic saliency map and SVM boosting

This paper proposes a traffic surveillance system that can efficiently detect an interesting object and identify vehicles and pedestrians in real traffic situations. The proposed system consists of a moving object detection model and an object identification model. A dynamic saliency map is used for analyzing dynamics of the successive static saliency maps, and can localize an attention area in dynamic scenes to focus on a specific moving object for traffic surveillance purposes. The candidate local areas of a moving object are followed by a blob detection processing including binarization, morphological closing and labeling methods. For identifying a moving object class, the proposed system uses a hybrid of global and local information in each local area. Although the global feature analysis is a compact way to identify an object and provide a good accuracy for non-occluded objects, it is sensitive to image translation and occlusion. Therefore, a local feature analysis is also considered and combined with the global feature analysis. In order to construct an efficient classifier using the global and local features, this study proposes a novel classifier based on boosting of support vector machines. The proposed object identification model can identify a class of moving object and discard unexpected candidate area which does not include an interesting object. As a result, the proposed road surveillance system is able to detect a moving object and identify the class of the moving object. Experimental results show that the proposed traffic surveillance system can successfully detect specific moving objects.     

Detecting and tracking of multiple pedestrians using motion, color information and the AdaBoost algorithm

Robust detection and tracking of pedestrians in image sequences are essential for many vision applications. In this paper, we propose a method to detect and track multiple pedestrians using motion, color information and the AdaBoost algorithm. Our approach detects pedestrians in a walking pose from a single camera on a mobile or stationary system. In the case of mobile systems, ego-motion of the camera is compensated for by corresponding feature sets. The region of interest is calculated by the difference image between two consecutive images using the compensated image. Pedestrian detector is learned by boosting a number of weak classifiers which are based on Histogram of Oriented Gradient (HOG) features. Pedestrians are tracked by block matching method using color information. Our tracking system can track pedestrians with possibly partial occlusions and without misses using information stored in advance even after occlusion is ended. The proposed approach has been tested on a number of image sequences, and was shown to detect and track multiple pedestrians very well.     

免锚检测的行人多目标跟踪算法

针对复杂环境下行人目标因检测器漏检和频繁遮挡而导致的数据关联不正确、跟踪实时性差的问题,提出了一种基于免锚检测的多目标跟踪算法.算法采用预测目标中心点热力图的方法实现目标检测定位,改善了因锚点框回归歧义所导致的漏检问题.同时在检测模型中嵌入深度表观特征提取分支,构建联合检测与跟踪的多任务网络用于提升实时性.为解决跟踪阶...     

自动驾驶场景的尺度感知实时行人检测

目的 行人检测是目标检测中的一个基准问题,在自动驾驶等场景有着较大的实用价值,在路径规划和智能避障方面发挥着重要作用。受限于现实的算法功耗和运行效率,在自动驾驶场景下行人检测存在检测速度不佳、遮挡行人检测精度不足和小尺度行人漏检率高等问题,在保证实时性的前提下设计一种适合行人检测的算法,是一项挑战性的工作。方法 本文旨在解决自动驾驶场景中耗时长、行人遮挡和小尺度行人检测结果精度低的问题,提出了一种尺度注意力并行检测算法（scale-aware and efficient object detection,Scale-aware EfficientDet）：在特征提取与检测中使用了EfficientDet的主干网络,保证算法效率和功耗的平衡;在行人遮挡方面,为了提高模型对遮挡现象的检测精度,引入了可以增强行人与其他物体之间特征差异的损失函数;在提高小目标行人检测精度方面,采用scale-aware双路网络算法来增加对小目标行人的检测精度。结果 本文选择Caltech行人数据集作为对比数据集,选取YOLO（you only look once）、YOLOv3、SA-FastRCNN（scale-aware fast region-based convolutional neural network）等算法进行对比,在运行效率方面,本文算法在连续输入单帧图像的情况下达到了35帧/s,多图像输入时达到了70帧/s的工作效率;在模型精度测试中,本文算法也略胜一筹。本文算法应用于2020年中国智能汽车大赛中,在安全避障环节皆获得满分。结论 本文设计的尺度感知的行人检测算法,在EfficientDet高性能检测器的基础上,通过结合损失函数、scale-aware双路子网络的改进,进一步提升了本文检测器的鲁棒性。     

基于视频的车辆检测与跟踪算法研究

基于视频的车辆检测以及车辆跟踪是智能交通系统中的重要部分。本文在混合高斯背景模型的基础上,通过差分法分割出检测目标,利用检测目标的位置信息和色彩信息,找到与之最匹配的目标轨迹,从而实现车辆的跟踪。实验表明,该方法具有很高的检测与跟踪效率,同时能够满足智能交通系统的适时性要求。     

适用于遮挡问题的目标跟踪算法

提出一种基于网格模型的目标跟踪算法．该算法首先进行遮挡区域检测，然后进行网格结点的运动估计和网格更新过程完成目标的多帧跟踪．改进的遮挡区域检测算法有效地提高了检测准确度，从而确保遮挡区域的准确跟踪；网格结点的运动估计是通过特征窗口运动补偿匹配完成，可以有效地克服块效应．实验证明，该算法解决了二维运动估计时网格模型在遮挡区域存在的问题，并可以有效地进行目标准确跟踪．     

基于改进光流特征的运动目标跟踪

在城市智能视频监控中需要对运动目标进行实时跟踪,针对传统的运动目标检测中出现的跟踪目标易丢失、跟踪率低、实时性差等问题,提出一种基于改进光流特征的运动目标跟踪检测方法,对运动行人目标进行跟踪。该方法首先采用改进的Vibe运动背景建模法对视频中存在的运动行人进行检测,再将Shi-Tomasi角点检测与LK光流法进行结合,将角点检测结果融入到LK光流法中,并对检测到的角点进行运动光流特征提取,最后通过卡尔曼滤波对出现的行人进行预测跟踪,采用匈牙利最优匹配算法实现对运动目标的持续匹配以及对运动目标的跟踪。仿真结果表明,本文提出的方法能够对视频中出现的运动目标进行检测跟踪,具有较好的识别效果,且检测效率得到提高。      

Online Depth Image-Based Object Tracking with Sparse Representation and Object Detection

Online object tracking under complex environments is an important but challenging problem in computer vision, especially for illumination changing and occlusion conditions. With the emergence of commercial real-time depth cameras like Kinect, depth image-based object tracking, which is insensitive to illumination changing, gains more and more attentions. In this paper, we propose an online depth image-based object tracking method with sparse representation and object detection. In this framework, we combine tracking and detection to leverage precision and efficiency under heavy occlusion conditions. For tracking, objects are represented by sparse representations learned online with update. For detection, we apply two different strategies based on tracking-learning-detection and wider search window approaches. We evaluate our methods on both the subset of the public dataset Princeton Tracking Benchmark and our own driver face video in a simulated driving environment. The quantitative evaluations of precision and running time on these two datasets demonstrate the effectiveness and efficiency of our proposed object tracking algorithms.