一种基于背景动态更新与暗通道先验的火灾烟雾检测算法*

烟雾检测在现代智能消防中有着重要的应用前景,随着计算机视觉和模式识别技术的发展,基于视频图像的火灾烟雾检测算法不断被提出。针对目前检测方法适应性不强、在复杂环境下检测性能不高的问题,提出了一种基于背景动态更新和暗通道先验的烟雾检测算法。算法首先通过改进的背景动态更新算法提取运动前景;然后,结合暗通道先验知识确定前景中的疑似烟雾区域;最后,利用烟雾颜色特征、旋转不变的LBP纹理特征和HOG特征的线性融合通过最近邻分类器(KNN)进行识别。通过在多个视频场景下的实验,表明该算法受环境因素影响较小,且具有良好的烟雾检测能力。     

视频监控场景下基于单视角步态的人体身份及属性识别系统

基于步态的特征识别是一种新兴的生物特征识别技术, 旨在通过人们走路的姿态进行身份和相关属性的分析. 与其他的生物识别技术相比, 基于步态的识别方法具有难隐藏性、非接触性和可远距离使用的优点. 本文设计出一个视频监控场景下基于单视角步态的人体身份及属性识别系统, 该系统通过图像处理方法从复杂的监控视频中实时检测出人体的步态, 经过利用深度学习训练过的算法进行分析后, 获取人体的身份、性别和年龄信息. 实验表明, 系统的身份识别准确率达98.1%, 性别预测准确率达97.1%, 年龄预测平均绝对误差为6.21岁, 实验结果均优于传统基准算法, 且系统开发成本低, 支持实时检测, 能充分满足中小规模步态研究与分析的需要.     

复杂场景下的运动目标识别算法

目标识别是计算机视觉的基本目的,同时也是人工智能领域的重要组成部分之一.随着信息化时代的来临,视频采集工具的普及,海量的视频数据给人工识别带来了巨大挑战.现阶段,在智能交通领域、生产质检领域等简单场景中,视频识别技术已经得到广泛的应用.如何从复杂场景中实现目标的识别和检测则成为了更加重要和困难的问题.针对该问题,本文提出了一种复杂场景下的运动目标识别算法.首先,提出一种改进的光流算法,通过时间序列以及空间像素变化对运动目标区域进行快速标记;其次,对目标区域进行滑动窗口检测,匹配人体各部位模型,并将反馈信息利用树形结构进行人体建模,实现在复杂场景下识别运动目标.通过实验进行评估,该方法能够在保证较高准确率的情况下,相比基于深度学习的检测算法检测速度更快,可以满足实时监测的要求.     

基于HOG特征和机器学习的工程车辆检测

针对智能监控在露天矿区中的应用, 提出了一种在大场景、远距离、多角度的环境下自动识别工程车辆的算法. 该算法利用梯度方向直方图特征(HOG)作为图像描述, 并结合支持向量机(SVM)训练分类器的方法, 实现图像中工程车辆的检测. 为提高检测效率和准确度, 采用Hough变换直线检测的方法提取包含目标的区域. 实验表明, 算法能够在较大分辨率的复杂图像中识别出检测目标, 有较高的准确度, 对于实验中不同的环境具有较强的鲁棒性.     

基于HOG+SVM的智能家居入侵检测系统设计

当前,大多数的智能家居视频监控系统仅仅完成简单的视频图像传输功能,不太智能;或是保持 PC常开,将视频图像数据传输到PC端进行相应的检测和识别,增加消耗.为解决该问题,系统以嵌入式技术为载体,利用 Cortex-A9处理器芯片搭载 Linux操作系统,结合机器视觉图像处理技术,融入 HOG+SVM机器学习方法来对视频中是否有外人入侵进行检测,并可通过 GPRS模块进行短信报警通知.同时可通过智能终端,登录指定网页或者相应的客户端进行实时查看和取证.实验结果表明,该系统数据传输稳定、算法准确度较高,可替代传统的智能家居视频监控系统.     

地铁监控中的行人检测方法

针对地铁视频监控中行人检测问题,提出了一种将背景建模与形态学相结合的行人检测方法。算法首先对视频序列图像进行预处理;然后利用背景建模不断更新复杂环境中运动区域,提取目标区域;再通过改进的形态学算法对目标区域进行人体检测。实验结果表明,该方法能够准确地检测地铁视频监控中的行人,运算速率较快,鲁棒性较高。     

基于手部轨迹识别的ATM智能视频监控系统

为实时阻止针对自动取款机的犯罪行为发生,设计一种基于手部轨迹识别的ATM智能视频监控系统。对于采集所得的监控区域内的视频图像,利用混合高斯背景建模方法为视频图像建立背景模型,通过背景剪除法和跟踪算法得到监控区域内的人体信息,分析进入监控区域的人体面积变化情况,由此判断是否有异常行为发生,存在异常则报警,否则采用基于颜色空间的皮肤检测算法和位置约束检测人手部分,利用隐马尔可夫模型对分段的手部运动轨迹分别进行匹配识别,进一步判断是否存在犯罪行为。实验结果表明,该方法对于犯罪行为的识别率能达到88%。     

码本检测智能视频监控系统的设计与开发

针对视频检测算法在复杂场景下的检测识别率不高的缺陷,在基于码本的监控视频运动目标检测算法的基础上,利用检测算法对运动目标进行提取以分析出视频图像中的变化,以此判定监控目标的变化,从而构建一种实际的智能视频监控系统。     

基于时空关系模型的交通信号灯的实时检测与识别

交通信号灯的检测与识别是无人驾驶汽车和高级驾驶辅助系统(ADAS)的重要组成部分。针对城市道路复杂环境下的交通信号灯的检测和识别需求,依据多帧视频图像序列的时空连续变化关系构建多帧视频图像的时空关系模型(Time-Space Model,TSM),提出了一种新的基于多帧视频图像序列的交通信号灯的检测和识别算法。算法包含3部分:基于颜色的视频图像快速分割压缩算法,用于提高计算效率;引入多帧视频图像序列的时空关系模型,以提高交通信号灯检测的准确性 ;根据图像的HOG(Histogram of Oriented Gradient)特征,通过SVM(Support Vector Machine)分类器对信号灯进行识别。实验结果表明,算法的鲁棒性强、检测识别速度快、准确率高。     

一种改进的敏感图像过滤方法

针对现有敏感图像过滤方法误检率较高的问题,提出一种结合肤色检测和方向梯度直方图(HOG)人体检测的敏感图像过滤方法。采用HOG特征提取人体目标的特征集,运用支持向量机训练人体检测模型,检验图像中是否存在人体,并结合肤色检测算法判别该图像是否为敏感图像。实验结果表明,该方法能有效检测复杂背景条件下的敏感图像,其精确度为90.2%、查全率为86.3%、误检率为3.5%。     

基于GPU_CPU异构并行加速的人头检测方法

多尺度协同的人头检测系统中,梯度方向直方图应用于高清视频监控领域时常因特征提取时的海量计算而不能满足监控视频的实时性要求,提出一种基于GPU_CPU异构并行加速的人头检测方法,GPU端负责HOG特征提取的庞大的密集型的区块的并行计算,CPU端负责检测过程中的其它模块的执行.传统的并行归约算法因其在HOG特征提取过程中的时间复杂度不够理想,提出改进的并行归约算法,通过“下扫”的并行计算方式,减少节点被计算的次数,降低了HOG特征提取时的时间复杂度.实验表明,提出的方法检测速率优于传统的CPU的检测方法,其效率提升约10倍.     

基于关键帧标识的视频人脸识别技术研究

针对人脸检测与跟踪问题提出在监控视频中面向复杂背景、多姿态的快速人脸检测。使用了基于Haar特征,并结合有效的预处理手段跟搜索策略,另外在检测算法的基础上,考虑到监控视频的序列的特点,结合背景差、肤色、前帧参考等因素,提出一套基于帧间差分法来识别视频中人脸内容变动并标识此关键帧的方法,并以视频日志的形式记录下来。实验证明,此方法可以在针对检测特定目标提高监控视频人脸识别的正确率和检测速度。     

视频监控中人的运动检测方法研究与实现

为了提高视频监控的实时性、准确性和可靠性,引入运动目标检测非常必要,而在此基础上的人运动检测更是后续各种高级处理的基础。根据视频监控的特点,采用一种基于自适应背景图像估计与当前多帧图像的混合差的算法来实现快速精确地检测和提取运动目标区域,并充分利用视频图像的时域连续特性和人脸肤色信息,实现快速可靠的人脸定位,从而准确定位人运动区域。实验表明,该算法对人的运动检测在光线、姿势变化等情况下具有良好的鲁棒性,适于实时监控系统的应用。     

智能视频监控中的遗留物检测技术

对智能视频监控中的遗留物检测技术进行研究,提出一种能够自动检测视频监控环境中的遗留物并发出警报的检测方案,给出详细的检测算法分析。该方案基于动态阈值的背景差分算法和背景更新算法,提高系统对于复杂场景的适应性,能够准确地检测出复杂背景中的箱、包等遗留物,并能够提供关键帧,便于找到遗留物的失主。实验结果表明了该方案的有效性。     

视频监控下的人脸跟踪与识别系统

针对智能视频监控系统的要求,设计了一个基于视频监控的自动多人脸跟踪识别系统,该系统的功能是实时跟踪视频监控范围内的人脸并鉴别人脸的身份。针对复杂背景及类似人脸区域的影响,提出了一种Adaboost人脸检测算法和主动形状模型相结合的人脸检测算法,实现人脸的准确检测;针对视频监控范围内人脸偏转、交错以及由于人员不断出入而导致人脸数目发生变化的问题,提出了CamShift和Kalman滤波器相结合的多人脸跟踪算法,同时对跟踪到的人脸进行实时身份识别。实验证明,该系统在视频监控范围内对人脸检测和身份识别准确,跟踪实时性好,是一种建立实时视频监控系统的实用方法。     

一种有效的运动物体检测方法

为了从监控视频中检测出较高质量的运动物体,文章提出了一种基于帧间差分和背景差分相结合的运动目标的检测方法,并且采用像素级和帧级背景更新相配合的一种背景更新策略。算法求取各像素点处的最大概率灰度,从而提取出连续视频的背景图像;相邻帧则利用帧间差分法以及背景差分法得到两幅运动区域图像;将两幅运动区域图像相与,提取出较为准确的运动目标。实验证明,该算法对光线的变化鲁棒性较高,运算速度较快,且能够及时的响应监控视频的实时变化,提高运动目标的检测质量。     

融合运动特征和深度学习的跌倒检测算法

为了利用计算机视觉技术准确检测老年人的跌倒状况,针对现有跌倒检测算法中人为设计特征造成的不完备性以及跌倒检测过程中前后景分离困难、目标混淆、运动目标丢失、跌倒检测准确率低等问题,提出了一种融合人体运动信息的深度学习跌倒检测算法对人体跌倒状态进行检测。首先,通过改进YOLOv3网络进行前景与背景的分离,并根据YOLOv3网络的检测结果对前景人体目标进行最小外接矩形标记;其次,分析人体跌倒过程中的运动特征,将人体运动特征向量化并通过Sigmoid激活函数转化为0到1之间的运动权重信息;最后,通过全连接层将将运动特征与卷积神经网络（CNN）提取的特征进行拼接和融合从而实现人体跌倒分类判别。将所提跌倒检测算法与背景差分、高斯混合、VIBE、方向梯度直方图（HOG）等人体目标检测算法及阈值法、分级法、支持向量机（SVM）分类和CNN分类等人体跌倒判断方案进行了对比实验,并将所提跌倒检测算法在不同光照条件下和混合日常噪声运动干扰下进行了实验,结果表明所提算法在环境适应性和跌倒检测准确率上都优于传统的人体跌倒检测方法。该算法能有效检测出视频中的人体并对人体跌倒状态进行准确检测,进一步验证了融合运动信息的深度学习识别方法在视频跌倒行为分析上的可行性与高效性。     

基于特征融合的人体行为识别算法

针对HOG特征在人体行为识别中仅仅表征人体局部梯度特征的不足,提出了一种扩展HOG（ExHOG）特征与CLBP特征相融合的人体行为识别方法。用背景差分法从视频中提取出完整的人体运动序列,并提取出扩展梯度方向直方图ExHOG及完备局部二值模式CLBP两种互补特征;利用K-L变换将这两种互补特征融合生成一个分类能力更强的行为特征;采用径向基函数神经网络RBFNN对行为特征进行识别分类。在KTH和Weizman行为公共数据库上进行了多组实验,结果表明提出的方法能够有效地识别人体运动类别。