Video Inter-Frame Forgery Identification Based on Consistency of Correlation Coefficients of Gray Values

Identifying inter-frame forgery is a hot topic in video forensics. In this paper, we propose a method based on the assumption that the correlation coefficients of gray values is consistent in an original video, while in forgeries the consistency will be destroyed. We first extract the consistency of correlation coefficients of gray values (CCCoGV for short) after normalization and quantization as distinguishing feature to identify interframe forgeries. Then we test the CCCoGV in a large database with the help of SVM (Support Vector Machine). Experimental results show that the proposed method is efficient in classifying original videos and forgeries. Furthermore, the proposed method performs also pretty well in classifying frame insertion and frame deletion forgeries.

一种四轴飞行器单目视觉测距算法

为解决四轴飞行器在执行目标检测与跟踪任务时无法判断机身与障碍物或跟踪目标之间安全距离问题,提出一种四轴飞行器单目视觉测距算法,算法融合基于帧间差分技术的水平测距模型与基于小孔成像的垂直测距模型.首先,算法可利用基于YOLOV4-Tiny的目标检测算法识别视频帧中的物体类别,并可在视频帧中框选出被测物体,依据现场环境选择最佳的测距方法进行测距;其次,系统终端执行测距方法,基于被测物体的视频帧成像位置与设定参数之间的差值控制四轴飞行器飞行,并记录飞行数据;最后,通过测距模型对飞行数据进行处理,计算出四轴飞行器在初始位置和最终位置与被测物体之间的距离.通过在特洛(Tello)飞行器平台上的实际飞行验证,实验结果表明所提出的四轴飞行器单目视觉测距算法可以有效分析出视频帧中各物体的景深,测距误差百分比均值为4.07%.在四轴飞行器与障碍物或跟踪目标之间距离较近,却无法评估此距离是否处于安全距离时,所提出的算法可为搭载单目摄像头的四轴飞行器提供可靠的测距技术支持.

基于深度学习的视频修复方法综述

视频作为常见的媒体信息之一,目前已在各个领域得到广泛应用。尤其是以抖音等为代表的短视频软件的兴起,使得与视频相关的技术不断迭代更新。其中,视频修复技术是视频处理研究中的一个热点。视频修复技术是利用视频帧内的像素信息和帧间的时域参考信息对视频帧受损的区域进行内容推理并修复,在补全缺损视频、物体移除及视频伪造检测等场景中具有广泛应用前景。该技术可追溯到二十世纪末的老电影修复技术,该任务通常由专业的技术团队逐帧修复完成。而随着数字技术的发展,近年来已有一些人工智能技术用于视频修复,让老电影重获新生。目前,视频修复技术可分为传统方法和基于深度学习的两类方法。其中,传统方法由于缺少对高层语义信息的理解,在场景复杂、缺失区域较大的情况下修复效果不佳;而基于深度学习的方法随着算法框架的优化和图形处理器性能的提升展现了出色的效果,对修复结果的语义结构准确性和时间一致性都有明显的提升。本文在简要回顾传统视频修复方法的基础上,重点分析四类基于深度学习视频修复方法的网络结构、参数模型、性能表现与优缺点;介绍视频修复领域中常用的数据集和评价指标;最后,对视频修复领域现存的问题进行总结并展望未来可能的研究方向。

低可见度环境下基于改进YOLOv3的井下人员定位方法

煤矿井下光照不足、粉尘遮挡,井下视频监控系统采集的人员目标在二维图像中表现为小目标或低可见度目标时,原始YOLOv3网络的Darknet53特征金字塔结构无法充分提取和保留目标的细节信息,导致定位结果不准确。针对上述问题,提出了一种低可见度环境下基于改进YOLOv3的井下人员定位方法。首先,结合β函数映射和帧间信息增强技术,提升低可见度环境下煤矿井下监控视频的清晰度。然后,采用更轻量级的Darknet-19替代YOLOv3中的Darknet53,并引入CIoU作为损失函数,利用改进YOLOv3识别增强后视频中的井下人员目标。最后,基于映射模型将识别到的目标从二维空间投影至三维空间,结合三维定位结果完成井下人员定位。选用某煤矿一段低可见度环境下井下监控视频进行实验,结果表明:①经过基于改进YOLOv3的井下人员定位方法处理后的视频帧亮度、可见度和各项评价指标(平均灰度、平均对比度、信息熵与灰度谱带宽)较原始视频均有明显提升,整体光照条件得到显著改善,且处理后的视频帧对比度得到增强,目标和背景之间更易区分,证明了采用的图像增强技术的有效性。②改进YOLOv3模型能准确识别视频帧中的井下工作人员,不存在漏识别问题。③采用已知位置的标定物或人工标注的的真实三维位置作为基准,计算投影结果与真实位置之间的偏差(偏差计算涵盖X,Y,Z方向上的距离偏差),其中X方向和Y方向上的偏差均小于0.2 m,Z方向上的偏差小于0.002 m,表明构建的映射模型的映射效果好且定位精度较高。

基于轻量级MobileNet-SSD模型的人流量检测

利用深度神经网络模型识别行人目标并检测具有十分高的价值。现实高密度行人检测场景中由于硬件基础以及网络性能消耗等问题的影响,常常需要选取处理速度高、硬件条件要求低的网络且同时兼顾视频监控的连续特性,因此选取了轻量级MobileNet-SSD网络来高效处理人头目标并引入帧间差分的方式,来有效对人头的椭圆特征目标进行跟踪;结合相关数理方法实现行人跨线计数的高性能人流量检测解决方案。在不同数据集上同现今一流的检测模型作比较,该方法皆表现出优良的检测性能。

基于车辆外观特征和帧间光流的目标跟踪算法

在复杂道路场景下,车辆目标之间频繁遮挡、车辆目标之间相似的外观、目标整个运动过程中采用静态预设参数都会引起跟踪准确率下降等问题。该文提出了一种基于车辆外观特征和帧间光流的目标跟踪算法。首先,通过YOLOv5算法中的YOLOv5x网络模型获得车辆目标框的位置信息;其次,利用RAFT (recurrent all-pairs field transforms for optical flow)算法计算当前帧和前一帧之间的光流,并根据得到的位置信息对光流图进行裁剪;最后,在卡尔曼滤波过程中利用帧间光流进行补偿得到更精确的运动状态信息,并利用车辆外观特征和交并比特征完成轨迹匹配。实验结果表明,基于车辆外观特征和帧间光流的目标跟踪算法在MOT16数据集上表现良好,相较于跟踪算法DeepSORT,成功跟踪帧数占比提高了1.6%,跟踪准确度提升了1.3%,跟踪精度提升了0.6%,改进的车辆外观特征提取模型准确率在训练集和验证集上分别提高了1.7%、6.3%。因此,基于高精度的车辆外观特征模型结合关联帧间光流的运动状态信息能够有效实现交通场景下的车辆目标跟踪。

基于深度学习的激光无线充电保护系统

为了提高智能家居远程激光无线充电系统使用的安全性,采用了一种基于深度学习的激光无线充电保护系统。针对贴附于智能家居表面的光伏电池属于小目标,具有不易识别的难点,改进得到了YOLOv7-NH网络模型,设立保护监测区,并融入帧间差分法用于实时监控充电区域;通过创设原理分析-算法框架搭建-环境调试等环节,编写了对充电目标所在区域进行图像监控的保护算法,并搭建了测试系统。结果表明,当激光发射端与充电目标距离在10 m以内,基于该算法搭建的保护系统的响应启动时间均低于1 ms,即当移动异物以低于常规速率1.5 m/s进入大小为40 mm×40 mm的保护监测区时,该保护系统能够在其运动到激光束所在光路前停止激光发射。这一结果对室内激光远程无线充电保护技术的发展是有帮助的。

基于因子图的多机器人协同算法改进

为解决多机器人协同定位与建图在复杂、大规模场景下耗时久、工作效率低等问题,提出一种融合算法PO-ORB。在因子图模型中引入锚点,用于存储世界坐标系相对位置,将改进后的因子图算法与ORB-SLAM3算法融合,用于帧间优化,结合两种算法的优点,解决大规模问题下多机器人定位精度低和实时性差的问题。通过DBoW2数据库和筛选策略进行地图融合,对全局地图进行优化,提高地图精度。实验结果表明,所提算法能够有效应用于多机器人协同定位与建图。

基于低对比度红外图像时空信息的气体泄漏检测

气体泄漏事故造成的危害是多方面的,如环境污染、人员财产损失、火灾爆炸。红外热成像作为可实现大范围快速成像的定性探测技术被广泛使用,相比一般红外图像,气体红外图像的对比度更低,边缘更加模糊,不易识别。针对上述问题,本文提出一种基于混合高斯背景建模的低对比度气体红外图像泄漏检测方法。首先,在预处理阶段,提出时域自适应帧间滤波算法实现红外图像的降噪和细节保持;然后,基于空域信息和梯度信息约束,提出时空混合高斯背景模型实现泄漏气体目标的前景的初步提取;最后,为更好地去除前景检测中干扰的运动目标,利用改进的快速鲁棒的模糊C均值聚类方法实现气体区域的自适应分割。实验结果表明,在5 m的泄漏距离下,该检测算法可有效提高准确率,弥补气体区域空洞问题,降低其他运动物体的干扰,气体泄漏检测准确率在92.3%~96.3%,与其他算法相比具有显著的抗干扰和区域分割能力。

帧间方向梯度直方图特征关联的行人检测方法

当前行人检测算法是无人驾驶领域的研究热点,但行人遮挡问题由于样本量相对比较少、遮挡情况多样、可视特征减少等因素,仍未得到很好的解决。针对行人之间相互遮挡或行人被其他物体遮挡导致的漏检问题,给出一种帧间方向梯度直方图特征关联的行人检测方法。首先,在YOLOv7基线网络模型的基础上添加跟踪的方法,以发现漏检行人并估计其位置信息;将含有漏检行人的最新局部图像作为新的信息,利用方向梯度直方图特征,采用支持向量机的方法,在漏检目标估计位置处进行行人检测,以改善由于部分遮挡所导致的漏检问题。实验结果与基线网络相比,该方法的精确度(P)值提高了6.25%,被遮挡行人的平均精度(AP)由26.67%提升到了53.42%。实验表明帧间方向梯度直方图特征关联的行人检测方法可以提高行人检测准确率,计算复杂度低,不明显增加原方法的计算开销,具有一定的应用价值。

基于网络流跟踪的信号灯检测方法

结合信号灯信息对机动车行进速度进行引导,减少机动车启停次数,可有效减少废气排放,缓解其造成的污染问题。针对信号灯转换时刻的获取问题,提出了一种基于网络流跟踪的信号灯检测方法。首先,该方法在数据集中引入辅助信号灯类别进行训练,将视频序列中该类目标检测结果关联为踪片,并通过踪片建模多目标跟踪任务。其次,该方法将多目标跟踪任务转换为最小费用流优化任务,以踪片作为节点建立最小费用流网络,提出了适合于信号灯的费用构建方式,通过最短路径算法求解,得到视频序列中辅助信号灯的多条轨迹。最后,基于求解的轨迹结果和图像分类技术,实现信号灯检测性能的提升。该方法的跟踪性能相较于对比算法有大幅提升,并将小目标信号灯检测响应的mAP提升至94.35%。实验结果表明,基于网络流的建模方式能极大地提升信号灯的跟踪准确率,结合跟踪轨迹还能大幅提高视频序列中小目标信号灯的检测准确率,并可有效确定信号灯状态的转换时刻。

基于改进yolov5s网络的火焰检测算法研究

火灾因其破坏范围大,蔓延速度快等特点给人们的生命带来了威胁,使人们的财产遭到破坏,而准确的火灾检测在一定程度上能够避免灾难的发生,该文提出了一种基于改进yolov5s的目标检测模型。该模型在主干网络中加入CBAM注意力机制,使模型更加关注火焰信息,提高检测正确率;将主干网络中的C3模块改进为Ct2f模块,该模块通过ELAN的思想进行设计,让模型可以在保证轻量化的同时,通过更多的分支跨层链接获得更加丰富的梯度流信息;针对火灾视频检测,根据火焰燃烧时的动态特征,在该模型检测头部分加入帧间差分的思想,有效降低了对火灾视频检测的误判。实验结果表明,改进的yolov5s模型火焰检测平均精度更高,比yolov5s原模型平均精度提高了4.2%。通过火焰视频检测实验,表明该模型能够有效降低对火灾视频检测的误判。

基于FPGA的运动目标检测与跟踪系统

针对传统运动目标检测与跟踪算法计算量大、检测速度慢、鲁棒性差的问题,提出了一种通过动态调整检测区域以实现高效运动目标检测与跟踪的方法。利用改进的帧间差分算法提取运动目标,将目标大小和位置信息分别传给区域裁剪算法和卡尔曼滤波跟踪算法,实现检测范围的缩小和目标跟踪。采用改进后的方法对分辨率为640×480的图像进行实验,检测到目标的大小为66×84,调整后的检测区域大小为132×168,帧间差分检测部分计算量减小了约92.78%,并且根据目标位置进行跟踪的效果较好,在FPGA中验证了此方法的正确性。

基于FPGA的“低慢小”目标检测系统实现

为解决“低慢小”目标检测困难的问题,实现了一种基于FPGA(Field Programmable Gate Array,现场可编程逻辑门阵列)的“低慢小”目标检测系统。该系统采取COMS相机获取图像,DDR3 SDRAM缓存视频帧,使用FPGA处理帧间差分法和光流法结合的算法,目标检测结果使用VGA标准显示。测试结果表明,该系统能够检测出在悬停和低速飞行姿态下的低慢小无人机目标并实时显示。

改进五帧差法机器视觉气密性检测研究

气密性是真空设备最重要的技术指标。在工业设备检漏中,传统皂泡法依赖人工目视,其检测准确性和效率取决于工作人员的专注度和操作技能。文章采用机器视觉技术,基于五帧差目标检测算法,进行检漏和漏点定位。由于传统帧差法存在部分画面重叠、边缘信息缺失和处理高帧率视频效果较差等问题,文章提出用Otsu算子和Canny边缘检测共同改进五帧差法。首先对连续图像做差分并转化为二值图,然后对中间帧进行Canny边缘检测,将二值图和Canny边缘检测的结果进行逻辑运算、中值滤波和形态学处理,最后获得完整的皂泡目标。实验表明,新算法能够处理高帧率视频并获得更完整的皂泡轮廓信息,可用于机器视觉真空设备气密性检测。

基于帧内-帧间自融合的双流泛化人脸伪造检测方法

现有人脸伪造检测方法往往在已知伪造类型上表现良好,但面对未知数据时检测性能有所下降,模型易受到过拟合的影响,检测泛化性不足。针对此问题,提出一种基于帧内-帧间自融合的双流泛化人脸伪造检测方法,从数据增强和检测器改进2个方面提高检测泛化性。设计帧内-帧间自融合模块,分别利用同帧人脸、帧间人脸进行数据增强:帧内自融合子模块利用同帧人脸生成训练数据,从而避免人脸图像身份信息干扰;帧间自融合子模块利用伪造视频的帧间不一致性,进一步构造多样性丰富、逼真的训练数据集,从而有效防止模型的过拟合,确保检测模型的泛化能力。此外,设计基于通道注意力机制的双流特征融合网络,在网络的浅层提取RGB特征、高频特征并进行融合来挖掘伪造信息,在提升模型性能的同时缓解网络的参数增长。将模型在4个数据集上与9种主流检测方法进行对比实验,结果表明:在跨数据集实验中,所提方法较次优方法AUC均值提高1.52个百分点,EER均值降低1.5个百分点;在跨伪造方法实验中,所提方法在4种伪造方法子数据集上均取得最优或次优效果。实验结果验证了该方法优秀的泛化能力。

基于深度学习的短视频智能推荐算法技术

采用目前方法对短视频进行智能推荐时,没有对用户的长短期喜好分别进行考虑,导致点击率和推荐准确率低、综合推荐效果差的问题。提出基于深度学习的短视频智能推荐算法技术,首先提取目标短视频的场景特征和行为特征,从而得到联合特征,然后采用深度学习分别对用户的长短期喜好进行建模分析,最后结合目标短视频的联合特征和用户短视频喜好特征计算相似度和喜好度,选取喜好度最高的若干短视频构成推荐列表,完成短视频的智能推荐。实验结果表明,所提方法具有更高的点击率、推荐准确率和更好的综合推荐效果。

RC框架结构基本自振周期个体间不确定性量化

钢筋混凝土(RC)框架结构是城市区域地震风险评估重要对象,其基本自振周期存在明显个体间变异性,如相同高度周期不同。通常采用的确定性结构高度-周期经验公式主要面向新结构设计,未能考虑既有RC建筑物周期的个体间变异性,影响区域地震风险评估的准确性,因此需要合理量化。该研究通过大量文献检索,收集了不同地区的641栋RC框架结构实测长轴、短轴方向基本周期以及高度、结构形式等信息,开展了严格的数据库清洗,并采用物理准则-数据驱动相结合的方式,建立了高度相依基本周期随机函数模型描述个体间变异性。与经典统计回归基本周期随机模型相比,新模型可以更好地反映结构间基本周期的物理机制差异以及观测数据的联合概率特性,便于在区域地震风险评估中应用。

地铁车辆基地全框支剪力墙结构层间位移角限值讨论

车辆基地全框支剪力墙结构是新型的结构形式,在工程实践中有对底部框架侧向刚度控制得过于严格的现象,相关设计标准中要求底部框架层间位移角不宜大于1/2 000。讨论了控制上部剪力墙结构层间位移角的依据、目的和计算中存在的问题,比较了底盘平面大小对底部框架层间位移角的影响。建议车辆基地全框支剪力墙结构上部剪力墙的层间位移角限值按广东省标准《高层建筑混凝土结构技术规程》(DBJ/T 15-92—2021)取为多遇地震作用下1/450;在保证上部剪力墙先于底部框支框架屈服的前提下,大幅度放松底部框架层间位移角限值及非两区八类建筑全框支剪力墙减隔震结构层间位移角限值,也取为多遇地震作用下1/450。实现合理的屈服机制尤为重要。

模块化钢框架模块间内套筒连接节点抗震性能试验研究

设计了3个足尺模块化钢框架模块间内套筒连接节点试件,针对节点试件的抗震性能开展了拟静力低周往复加载试验,研究了节点试件的滞回曲线、骨架曲线、延性、耗能、刚度退化、层间位移角和转动刚度等抗震性能指标,并对影响节点试件的抗震性能参数进行分析。研究结果表明:节点试件的滞回环呈梭形,且形状较为饱满,其具有较强的耗能能力;3个节点试件均出现明显的刚度退化现象且下降坡度平缓;3个节点试件的层间位移角分别为0.085 rad、0.082 rad和0.096 rad,节点试件均具有良好的转动能力和延性性能且满足节点抗震设计要求。试件破坏特征表明,在模块柱内梁的上、下翼缘对应位置设置内隔板对节点的抗震性能有显著改善作用。