安防监控中人员遮挡区域的有效图像分割研究

研究安防监控中人员遮挡区域的有效图像分割,对后期特征识别的准确性有重要的实际意义。在安防视频监控过程中,行走的人员对监控对象进行遮挡,但是受到距离、走向、人员随机波动等因素的干扰,上述遮挡过程存在很强的动态性,遮挡图像之间的前后帧无法建立遮挡区域关联性。传统的图像分割方法在建立分割规则与关联规则时,两者之间无法建立准确的联系,无法对人员波动造成的遮挡不定区域进行准确分割。提出基于人工鱼群算法的安防监控中人员遮挡区域的有效图像分割方法。详细阐述人工鱼群觅食过程,建立人工鱼群模型,将人工鱼群理论应用到安防视频监控中人员遮挡区域分割过程中,确定人工鱼群数量,针对人工鱼群进行初始定位,设置适应度函数,根据分割阈值最优值,实现安防视频监控中人员遮挡区域的有效分割。实验结果表明,利用人工鱼群算法进行安防监控中人员遮挡区域的有效图像分割,能够快速收敛,获取理想的分割结果,提高分割的准确性。

嵌入中心点预测模块的Yolov3遮挡人员检测网络

为解决目前实际监控场景下人员检测任务中存在的遮挡问题,提出了一种改进的Yolov3检测网络.首先,针对现有人员检测算法的被检测目标姿态单一且大多是室外直立行人的问题,自建了一个包含16832张样本的多场景人员检测数据集用于对检测网络进行训练和测试,其中包含训练集样本12090张,测试集样本4742张.随后,为了提升网络在遮挡情况下的检测效果,设计了中心点预测模块(CPM)并将其嵌入到原Yolov3网络中3个尺度的输出特征图上,通过该模块首先确定目标的中心位置作为预提取的中心点,随后在此预提取的中心点上对目标的位置和尺寸进行精确的回归.最后,候选框的精确回归中采用广义的交并比指标来构造损失函数进行优化,通过准确地构造候选框和真实目标框的位置关系来提高其回归精度,同时降低损失函数在不同尺度目标下的波动.实验结果表明:优化网络结构和损失函数后的检测网络在测试集上的检测精度提高了2.92%,漏检率下降2.94%,针对实际监控场景下的遮挡情形取得了很好的检测效果,而且对多姿态人员目标的检测结果具有很好的鲁棒性;同时检测速度达到了28帧/s,保证了检测的实时性.另外,在Caltech行人数据库上该网络的漏检率为6.02%,相对于传统的检测网络同样达到了最优的效果,进一步印证了网络在行人检测任务上的优越性.

基于模糊推理的视频监控方法

针对拥挤情形下的人员目标跟踪问题,提出了一种使用模糊推理机制的视频监控新方法。首先采用背景减除法获得目标的前景图像,再利用特征搜索法去测量目标的新的位置变化,然后使用混合的模糊信息推理机制的方法去验证跟踪结果,并且根据需要对误差进行补偿。针对不同场景进行了实验,实验显示,对误差进行补偿之后,在拥挤情形下的召回率和准确率都能达到90%以上,平均误差降低了10%以上。实验结果证明,能够有效提高视频监控系统对于拥挤情形下多目标跟踪的性能。