面向铁路客运场景的对抗鲁棒性人头检测模型

基于人头检测的人群数量估计算法能为铁路客运车站应对突发客流、防止人群聚集提供有效的决策辅助,但人头检测使用的深度学习模型易受到对抗样本影响。为提升深度学习模型的对抗鲁棒性,建立了基于RetinaNet算法的人头检测模型;在Brianwash数据集上分别使用快速梯度符号法(FGSM,Fast Gradient Sign Method)和投影梯度下降(PGD,Projected Gradient Descent)2种对抗攻击方法生成对抗样本,初始模型在对抗样本数据集上的mAP值均有显著下降,验证了对抗攻击对模型性能影响的有效性;再对模型进行对抗训练,对抗训练后的模型在各类对抗样本验证数据集上的mAP值均有显著提升。实验结果表明,对抗训练后的人头检测模型能有效防御对抗样本的攻击,提升模型检测性能和对抗鲁棒性。

基于随机Hough变换的人头检测

传统的人头检测方法多为基于人脸和头发的检测,误差较大。为此,提出一种基于随机Hough变换(RHT)的人头检测方法。根据人头部轮廓近圆的特征,采用Canny算子提取图像边缘,得到目标轮廓。利用RHT算法对独立的曲线进行圆检测,并对人头进行标识。实验结果表明,与现有方法相比,该方法的识别率较高、速度较快、适用范围较广。

基于曲率尺度空间的人头检测方法研究

利用人头部轮廓的形状特征,提出一种基于曲率尺度空间的人头部检测算法。算法通过比较分析得出了人头部轮廓区别于其他部分轮廓的形状特征,在多曲率尺度下,计算物体轮廓曲线上每一个点的曲率,结合形状特征信息进行人头部检测。实验结果表明,算法有效解决了复杂背景下的人头检测问题,为人头部检测提供了新的途径。

一种基于头部特征的人头检测方法

根据人头类圆以及头发颜色单一等特征,提出了一种人头检测方法,可以很好地应用到人数统计领域。文章给出了该方法的详细步骤:以头部顶点为特征点,并对头部轮廓进行抽样,完成椭圆拟合,最终以类圆检测的方法实现人头检测。实验表明,该方法应用在人群较稀疏的场景下具有良好的效果。

一种基于深度信息的人头检测方法

针对目前人头检测方法对光线变化敏感和易受阴影干扰的问题,提出了一种基于深度图像的人头检测方法。首先通过运动目标检测,得到运动人员所在区域;然后对该区域使用改进的立体匹配算法,该匹配算法对传统的WTA匹配算法进行改进,只对强纹理点进行匹配,对弱纹理点只进行视差验证,并根据三角投影原理计算出深度图。由于深度图中人员与周围场景的深度分布不同,根据深度分布将人头区域提取出来,得到候选区域,最后将候选区域经过形态学运算并根据区域轮廓的特征来判断是否为人头。实验结果表明:该方法在不同光线环境条件下的检测正确率为94%以上,误检测率仅为5.77%,检测精度高,对光线和阴影的抗干扰性良好,能够很好地适应复杂环境。

基于混合卷积神经网络的人头检测方法

考虑到行人检测是视频监控领域的一项重要技术,其检测效果易受遮挡严重、光照不均等因素的影响,而人头检测是行人检测的重要研究内容,本文提出了一种基于混合卷积神经网络的人头检测方法。该方法将快速区域卷积神经网络(CNN)架构引入到局部模型的构建中,可以更好地获取图像的上下文信息,以得到更好的检测效果。通过全局模型预测头部的位置和尺度,利用成对模型确定待测目标间的成对关系。最后将局部、全局和成对模型融合成一个混合卷积神经网络框架,进行人头检测。研究结果表明,网络结构优化后的模型比多卷积神经网络方法在实时性显著提高52.3倍的同时,还可以将检测精度提高1.8%,计算复杂度和内存消耗也大大降低。

基于区域深度特征的人头检测方法

根据摄像机自上而下拍摄检测人头的特点,提出了以目标及其周围像素为候选匹配区域进行匹配来计算视差的人头检测方法.该方法首先用左视图检测所有可能的人头目标,然后选取目标及其周围像素作为匹配的整体,根据一些匹配的约束条件,用其来和右视图进行匹配,算出以目标及其周围像素为整体的视差.将目标及其周围像素作为整体,克服了人头区域纹理比较弱额缺点,使得匹配的准确率有所提高,从而提高了视差计算的准确度.

一种改进的轻量人头检测方法

为了提高视频监控中人数统计的精度和速度,解决传统人体检测由于衣物身体阻挡而造成的高遮挡问题。提出一种改进的轻量人头检测方法MKYOLOv3-tiny。该方法是对YOLOv3-tiny进行改进,针对低层的人头特征进行多尺度融合,实现不同卷积层的分类预测与位置回归,提升检测的精度;针对人头较小的特点,结合有效感受野的思想,K-means聚类减小初始候选框的规格,提升候选框的精度。实验结果表明,改进后的模型在Brainwash密集人头检测数据集上与原方法相比,在精度上提升了3.21%,漏检率降低了8.7%。

网格和密度聚类方法在人头检测中的应用

根据人头特征,提出了一种基于网格和密度的聚类算法。该算法将图像分成网格,然后逐行计算网格的密度,碰到符合密度要求的网格时,算法转为纵向计算网格的密度,记录下纵向符合密度要求的网格数量,以此判断是否存在人头以及计算人头的参数。该算法结合了网格聚类的低时空复杂度和密度聚类的良好抗噪性的特点。实验证明该算法速度比Hough变换快两个数量级,而且所需存储空间小。

基于头发的人头检测与跟踪

人头检测与跟踪技术是目前一个极具挑战性的研究课题,目前的一些研究中,比较少的学者研究头发检测这一领域。研究的内容是基于单摄像头的人头检测与跟踪,主要特色是利用头发检测对摄像头中读出来的图像数据进行初步处理、分析,并最终实现对人头的检测与跟踪,最后将检测到的人头标识出来。

基于BING和CNN的高效人头检测方法

对公共场所行人数目的统计在经济决策、社会安保策略等方面已扮演愈加重要的角色。相比于其他方法,基于计算机视觉的计数方法具有获取场景直接、检测范围大、易于同监控系统融合等优点,因此具有广阔的前景。主要研究内容是基于嵌入式设备的行人人头检测,使用改进后的BING算法实现实时视频帧中人头预选框的提取,然后使用多级CNN实现预选框的过滤,完成人头检测。所提出的算法在普通台式机上使用单颗CPU可以实现最快100帧每秒的处理速度,在普通嵌入式设备(树莓派)中可以实现10帧每秒的处理速度而且对于只包含顶部人头的静态视频帧该算法的人头检测精度可以达到98.44%。

结合级联卷积目标检测和跟踪的快速人头检测

针对图像序列中遮挡和角度变化等因素易造成人头漏检的情况,提出一种结合级联卷积目标检测模型MTCNN和核相关滤波(KCF)跟踪模型的快速人头检测方法,即MT-KCF人头检测模型。利用批次归一化改进MTCNN网络,采用级联的方式检测人头;将检测到的人头位置信息输入到KCF跟踪模型中,对人头目标进行快速稳定的跟踪;为确保持续稳定地检测到人头,在跟踪多帧后,再次利用检测模型重新对人头进行检测。实验结果表明:MT-KCF模型在图像序列中具有较高的检测精度和较快的检测速度,平均准确率为94.85%,在640×480大小的图像序列中平均速度为108帧/s。

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TOF相机和级联卷积网络的人头检测

图像序列中遮挡和角度变化等因素会造成人头漏检。TOF(Time-of-Filght)相机可以捕获场景中物体间的空间位置关系,因此将TOF相机置于俯视视角采集的深度图像信息,可以采集丰富的人体头部特征。鉴于此,提出了一种基于级联卷积网络的深度图像快速人头检测方法。

基于卷积神经网络的行人人头检测方法对比研究

为提高车站客流统计的精度使其可以准确预警,针对传统的客流统计方法步骤繁琐、准确率低等局限性,对基于卷积神经网络的行人人头检测方法进行研究。首先在常州某车站安检站台处通过高位摄像头采集行人的人头数据库;然后通过不同的行人特征提取网络(Inception模块、Resnet、Mobilenet)与Faster R-CNN、SSD、R-FCN等目标检测结构组合的方式来对比探究各种行人人头检测组合模型的准确率和检测速度,并选择最优的行人人头检测方法;最后通过模型试验分析,结果显示Inception-V2特征提取网络与Faster R-CNN目标检测结构组合的行人人头检测模型具有较高的准确率和较优的实时性,这种行人人头检测方法对客流预警具有重要的意义。

基于改进YOLOv5的多任务安全人头检测算法

针对目前监控摄像头预置检测算法存在人脸隐私泄露风险的问题,提出一种基于YOLOv5结构的多任务安全人头检测算法Privacyface-YOLO及轻量级检测版本Privacyface-YOLO(Light)。Privacyface-YOLO的主干网络采用带残差结构的跨阶段局部网络ResCSP,通过残差结构降低特征学习的复杂度,提升网络对人头特征的提取能力。轻量级版本Privacyface-YOLO(Light)使用深度可分离卷积替换ResCSP模块,以减少计算量并提升网络的运行速度。模型的颈部模块引入特征金字塔与路径聚合网络,实现跨层多尺度信息交流,提升模型在复杂人头与小目标场景下的鲁棒性。对提取出的特征进行三分支输出,其中目标定位分支用于定位人头坐标,人头分割分支生成覆盖人头的掩膜以保证人脸隐私,人数回归分支获得图像中的人头总数,通过多任务三分支结构保护人脸隐私同时满足更加复杂的场景需求。实验结果表明,Privacyface-YOLO算法能够有效完成实时人头检测任务并保护人脸隐私,相较目前主流人头检测算法,在人头数据集HollywoodHeads和Brainwash上,该算法的平均查准率AP50指标分别提升11.8%和5.8%,平均查准率AP70指标分别提升20.2%和35.2%。

基于改进型FaceBoxes的人头检测算法

对于监控视频下的垂直视角,常常会出现人体遮挡,背景模糊等导致检测人体精度低的问题,本文提出以人头为目标代替人体进行检测的监控视频人数统计的方法.该方法对一种轻量型的网络FaceBoxes进行改进,并加入多尺度特征融合的方式,提升密集人头检测的精度.由于监控视频中,人头目标比较小,一般不会出现特大目标,因此使用k-means方法对候选框的尺度进行聚类,再进行训练,并使用交叠区域检测方法提高预测框的精度.实验结果表明,改进型的FaceBoxes方法相比之前的网络精度提高了约4%,其速度稍有降低.

改进的基于人头检测的行人跟踪算法

针对已有的基于人头检测的行人跟踪算法在复杂背景下易发生目标跟踪错误的问题,提出一种改进的基于人头检测的行人跟踪算法,以适应多种复杂场景下的行人跟踪。该方法首先采用前景分割技术提取目标行人,在Adaboost分类器中加入人体躯干负样本,再结合Haar-like特征在前景的基础上检测人头,通过检测到的人头建立目标跟踪链实现对场景中行人的跟踪。实验结果表明,所提算法降低了人头的误检率和漏检率,提高了在多种复杂场景中对行人跟踪的鲁棒性。

基于改进的SSD电梯轿厢内人头检测

针对现在电梯轿厢内的人头检测问题,提出一种基于SSD(Single Shot MulitiBox Detector)模型来提高对人头的检测率。以传统SSD目标检测模型为基础网络结构,使用轻量级神经网络MobileNetV2替换VGG-16作为特征提取网络;预测层则使用倒残差卷积进行位置预测,并对Anchor比例设置进行调整。实验结果证明,在电梯轿厢监控图像数据集上,改进后的SSD相比于传统的SSD模型准确率提高了1.6%;检测速度从22帧/s提升到了63帧/s。同时,通过与其他流行的轻量化模型相比较,改进后的SSD模型在检测精度和模型大小这两个评价标准上取得了较好的结果。

基于数学形态学和HSI颜色空间的人头检测

为提高视频监控中人数统计的实时性,提出一种人头检测算法。该方法在HSI(hue,saturation intensity)颜色空间建立人头颜色模型,并结合头发的灰度范围进行二值化。采用数学形态学的膨胀腐蚀算法进行预处理,并在边缘检测之后再次进行膨胀腐蚀,从而得到若干个候选区域。利用轮廓的几何特征综合判断这些区域是否为人头。实际监控的实验结果表明:该方法能够快速有效地检测出人头,很好地满足了视频监控中人数统计的实时性要求。