帧差与快速密集光流结合的图像法测流研究

图像法测流技术因其简便、高效、安全等优点得到了普遍的关注,开始应用于国内外水文站。目前主流的图像法测流技术主要有大尺度粒子图像测速(large-scale particle image velocimetry,LSPIV)和时空图像测速(spatiotemporal image velocimetry,STIV)等,LSPIV方法采用天然粒子作为示踪物,利用空域互相关法处理图像获得流场矢量,STIV方法根据河流的主流向设定测速线,对视频图像中测速线的灰度进行采样形成时空图像,利用时空图像中的纹理角求得流速。LSPIV方法依赖示踪物的可见性,存在稳定性差等缺点,STIV方法存在对断面流态稳定性要求高和仅能测量1维流速等缺点。本文提出一种结合帧间差分与快速密集光流的分组测流方法(frame difference-fast optical flow using dense inverse search-grouping,FD-DIS-G),利用帧差法计算运动显著性图,通过捕捉细微的水面运动处理河流运动在视频中表现不明显的问题,减少对天然示踪物的依赖,使用快速密集光流法(fast optical flow using dense inverse search,DIS)计算运动显著性图中小块区域之间的密集光流位移,提高流量测量的精度和时效性,有效克服流态不稳定的情况。同时,设计一种分组处理奇异值的方法,提高了算法的整体准确性,增强了算法的稳定性。将流速仪测量得到的垂线平均流速、平均流速以及断面流量作为比测标准,利用水文站所拍得的天然河道水流视频进行比测实验,实验结果表明,相比于目前广泛使用的图像测流方法,本文方法在平均流速和断面流量上的精度有明显的提升,垂线平均流速测量的稳定性有显著的增强且实时性好。

基于密集光流的步态识别

作为一种生物特征,步态在视频监控、行为分析等领域具有很大的应用前景.提取步态特征的关键在于对步态在时间、空间两个维度上的变化模式进行描述.基于密集光流提出了一种步态特征提取算法,通过密集光流表征每帧图像人体区域各部位的运动强度和方向,综合一个步态周期内所有单帧特征作为步态周期的特征.利用主成分分析、线性判别分析对步态特征进行降维处理,用支持向量机进行分类,验证提取特征的分类性能.实验结果表明,所提算法采用光流特征,提供了丰富的动态信息,可以很好地描述步态在时间维度上的变化,在与现有步态特征描述算法的对比中,体现出了良好的识别性能.

密集光流法正射影像镶嵌线智能提取

针对正射影像拼接时影像间存在复杂的几何错位问题,提出一种基于密集光流法正射影像镶嵌线智能搜索方法。利用影像密集光流、梯度信息和灰度信息构造代价影像并视其为带权无向图,以图割模型为基础,采用最大流最小割原理自诊断搜索镶嵌线。实验结果表明,采用所提方法得到的稀疏建筑区镶嵌线代价像素数大于100的仅占路径长度的0.7%,且相较于现有商业软件OrthoVista效率提升17%。对人工建筑物与正射影像间投影差较大的区域可实现自动规避,大大降低了几何错位的概率,可明显改善影像拼接的几何错位现象,实现正射影像镶嵌线搜索的智能化。

基于监控视频的Farneback光流算法的人体异常行为检测

为了解决视频监控系统中异常行为检测精度不高,计算方法复杂的问题,提出一种基于监控视频的Farneback光流算法的人体异常行为检测方法。该方法选用密集光流算法提取运动区域内的光流信息,采用直方图方向熵和幅值熵的乘积计算出用于表示行为混乱程度的W值,以此来判断是否发生异常行为,且W值越大,说明当前运动越混乱,发生异常行为的可能性越大。实验结果表明,所提算法可以有效地检测指定监控区域内的人体异常行为,检测率可达到92.33%,该方法简单实用,为监控视频的智能分析提供技术支持。

基于PWC-Net的多层权值和轻量化改进光流估计算法

针对现有光流估计方法实时性不够的问题,提出轻量化的深度可分离卷积的PWC-Net改进模型(depth separable pyramid,warping and cost volume,DS-PWC)。其改进是将常规二维卷积网络层解耦为深度可分离卷积层,并且DS-PWC在金字塔层增加基于层数的权重系数,从而使得网络结构在不损失精度的情况下大幅减少模型参数量。在训练过程中,使用图像及对象感知数据随机擦除(image and object-aware random erasing,I+ORE)等数据增强技术,进一步提升估计预测结果泛化能力。实验结果表明,在数据集测试DS-PWC模型,在保持质量的同时运行效率达到约58 fps(frame per second)。同时为了验证算法有效性,进行了模型结构和数据增强的消融实验。结果证明了DS-PWC模型的有效性。

基于RAFT的高速公路夜间交通事件检测

高速公路夜间交通事件检测对于提高救援效率、避免二次事故的发生至关重要。我国大部分高速公路都建成了完整的高速公路视频监控系统,但在夜间,高速公路交通事件检测仍采用人工检测,效率较低。通过分析高速公路夜间交通事件检测策略,文章基于RAFT深层网络,以夜间车辆光流形成的密集光流为检测对象,提出了夜间高速公路车辆检测深度学习网络,采用DeepSort算法对检测目标进行速度跟踪测量。利用实测数据对YOLOv5和研究提出的方法进行了比较,结果表明所提方法具有检测精度高、检测速度快等优点。

一种基于鲁棒背景运动估计的电子稳像算法

当场景中存在较大范围运动前景时,通常的电子稳像算法较难鲁棒地提取背景的全局运动。针对这种情况,提出了利用前景运动掩膜和对极几何关系抑制错误的全局运动估计,进而达到稳像的目的。首先,估计相邻帧间可视化密集光流图;将该光流图用颜色直方图统计各颜色比重,进而分割出运动前景并制作掩膜;利用掩膜删除掉分布在前景上的光流保留背景光流;之后进一步去除外点,利用剩余的光流进行全局运动估计;最后,采用卡尔曼滤波完成运动补偿。三组不同环境的实验结果均表明,该算法能够有效抑制运动前景对稳像结果的干扰,稳像前后图像的PSNR值提高了近36%,稳像效果明显。

面向航拍图像多运动目标的实时检测与识别

为了实现无人机(UAV)航拍图像中多运动目标的实时检测与识别,将静止目标和运动目标分别定义为背景和前景,利用图像稳化技术将航拍图像序列中的每帧与相邻帧对齐,克服UAV飞行动作对摄像机转动拍摄图像的影响;选取图像中的行人和车辆作为前景,分别使用哈尔(Haar-like)特征和级联分类器对图像中的目标进行检测和识别;利用密集光流计算两幅连续图像的运动矢量,从而区分静止目标(背景)和运动目标(前景),最终图像结果仅保留运动目标所在区域;将文章方法用于DroneVehicl航拍数据集实验,每秒平均帧数达到47.08 fps,检测精度为94%,并且表现出较高的召回率和F统计量,可达到实时检测与识别效果。