非重叠监控视频中基于颜色空间分布模型的行人匹配方法

针对非重叠视域监控系统中行人目标关联问题,提出了一种基于颜色空间分布模型的行人目标匹配方法。使用最邻近聚类方法对目标的像素进行聚类,得到目标的MC特征;建立目标的颜色空间分布模型,并进行特征转换;在建立的分布模型的基础上,计算目标相似度并进行匹配。实验结果表明,该算法能有效地去除目标检测与分割产生的边缘背景像素的影响,在对相同目标保持较高匹配率的情况下,能较好地处理由于目标颜色分布差异而造成的误匹配情况,同时对于摄像机视角的差异以及目标姿态的变化有较好的鲁棒性。

基于分块特征组合的视域盲区行人匹配

各相机间通常存在监控视域以外的非重叠区域,即相机视域盲区,它的存在对多相机多行人匹配带来了挑战性工作。提出了一种基于分块特征组合的多摄像机视域盲区行人匹配的方法。在单摄像机视域中首先通过HOG特征训练而成的判别训练部件模型对行人进行检测,在其Hue分量上分别提取COLOR、SIFT和LBP分块特征,从而通过实验找出最佳组合特征实现行人的匹配。提出的最佳组合特征和已有文献中的匹配方法进行比较,结果表明匹配速率有很大的提高。

多摄像机协同行人灰度图像匹配方法

为解决多摄像机协同行人关联问题,提出一种改进的灰度图像直方图匹配算法。利用K-means聚类算法对行人灰度信息进行聚类,获得更准确的主灰度信息;构造一个行人人体模型,将空间信息引入到主要灰度直方图中,对行人各个部分进行加权匹配,在整体和局部保证行人的一致性。实验结果表明,该方法能排除非期望的匹配干扰,其匹配度高于传统方法,减少了具有相似灰度信息的不同行人错误匹配,对行人轻微姿态变化有较好鲁棒性。

基于最大权重独立集的行人检测研究

行人检测是一种基于目标几何和统计特征的目标检测技术,通常包括目标区域的分割和检测,目标检测的准确性和实时性是其重要的评价指标。本文采用可变模板技术进行行人检测,并利用最大权重独立集算法处理帧间的行人匹配。测试结果表明,基于最大权重独立集算法的行人检测能够完成实时的行人检测。

深度学习及时空约束的行人跟踪算法研究

由于以往的行人跟踪方法大部分不能有效地解决目标被遮挡后以及目标尺寸变化再跟踪的问题,所以引入了深度学习的方法,但是经实验发现单纯使用深度学习行人跟踪会因行人检测部分的误差而出现整体的跟踪准确率不高的问题。提出了一种基于深度学习和时空约束后处理的行人跟踪方法,深度学习的行人检测部分采用了根据实际应用场景优化过的SSD算法,行人匹配部分采用了一种计算交叉输入领域差异然后进行块总结的方法,最后进行时空约束的后处理。在OTB数据集上做实验,与传统跟踪算法以及单纯深度学习算法进行了对比。