视觉自适应行人计数

基于视觉的行人计数技术因其广阔的应用前景逐步成为智能视觉监控领域的一个研究热点。本文提出了一种基于虚拟门上前景像素点个数的行人计数方法。该方法分为学习和计数两个过程。在学习过程中,本方法采用基于行人检测的方法获取场景中的若干行人模型,并利用线性拟合为虚拟门上的点赋予权重。在计数过程中,本方法在考虑虚拟门上前景像素的权重、运动矢量的大小和方向等信息的基础上,逐帧统计虚拟门上前景点个数,通过特定时间内累计的前景点数量来确定通过虚拟门的行人数量。实验表明,该方法能够在保证计数精度的前提下,有较好的实时性能。

基于头部特征的行人计数系统

针对室内摄像头垂直布控的场景,建立了一种基于人体头部特征的行人计数系统.系统采用轮廓、颜色信息建立用于目标检测的人头模型,综合模板匹配、状态预测等方法跟踪目标,记录运动轨迹,通过对目标运动轨迹的分析实现行人计数.实验结果表明:系统可对进入或者离开场景的行人数目进行双向统计,满足实时性要求,平均正确率达95%以上.

采用STLK算法的高密度人群行人计数

传统的行人计数方法对人群密度较高的场景适应性较差,而高密度下的人群行人计数有其重要的社会意义和市场价值,行人计数的结果对社会治安问题能起到很好的预警效果。为了提高对高密度人流的计数精确度,首先采用了Shi-Tomasi角点检测法来识别出视频中的特征点,然后借由Lucas-Kanade光流法以目标区域的光流方向作为角点的运动方向,再通过多个特征点的运动状态在短时间内相似的特性消除趋同的角点,从而获得人数。最后通过Python平台和opencv库设计一个演示环境,实现对高密度人流的识别,算法的计数精确度达到89.77%,具有较好的识别效果.

使用单目摄像头的实时行人计数算法

为解决智能视频监控系统通道入口处的行人计数问题,设计在高斯背景建模下的行人检测计数算法。在该算法中,摄像头垂直放置在入口处的门顶上。为了降低计算复杂度,提高计算精度,设置一个感兴趣的检测区域,在该区域中通过对行人的检测及跟踪进行计数,并采用队列模型处理以提高检测效果。实验结果表明,该算法可以有效地对入口行人进行检测计数。

基于HOG的快速行人计数算法

为解决智能监控中空间受限情景下的行人计数问题,设计了基于HOG的行人识别与计数算法.通过限制HOG目标检测算法中图像的缩放范围,并设置感兴趣的检测区域,相比直接应用OpenCV函数实现的目标检测,其时间效率大幅提升;采用基于单计数线算法完成双向流量统计.三个不同走廊环境的实验表明,本文算法具有不依赖帧间运动信息的特点,可快速稳定的对空间受限情景下的行人进行计数.

基于行人计数算法的改进研究

视频监控中的行人计数是人体目标检测的重要应用,针对该应用对实时性的要求,提出了将混合高斯背景模型和HOG(histograms of oriented gradients)特征结合的方法。该方法首先通过混合高斯背景方法检测出视频中的运动前景,再用HOG+SVM对提取的感兴趣区域内的行人进行计数,大大降低了计算量,提高了HOG算法的实时性。经试验证明,改进的算法可以将行人计数的准确度提高到95%左右。

基于金字塔光流聚类的行人计数

在重要事件现场,建筑物内和人行街道等很多场合进行自动行人统计的需求是越来越大了,现有的行人计数系统对于行人发生频繁遮挡时计数的精确性会降低很多,在本文中将会介绍一种金字塔光流聚类法来提高在视频帧中行人相互遮挡时的计数精度。本文用几组视频序列来评估聚类光流法的计算精度,重点研究光流聚类的某些参数对计数精度的影响。研究表明聚类光流法比没有用到聚类的方法提高了25﹪的精确度,我们同样也阐释了使用小于1°的聚类角度阈值也能增强行人数目统计的精度。

视频监控中的行人检测与计数

采用简化的混合高斯模型提取背景并保持更新,利用背景差法提取前景目标实现行人的检测。根据运动目标在相邻两帧之间的运动不会发生突变这一事实,采用Kalman滤波器进行预测估计,提出一种简单快速的方法对行人进行跟踪匹配。在跟踪的基础上,设置了两条检测线统计过往的行人数目。经过实验证明,我们设计的系统能够满足实时要求。

视频中行人快速检测计数方法研究

为了解决智能监控中对行人在实时帧中检测并计数的问题,提出一种快速高效的检测计数方法。采用高斯背景建模和边缘检测获取运动区域及其轮廓信息,形成检测区域;同时根据头部和肩部的组合形态构建行人检测模版,最后对检测区域进行模版匹配,统计行人数目。实验结果表明,该方法快速高效,有较高的正确率和较低的统计误差,同时对行人遮挡有一定的区分能力,对阴影也有较强的抗干扰能力。

基于背景建模和帧间差分法的高点监控行人检测

高点行人检测是在火车站广场最高处或者大型广场的制高点安装摄像头,不同于传统监控的5～10 m的监控高度。采用安装高度超过30 m的摄像头,实现实时统计指定区域的人数。由于摄像头位置高,覆盖面广,可以做到大面积布控。但是随之而来的问题就是场景中行人占得像素很少,这就为统计人数带来很大的困难。针对高点监控应用场景,提出了基于背景建模和帧间差分法相结合的高点行人检测。实验结果表明,该算法比单独使用背景建模或者帧间差分法检测效果有所提高,同时降低了误检率。

基于Android平台的行人检测系统

随着Android系统在智能手机、平板电脑等各种移动终端的广泛应用,Android成为具有广阔发展前景的开放性移动平台。由于Android智能手机和平板电脑的便携性,将运用OpenCV开发的行人检测系统移植到Android平台上,将改变传统的视频处理方式,使其更具灵活性、移动性,同时扩展了Android平台的应用领域。采用了基于高斯模型的背景差分法来提取前景,在跟踪部分运用了卡尔曼滤波来预测运动目标的搜索区域,根据几何校正后的前景面积来进行行人计数。系统在Android移动终端上测试,取得了较好的效果。

行人动态实时监测系统的设计与实现

针对视频场景中行人动态信息监测的需求,设计实现了一种行人动态实时监测系统。首先,通过YOLOv3检测算法对场景中行人进行目标检测,在此基础上结合改进的KCF实现多行人目标的跟踪并获取对应下底边中心点。之后结合场景标定结果完成行人图像与三维空间位置监测、场景行人计数和行人行走速度等动态信息监测。通过实验表明,该系统不仅能够较好地完成视频场景下行人目标检测与跟踪,也能够精准完成以上信息动态实时监测的任务,为实际理论研究与工程应用奠定重要基础。

视频图像理解在客流统计中的应用

视频图像理解侧重于对时间序列进行分析,既涉及到图像的空间特性,也涉及到视频序列的时间特性,是目前计算机视觉领域的一个研究热点,而客流统计是视频图像理解的一个重要应用。提出了视频图像理解的层次结构,即视频图像分割、目标识别、场景和行为理解,同时对每个层次的操作对象、任务和技术领域进行描述,然后总结了客流统计方法的一些研究成果,将客流统计分成行人计数和人群密度估计两种问题,并利用该层次结构解决这个实际应用。

城市轨道交通车站拥挤踩踏预警技术探讨

为预防城市轨道交通车站拥挤踩踏事故,保障乘客人身和财产安全,有必要实行拥挤踩踏预警,但目前相关研究较为匮乏。在综合分析地铁客流预警、拥挤踩踏事故风险评估和客流状态检测(主要是视频行人检测、跟踪和计数)研究现状的基础上,对城市轨道交通车站拥挤踩踏预警体系进行了探讨。建立了基于视频检测的城市轨道交通车站拥挤踩踏预警框架。明确了预警的技术流程和主要方法,包括基于视频检测的客流信息提取、客流信息分析与短时预测、拥挤踩踏风险评估、拥挤踩踏预警决策与措施制订等。最后,提出了城市轨道交通车站拥挤踩踏预警面临的挑战和研究建议。

地铁站域地下商业空间活力影响因素及活力提升策略研究

研究采用空间句法结合实地调研定量分析了人民广场地铁站地下商业空间的可达性、可视性、功能混合程度、业态组成和出入口分布等变量因素,利用行人计数法获取选定节点的现场人流截面穿行量,再通过建立多元线性回归模型探讨各变量与空间活力之间的相关性。结果表明,地铁站域地下商业空间活力分布受空间结构合理性、轨道交通功能介入、空间功能混合程度、出入口布局等多重因素综合影响。最后针对地下商业空间的活力营造提出优化策略。

地铁站出入口客流分布及其影响因素分析

以上海人民广场地铁站为例,通过分析其出入口空间环境特征及群体交通行为,探究影响出入口客流分布的相关变量因素,为地铁站出入口的合理规划布局提供一定依据。首先,采用空间句法、兴趣点(POI)数据分析法结合传统实地调研分别定量分析人民广场地铁站18个出入口的外部空间特征(地面街道集成度、穿行度和POI分布现状)以及内部空间特征(地下空间出入口的集成度、穿行度和便捷度);同时利用行人计数法获取各出入口在特定时间内的现场人流截面穿行量;最后通过建立多元线性回归模型探讨各变量与出入口客流分布之间的相关性。结果表明,地铁站出入口客流分布主要受地铁站外部空间特征影响,并与出入口所在街道可达性和区域功能混合程度有较大关联。

基于卷积神经网络的稀疏目标场景下智能视频人数统计方法

行人检测是智能交通视频分析的基础技术之一,也是计算机视觉中的关键技术。本文基于卷积神经网络的Faster R-CNN框架,采用多层网络构建深度卷积神经网络,实现复杂环境下的行人检测。基于深度学习的目标检测算法从海量数据中自动学习特征,此外,还采用了基于opencv的高斯前景检测方法,将其与深度神经网络检测方法融合,从而整合了运动信息与静态检测的结果,降低了漏检率,提高了检测准确度,相比传统的目标检测算法有更好的检测效果。最后,本文给出了稀疏人群场景下的行人人数评估方法,以减少当前帧视频人数检测的误检率,提高检测精度。

Comparison between Google Earth KML Data and RTK Data on a Flight Planning Simulated to the Unmanned Aerial Vehicle Microdrone MD4-1000

The UAVs （unmanned aerial vehicles） and the use of graphical data files of extension KML （keyhole markup language） have become popular nowadays. The KML files are associated to the Google Earth applications. Developed by Microdrone company for planning, overflight simulation and data flight analysis, the program mdCockpit was used in this experiment. The UAV Microdrone＇s flight path was programmed in two ways： using geo referenced images from Google Earth and entering points coordinates into the program. These points have had their geographical decimal coordinates collected by GPS （global positioning system） （RTK （real time kinematic）） method. The aim here is to describe a way of evaluating the difference between the alternatives of flight planning. A flight path, defined a route with 22 points, was also simulated in the program mdCockpit. The points were collected and saved, while the images captured by the program went automatically forming a georeferenced mosaic. A comparison between the differences of coordinates to each point was made by choosing on the images and also by a RTK positioning. The result was up to 14.20 m to a 100 m flight height. There is a significant change of position and this can result in unwanted over flights in locations or even jeopardizing the safety of air activity.