基于深度学习的多步骤道路遗留物检测方法

道路遗留物是指存在于道路上影响交通安全的非车辆障碍物,因其涵盖的物品种类和范围非常广,若使用普通的目标检测方法对数据量的要求过于庞大,难以在工程中得到实现。为了解决这些问题,论文提出了一种对遗留物的动态检测进行多步骤结合的方法。首先对于检测车采集到的道路遗留物图片进行图像分割,采用全卷积网络(Fully Convolutional Networks,FCN)训练道路信息分割模型,分割结果是待检测的道路上的所有道路信息,包括车辆、路面、行人和遗留物,然后采用RetinaNet算法或YOLO网络(You Only Look Once)训练得到检测模型,从而将车辆和行人的信息通过目标检测方法进行去除,此时图像中仅包含路面和遗留物,最后将图像进行网格分类,将网格划分为遗留物和路面两类,采用支持向量机(Support Vector Machine,SVM)训练得到路面-遗留物模型,最后将连通的遗留物网格合成遗留物的区域并标记在原图中。所提方法可有效解决遗留物的复杂性和背景变化等问题,并在不同的道路环境下保持了较高的可靠性和稳定性。

高斯混合模型与GhostNet结合的YOLO-G遗留物检测方法

遗留物检测作为视频监控的关键支撑技术之一,具有广泛的应用前景.针对现有方法存在无法较好地解决光影变化问题、深度学习遗留物检测方法中神经网络的参数量较多及准确度低等问题,提出基于YOLO-G的遗留物检测方法.首先结合高斯混合模型背景建模进行前景检测,根据移动区域与静止区域的分离距离与时间得到可疑静止区域,将判定为分离时刻的帧图像传入深层神经网络进行检测与识别;然后在网络模型中将幽灵网络中的幽灵模块应用于CSPDarknet53主干网络;最后引入压缩激励网络进一步提高特征提取能力.实验结果表明,所提方法的检测准确率比FCOS,SSD,RefineNet,YOLOv3,LRF和YOLOv4分别提高了34.22%,23.86%,16.64%,13.19%,8.16%和1.41%,网络参数量比YOLOv4减少了22.78%.

基于全方位计算机视觉的遗留物检测系统

针对目前在遗留物检测方面所存在的检测范围小、误检率过高和无法捕捉到遗留物放置者等问题,设计了一种基于全方位计算机视觉的遗留物检测系统;首先,采用全方位视觉传感器(Omni-Directional Vision Sensors,ODVS)来获得更大范围的全景视频检测区域;其次,利用一种基于两个不同更新率的改进的混合高斯分布模型的建模方法,获得两个背景模型,再通过当前帧与获得的两个背景模型进行差分运算得到当前帧的暂时静止对象;再次,根据时间指标和距离指标判定暂时静止对象是否属于遗留物;最后,将遗留物所处的空间展开成透视图来进行报警;实验结果表明,该系统能有效地检测全景范围内的遗留物,具有较高的检测精度和鲁棒性。

基于改进混合高斯建模和短时稳定度的遗留物检测算法

传统遗留物检测算法存在算法过于复杂和环境适应性差的局限。本文将改进的混合高斯建模方法应用于遗留物检测,利用背景匹配失败时生成的前景模型进行前景匹配并引入短时稳定度指标,在深入挖掘前景模型中包含的遗留物信息和像素点级目标状态信息的基础上对遗留物进行综合判断。文中详细分析了传统方法的性能局限并阐述了新方法中前景模型和短时稳定度的作用原理同时给出了具体的算法流程。多场景下的实验分析表明,增加对前景模型的考察使算法在保留传统方法优点的同时具备了良好的遗留物检测能力,而短时稳定度的引入则能够进一步降低传统方法中前景模型向背景模型转换的风险。对比实验结果中本文方法在表现出良好环境适应性的同时误检团块数明显低于其他方法,算法在复杂背景条件下达到了良好的检测性能。

基于改进YOLOv2网络的遗留物检测算法

为了提高在复杂环境下检测遗留物体的准确度和实时性,提出了一种基于改进YOLOv2网络的遗留物检测算法。该算法在YOLOv2网络结构基础上结合残差网络,将浅层和深层特征多次融合,在基本不增加原有模型计算量和时间的情况下,提高了监控画面中检测小体积遗留物体的性能;同时以YOLOv2目标检测为基础,排除驻留行人和动物等非物体目标的干扰,并对目标筛选得到的可疑目标跟踪计时,停留时间超过阈值的目标标记为遗留物。以PETS2006和i-LIDS作为数据集进行实验,结果表明:该算法在提高遗留物检测准确度的同时缩短了处理时间,对人流密集的复杂环境抗干扰能力强。

智能视频监控中的遗留物检测技术

对智能视频监控中的遗留物检测技术进行研究,提出一种能够自动检测视频监控环境中的遗留物并发出警报的检测方案,给出详细的检测算法分析。该方案基于动态阈值的背景差分算法和背景更新算法,提高系统对于复杂场景的适应性,能够准确地检测出复杂背景中的箱、包等遗留物,并能够提供关键帧,便于找到遗留物的失主。实验结果表明了该方案的有效性。

基于帧间差分和边缘差分的遗留物检测算法

遗留物检测是智能视频监控系统的核心功能,遗留物一般较小,所处环境复杂,传统的运动目标检测算法直接用于遗留物检测效果一般.提出了一种基于帧间差分与边缘差分的遗留物检测算法,首先进行帧间差分得到运动目标区域,然后将当前帧图像和前一帧的背景图像进行边缘差分运算得到运动目标的边缘,融合二次差分的结果即可得到运动目标的完整轮廓特征,最终通过判断运动目标在场景中的滞留时间是否达到或超过报警系统设置的阈值来标示遗留物,供智能视频监控系统处理.实验结果证明该算法实时性好且识别率较高.

基于Jetson Nano的遗留物检测人工智能嵌入式教学实践系统

针对传统嵌入式系统设计在教学方案中往往缺少人工智能方面的教学内容,未能很好地与当今社会科技发展相适应等问题,设计了一个基于Jetson Nano的遗留物检测人工智能嵌入式教学实践系统。以理论知识学习、嵌入式开发板环境搭建、YOLOv5网络训练、OpenCV图像处理、遗留物检测算法设计等多个教学模块进行层次递进式教学,让学生对课堂更有参与感,增强了学生课堂学习的积极性,培养了学生动手实践能力与团队协作精神。这种实践与理论相结合的方式取得了良好的教学改进效果。

一种基于双背景模型的遗留物检测方法

针对一般遗留物检测算法运算量大和难以适应遮挡情况的问题,提出了一种静止单摄像机条件下快速有效的遗留物检测算法。算法建立了两个基于累积均值更新法的背景模型,分别称之为纯背景模型和脏背景模型。通过两个背景的差别得到静止目标块,并对静止目标块进行跟踪,当静止目标停留超过设定的时间即判定其为遗留物并触发报警。由于算法避免了使用复杂度数学概率背景模型,大大减低了背景更新的计算复杂度,使算法能满足视频监控系统实时处理的要求。同时,算法在静止目标跟踪模块中增加了碰撞帧数计数使遮挡情况下的遗留物跟踪得到更好的效果。在PETS2006数据集提供的多个视频序列实验中,该算法显示了良好的性能。

全天候复杂光线条件下的遗留物检测方法

为提高全天候复杂光线条件下高清视频监控系统中遗留物检测的实时性、准确性和鲁棒性,提出全天候复杂光线条件下的遗留物实时检测方法。采用快速的混合高斯模型算法对视频图像进行背景建模,分别建立一个长周期背景模型和一个短周期背景模型,通过当前视频帧分别与两个背景模型差分运算,得到长周期前景和短周期前景;对长周期前景和短周期前景进行分析,检测标记出遗留物,进行报警。实验结果表明,该方法能有效检测出复杂光线条件下的遗留物,具有较高的实时性和准确性。

基于码本模型和压缩跟踪算法的遗留物检测

针对一般遗留物检测算法复杂度高和跟踪效果不理想的问题,提出了一种基于码本模型和压缩跟踪算法相结合的遗留物检测方法。首先通过码本模型建模和适时匹配背景更新算法来获取静止目标区域信息;然后利用稀疏测量矩阵对静止目标区域的多尺度特征进行降维,得到分类器的正负样本;最后用朴素贝叶斯分类器对提取的特征进行分类,当分类器响应最优时得到当前帧中跟踪到的目标位置,即使目标被部分遮挡,也能实现对遗留目标的准确跟踪。实验结果表明,该方法不仅简单高效、实时性好,而且可以消除由物体短暂停留而带来的干扰。

视频监控中遗留物检测算法研究

本文首先介绍了混合高斯模型的算法原理,并且提出一种利用递归法检测多个前景物体的方法,然后提出一种基于慢高斯的遗留物检测算法,该算法利用混合高斯模型进行背景建模,利用递归法对检测到的前景物体分别计时,当计时器达到阈值时进行标记并报警。

复杂环境下的遗留物检测算法

针对在复杂环境下检测遗留物体的问题,提出一种有效的算法。首先,采用局部更新的混合高斯模型与改进的三帧差分法分别得到前景,通过比较得到目标候选区域,并进一步采用阴影消除与连通域分析分割得到暂时静止物团块。其次对达到静止时间阈值的团块采用方向梯度直方图(HOG)行人检测,在排除驻留行人的可能后将其标记为遗留物。最后对检测出的遗留物进行加速分割检测特征(FAST)局部特征匹配,以克服行人遮挡、光线变化对结果的影响。实验结果表明,本算法具有较高的准确性和处理速度,能较好地克服复杂环境中存在的干扰影响。

改进双背景模型的遗留物检测算法研究

为了快速准确地对视频序列中的遗留物体进行监控,对传统的双背景遗留物检测方法进行了对比改进,提出改进后的快慢混合高斯背景模型算法,对运动区域进行检测。利用改进后的Camshift的跟踪算法对运动目标进行跟踪并且基于图像信息熵的概念对运动目标进行提取。实验结果表明,该算法能够准确检测出场景中的遗留物体,有效提取运动目标并显示遗留物主,具有较强的鲁棒性。

视频监控中的操作台遗留物检测技术

提出一种能够在视频监控系统中检测操作台遗留物的检测方法,并在实际的安防系统中应用本算法。首先通过混合高斯建模(GMM)算法检测出前景目标,然后使用形态学滤波方法对前景目标进行筛选,最后判断前景目标是否为遗留物。经过实验验证,使用本算法的遗留物检测系统,具有较高的检测正确率,并且本系统对复杂环境具有较好的适应性,实验验证本文算法的可行性和有效性。

基于人体识别与跟踪的遗留物检测

提出一种遗留物检测方法。通过中值滤波重建背景,然后运用背景差法检测运动对象,在检测到运动对象后,利用矩形拟合进行人体识别,在人体识别的基础上,通过人体跟踪进行遗留物的检测。

监控场景中遗留物检测与报警系统开发

作为智能监控系统的一部分,遗留物检测系统的主要作用是检测监控场景中有意或者无意遗留下来的行李、包裹、车辆等目标,并在检测出可疑遗留目标后发出警报,同时在视频中对遗留物进行标注。利用双背景建模方法检测遗留物掩膜,结合Camshift算法对疑似遗留物进行跟踪。在跟踪过程中,引入与搜索窗匹配的延迟因子方法避免遗留物的遮挡问题,成功实现并验证了该方法对于遗留物检测及报警的有效性。在此基础上,利用EmguCV开源计算机视觉库及Visual Studio2015和.NET框架,基于C#开发语言成功完成了视频中遗留物检测与报警系统的设计与实现。

地铁列车清客遗留检测系统应用研究

检查车厢是否清空是地铁运营的重要环节,自动化该流程可提高检查车厢的速度,保证地铁的运营效率。遗留物检测作为自动化清客系统的一个模块,主要负责检测场景中的遗留行李、箱包或其他未知类别物品,并将遗留物的位置标记在画面中。文章提出一种新的背景更新策略获得空车背景图像,用变化检测模型对比空车和清客时的背景,再由显著性检测模型进行二次确认,最终输出遗留物的区域和类别。该清客遗留检测系统可迅速定位车厢主要位置的遗留物品和人员,节约人力的同时提高地铁运营效率。

公共安全智能监控平台关键技术

为构建安全可靠的公共安全智能监控平台,从认证、跟踪、识别3个方面对其进行研究。应用人脸活体检测、指静脉识别、长期行人跟踪、人体行为分析、遗留物检测等方法,并采用分布式系统架构构建公共安全智能监控平台。应用结果表明:该应用能提升公共场所背景下身份认证,智能视频监控目标跟踪与行为分析,遗留物检测的鲁棒性、准确性和实时性。

商业写字楼视频监控系统中视频分析技术的应用及摄像机安装区域的选择

本文就视频监控系统架构中视频采集部分的特点并结合商业写字楼自身的监控特点,对商业写字楼的视频监控应用技术,例如:移动侦测技术、视频人流统计技术、人员聚集度检测技术、人脸识别技术等进行分析,并将这些技术运用到商业写字楼的实际监控安装场景中去,这些结合了商业写字楼监控特点的技术应用,起到了节约视频监控成本,提高视频监控效率;为商业写字楼入住企业及人员提供更人性化的服务,从而提升了写字楼的档次和知名度,使商业写字楼的运营者们获得更高的收益。