基于改进稠密网络的视频监控人脸识别算法研究

为了提升视频监控中的人脸识别能力,研究利用运动历史图像算法来实现人体跟踪,提出了一种改进稠密网络。在结果中显示,研究采用的人体跟踪算法的跟踪准确率高达99.5%,同时提出的识别算法的识别准确率能够稳定在99.7%以上,且能够针对不同表情特征的人脸表现出较高的识别准确率。以上结果表明,改进稠密网络能够有效提升视频监控人脸识别能力,对城市监控的智能化发展具有重要意义。

周界视频监控中抛物检测算法

抛物(如手雷与炸弹等)一般是快速运动的小目标,信噪比极低,通常的目标检测算法失效.针对周界视频监控的特殊应用需求,提出抛物检测与识别算法.首先使用相隔8帧做差法,检测每帧图像中的抛物目标;然后利用改进型Hough变换从运动能量图像中提取目标轨迹的形状特征,通过分析运动历史图像的时间标签,获取目标的运动特征;最后使用树形分类器识别抛物.该算法避免了"先跟踪后识别"算法中的目标匹配过程,极大减少了计算量,而且在噪声环境中,具有很强的鲁棒性.实验结果表明,对于CIF格式的视频,在60 m范围内对包括网球在内的抛物,该算法检测率超过92%.

基于全方位视觉的独居老人监护系统

现有的独居老人监护系统存在算法复杂度高、监护效率低、不能保护老人日常隐私等问题。为此,提出一种基于全方位视觉的独居老人监护系统。利用全方位视觉传感器(ODVS)获取老人的全景视频图像,设计运动历史/能量图像算法用于目标跟踪,根据ODVS的成像特点,采用与ODVS距离位置不同的人体模型实现姿态识别,建立家庭空间与环境要素之间的映射关联,以提高行为检测的鲁棒性和可靠性,并通过ODVS标定和人体对象跟踪获得老人的活动量信息。实验结果表明,该系统的鲁棒性和实时性较强,检测准确率较高,能满足独居老人监护的需要。

基于全方位视觉的多目标跟踪技术

为了快速准确地检测并跟踪多目标对象,提出了一种基于全方位视觉的多目标对象跟踪方法.首先采用全方位视觉传感器(ODVS)实时地采集现场360°全景视频图像;接着融合运动历史图像算法(MHI)和运动能量算法(MEI)实现了快速高效的MHoEI(Motion History or Energy Images)自动跟踪算法,对多目标对象进行检测和跟踪;最后,本文采用面向对象技术融合目标对象进行匹配跟踪实验结果表明本文提出的方法能较好地跟踪多目标对象,具有鲁棒性高、运算量小、便于硬件实现、高效等优点.

基于全方位视觉的自动门安全和节能检测技术

针对自动门运行过程中的效率及安全问题,提出了一种基于全方位视觉传感器(ODVS)的自动门安全和节能智能检测技术。首先,采用ODVS采集自动门周边的360°全景图,并对全景图像按检测要求进行预处理;接着,采用一种运动历史/能量图像(MHoEI)算法来检测和跟踪运动目标前景对象;然后,根据前景对象的运动方向和空间位置等信息来分析行人的行为;最后,根据行人的行为和状态来控制自动门的开启和关闭,以达到自动门安全性、节能性和舒适性的控制目标。实验结果表明,该检测方法能有效地识别自动门周围的行人行为,有助于避免各种自动门安全隐患发生,同时能高精度统计出进出自动门的人流量。

一种基于信息融合与运动域分割的手势运动方向识别方法

手势识别中,除手的分割是个难题外,在视频流中,手势有效动作起止帧的判定也是一个急待解决的问题。将图像的肤色与运动信息结合,分割出手,建立手势运动的历史图(Motion History Image,MHI),提出了一种MHI与改进的运动能量图(Improved Motion Energy Image,IMEI)结合的机制,判定有效手势运动的起止帧,最后建立有效手势运动的MHI;同时提出改进图像梯度向量算法用于手势运动方向(上,下,左,右)识别。实验表明,对于有效手势运动起止帧的正确判断率一般可达90%以上,有效手势识别率达96%以上,手势交互自然顺畅。

一种融合全局时空特征的CNNs动作识别方法

针对基于卷积神经网络(CNNs)的人体动作识别方法通常采用空域或时域局部特征的不足,提出一种融合人体动作全局时域和空间特征的双通道CNNs动作识别模型.空间通道对动作图像进行深度学习,采用多帧融合的方式提升准确率,全局时域通道对能量运动历史图(EMHI)进行深度学习,最后融合两个通道信息识别人体动作.利用现有的大型数据集进行预训练,以解决学习过程中训练样本不足问题.在UCF101数据集和该项目小样本数据集上进行实验,结果证明了该方法的有效性.