视频监控中的人群异常行为检测与定位

人群中的异常行为是一大潜在威胁,自动检测监控中的异常行为成为近年的研究热点之一。然而,由于异常的未知性与复杂性,已有的检测方法仍然存在检测率低、定位精度差的问题。为此,提出了对视频监控中的人群异常行为自动检测与定位的方法。结合灰度值与光流场的分布提取运动区域;对运动区域分割得到有效的运动块,从中提取表示外观和动态的两种特征,即局部H梯度方向直方图G和局部H光流方向直方图F特征;使用kmeans方法对运动块进行聚类,对每类样本使用一类分类器进行建模。最后,加入运动连续性约束,以抑制干扰噪声。在两个复杂的异常行为数据集上的实验结果表明,本文方法明显优于已有的检测方法,且可以满足正确率高、抗干扰能力强等实际工程需求。     

改进的YOLO V3算法及其在小目标检测中的应用

针对图像中小目标检测率低、虚警率高等问题,提出了一种YOLO V3的改进方法,并将其应用于小目标的检测。由于小目标所占的像素少、特征不明显,提出对原网络输出的8倍降采样特征图进行2倍上采样,将2倍上采样特征图与第2个残差块输出的特征图进行拼接,建立输出为4倍降采样的特征融合目标检测层。为了获取更多的小目标特征信息,在YOLO V3网络结构Darknet53的第2个残差块中增加2个残差单元。利用K-means聚类算法对目标候选框的个数和宽高比维度进行聚类分析。用改进的YOLO V3算法和原YOLO V3算法在VEDAI数据集上进行对比实验,结果表明改进后的YOLO V3算法能有效检测小目标,对小目标的召回率和检测的平均准确率均值都有明显的提升。     

相位一致性图像及其在目标跟踪中的应用(英文)

针对传统实时相关跟踪方法对照度变化敏感的问题,提出了一种基于相位一致性图像的相关跟踪方法.利用相位一致性函数值在[0,1]区间内且无量纲、对图像的亮度和对比度具有不变性等特点,首先对原始图像进行相位一致性检测,得到相位一致性图像,再利用MAD(Minimum Absolute Difference)等相关跟踪算法在相位一致性图像中对目标进行跟踪运算.对可见光和红外图像的实验表明,在图像的亮度和对比度发生剧烈变化的情况下,算法仍能保持对目标的稳定跟踪.该方法可用于解决传统实时相关跟踪方法普遍存在的因照度变化导致跟踪点漂移甚至跟踪失败的问题.