基于Adaboost和码本模型的手扶电梯出入口视频监控方法

发布时间：2018-08-16 07:48

【摘要】：针对传统视频监控方法无法对密集前景目标进行准确分割的问题,提出一种基于Adaboost和码本模型的多目标视频监控方法。首先,通过训练得到Adaboost人头分类器,利用码本算法为垂直拍摄的手扶电梯出入口图像建立背景模型,提取前景图像对其进行人头检测和跟踪;之后,剔除行人目标得到物件目标,对物件目标进行跟踪;最后,根据行人和物件的运动特征进行监控。对12段出入口视频序列的实验结果表明,监控方法能够准确稳定地跟踪行人和物件,完成逆行检测、客流统计、行人拥堵和物件滞留等监控任务,处理速度达到36帧/秒,目标跟踪准确率达到94%以上,行为监控准确率达到95.8%,满足智能视频监控系统鲁棒性、实时性和准确性的要求。
[Abstract]:Aiming at the problem that the traditional video surveillance method can not segment the dense foreground target accurately, a multi-target video surveillance method based on Adaboost and codebook model is proposed. Firstly, the Adaboost head classifier is trained, and the background model is established by the codebook algorithm to extract the foreground image to detect and track the human head. The object is obtained by eliminating the pedestrian target, and the object is tracked. Finally, the object is monitored according to the movement characteristics of the pedestrian and the object. The experimental results of 12 video sequences show that the method can track people and objects accurately and stably, complete the tasks of retrograde detection, passenger flow statistics, pedestrian congestion and object retention, and the processing speed is up to 36 frames per second. The accuracy of target tracking is over 94%, and the accuracy of behavior monitoring is 95.8%, which meets the requirements of robustness, real-time and accuracy of intelligent video surveillance system.
【作者单位】： 华南理工大学自动化科学与工程学院;
【基金】：广州市产学研项目(201604010114) 广东省前沿与关键技术创新专项资金资助项目(2016B090912001) 广州市科信局国际合作项目(2012J5100001)~~
【分类号】：TN948.6;TP391.41

【相似文献】

相关期刊论文 前10条

1 林志阳;康耀红;雷景生;;基于Adaboost的车标定位方法[J];计算机工程;2008年11期

2 张磊;;基于AdaBoost的侧面人脸、人耳检测[J];科学大众;2008年08期

3 付忠良;;关于AdaBoost有效性的分析[J];计算机研究与发展;2008年10期

4 张岗亭;杨全;;两种Adaboost方法在人脸检测中的比较研究[J];微计算机信息;2009年24期

5 严超;王元庆;李久雪;张兆扬;;AdaBoost分类问题的理论推导[J];东南大学学报(自然科学版);2011年04期

6 李印;;基于AdaBoost的行人检测研究与实现[J];数字技术与应用;2012年03期

7 苏加强;丁柳云;;基于R的监督式AdaBoost异常值检测应用[J];淮海工学院学报(自然科学版);2013年01期

8 张志勋;张磊;杨凡;;一种改进的Adaboost人脸检测方法[J];自动化与仪器仪表;2013年06期

9 王海川,张立明;一种新的Adaboost快速训练算法[J];复旦学报(自然科学版);2004年01期

10 赵江,徐鲁安;基于AdaBoost算法的目标检测[J];计算机工程;2004年04期

相关会议论文 前10条

1 Wen Feng;;A Novel Lips Detection Method Combined Adaboost Algorithm and Camshift Algorithm[A];2012年计算机应用与系统建模国际会议论文集[C];2012年

2 张超;苗振江;;基于AdaBoost的面部信息感知[A];第十三届全国信号处理学术年会（CCSP-2007）论文集[C];2007年

3 郭翌;汪源源;;基于Adaboost算法的颈动脉粥样硬化判别方法[A];中国仪器仪表学会第十一届青年学术会议论文集[C];2009年

4 张红梅;高海华;王行愚;;抑制样本噪声的AdaBoost算法及其在入侵检测中的应用[A];2007年中国智能自动化会议论文集[C];2007年

5 陆文聪;钮冰;金雨欢;;基于AdaBoost算法的亚细胞位置预测[A];中国化学会第26届学术年会化学信息学与化学计量学分会场论文集[C];2008年

6 陈宏伟;刘建伟;费向东;;一种半监督环境下的Adaboost算法[A];2008'中国信息技术与应用学术论坛论文集（二）[C];2008年

7 唐晓丹;苗振江;;基于AdaBoost和粒子滤波的目标跟踪[A];第十四届全国图象图形学学术会议论文集[C];2008年

8 张彬;金连文;;基于AdaBoost的手写体汉字相似字符识别[A];第二十六届中国控制会议论文集[C];2007年

9 ;Using Skin Color and HAD-AdaBoost Algorithm for Face Detection in Color Images[A];Information Technology and Computer Science—Proceedings of 2012 National Conference on Information Technology and Computer Science[C];2012年

10 肖磊;李丽;肖佳文;;基于AdaBoost-SVM的上市公司信用风险评估[A];2012管理创新、智能科技与经济发展研讨会论文集[C];2012年

相关博士学位论文 前4条

1 佟旭;基于复杂网络理论的糖尿病肾病辨证建模研究[D];北京中医药大学;2016年

2 刘冲;模拟电路故障诊断AdaBoost集成学习方法研究[D];大连海事大学;2011年

3 张太宁;人眼注视点估计方法的研究[D];南开大学;2013年

4 赵培英;基于智能计算的膜蛋白结构与相互作用预测研究[D];东华大学;2010年

相关硕士学位论文 前10条

1 皮丽琴;基于AdaBoost-GASVM算法和LDA主题模型的短文本分类研究[D];华南理工大学;2015年

2 孙斌;一种基于Adaboost的实时行人检测算法[D];华南理工大学;2015年

3 蔡泽彬;基于视频分析的行人检测及统计方法研究[D];华南理工大学;2015年

4 游晴;Adaboost人脸检测算法研究及其在硬件平台上的实现[D];昆明理工大学;2015年

5 宋雨;基于视觉图片的脑—机接口控制研究[D];天津理工大学;2015年

6 林欣;基于改进肤色模型的AdaBoost人脸检测算法研究[D];陕西科技大学;2015年

7 袁浩杰;Adaboost算法的并行化及其在目标分类中的应用[D];华南理工大学;2015年

8 张恒;基于近红外图像的疲劳驾驶检测研究与系统实现[D];长安大学;2015年

9 朱非易;基于不平衡学习的蛋白质—维生素绑定位点预测研究[D];南京理工大学;2015年

10 张元;一种基于AdaBoost的组合分类算法研究[D];四川师范大学;2015年

，

本文编号：2185358