基于监控视频的室内人员空岗检测算法
发布时间：2021-01-18 23:28
随着生活水平的不断提高,人们的安防意识也不断增强。对于消防控制室、值班室、边防哨所等特殊场所,如果出现人员空岗行为,很可能会给人们的生命财产安全带来巨大损失,空岗检测意义重大。早期的空岗检测大多采取人工监督的方式,后来,随着大量摄像头的广泛架设,很多地方开始采用分配专人审看监控视频的方式,这些传统检测方法人力成本过高,而且长期关注显示屏容易使人错过关键视频片段,检测效果并不可靠。随着计算机视觉技术的不断发展,基于智能视频监控的空岗检测方法被提了出来,其关键在于实现室内人体目标的有效检测,进而分析其在岗状态变化,判定是否发生了空岗行为,消除安全隐患。现有的大部分人体目标检测方法都是针对室外处于直立状态的远视野行人,但对于监控条件下的近视野室内人体目标,摄像头的安装位置固定,人体目标常常呈现多视角、多变形、存在一定程度的遮挡等,给检测任务带来了困难与挑战。针对以上情形,本文提出了一种基于监控视频的室内人员检测算法网络模型,主要包括图像预处理部分和主体检测网络部分。图像预处理部分是指结合了多视角模型的区域建议网络,借鉴了两阶段目标检测网络模型Faster R-CNN中RPN的设计,充分考虑了...
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
HOG特征方向分布示意图
第2章人体目标检测中关键技术研究9图2-3几种不同类型的积分通道特征在这10个计算得到的特征通道内随机选择矩形区域，计算其内部所有像素值的和，随机选取如30000个矩形区域组成积分通道特征池。灰度图像中，像素点(x,y)的梯度幅值大小和方向分别为：()()()()()22Gx,y=Hx+1,yHx1,y+Hx,y+1Hx,y1(2-7)()()()()(),1,1,arctan1,1,HxyHxyxyHxyHxy+=+(2-8)其中，H(x,y)是像素点(x,y)的像素值。梯度直方图是一个加权直方图，其维数bin索引计算梯度方向，权值则计算梯度的幅值。梯度直方图通道计算公式为：Q(x,y)G(x,y)L(x,y)==(2-9)上式中，对于一幅图像，位于坐标(x,y)位置像素的梯度幅值用G(x,y)表示，而量化的梯度方向则用Q(x,y)表示，L是一个指示函数，θ为梯度方向的量化范围，本文选用6个方向的梯度直方图通道，θ取值范围分别为0-30度、30-60度、60-90度、90-120度、120-150度、150-180度。类似于上述提到的HOG特征，ICF里梯度直方图特征对分类贡献最大，ICF特征在行人检测方面具有不错的性能，主要体现在：从不同角度集成了各种特征信息；空间定位准确性更高；具有较少的参数设置；跟级联分类器结合后，检测更快。继ICF特征之后，又出现了很多对该积分通道特征进行改进的变体形式特征，比如ACF特征[28]、SquaresChnFtrs特征[29]等。2.1.3人体目标分类决策提取到目标特征后需要进行目标的分类判别。大体来讲，分类判别首先从HOG特征+支持向量机SVM(SupportVectorMachine)框架[23]中的支持向量机SVM开始，采用线性与非线性核函数，如线性SVM、直方图交叉核SVM、latentSVM、多核SVM、结构化SVM等[36]；第二阶段则是一些统计概率方法，比如基于提升思想的Adaboost(AdaptiveBoosting)方法[37]、用于提速的级联Ad
DPM算法的处理步骤：首先将原始输入图像和训练好的根滤波器rootfilter进行卷积得到其DPM特征响应图；然后对原始图像进行高斯金字塔2倍上采样，将其与训练好的部件滤波器做卷积得到该部件的DPM响应特征图。然后，对上述经过上采样的高斯金字塔进行下采样，处理之后两个层级的滤波器特征响应图分辨率相同，将两者加权平均得到最终响应图，该图中亮度越大表示响应值越大。下面以人体目标为例简单介绍一下DPM模型的设计思想和计算过程。（1）设计rootfilter+partfilter的模型：(a)Rootfilter(b)Partfilter(c)高斯滤波后模型图2-6直立人体目标的DPM原始模型设计该模型包含了一个a×a分辨率的根滤波器(rootfilter)和a/2×a/2分辨率的组件滤波器(partfilter)。其中，(b)图的分辨率为(a)图的2倍，并且组件滤波器(partfilter)的大小是根滤波器(rootfilter)的2倍，采集的梯度更为精细。(c)图为其高斯滤波后的2倍空间模型。（2）响应值(score)的计算：响应值的得分公式如下：
本文编号：2985869
【文章来源】：天津大学天津市 211工程院校 985工程院校 教育部直属院校
【文章页数】：72 页
【学位级别】：硕士
【部分图文】：
HOG特征方向分布示意图
第2章人体目标检测中关键技术研究9图2-3几种不同类型的积分通道特征在这10个计算得到的特征通道内随机选择矩形区域，计算其内部所有像素值的和，随机选取如30000个矩形区域组成积分通道特征池。灰度图像中，像素点(x,y)的梯度幅值大小和方向分别为：()()()()()22Gx,y=Hx+1,yHx1,y+Hx,y+1Hx,y1(2-7)()()()()(),1,1,arctan1,1,HxyHxyxyHxyHxy+=+(2-8)其中，H(x,y)是像素点(x,y)的像素值。梯度直方图是一个加权直方图，其维数bin索引计算梯度方向，权值则计算梯度的幅值。梯度直方图通道计算公式为：Q(x,y)G(x,y)L(x,y)==(2-9)上式中，对于一幅图像，位于坐标(x,y)位置像素的梯度幅值用G(x,y)表示，而量化的梯度方向则用Q(x,y)表示，L是一个指示函数，θ为梯度方向的量化范围，本文选用6个方向的梯度直方图通道，θ取值范围分别为0-30度、30-60度、60-90度、90-120度、120-150度、150-180度。类似于上述提到的HOG特征，ICF里梯度直方图特征对分类贡献最大，ICF特征在行人检测方面具有不错的性能，主要体现在：从不同角度集成了各种特征信息；空间定位准确性更高；具有较少的参数设置；跟级联分类器结合后，检测更快。继ICF特征之后，又出现了很多对该积分通道特征进行改进的变体形式特征，比如ACF特征[28]、SquaresChnFtrs特征[29]等。2.1.3人体目标分类决策提取到目标特征后需要进行目标的分类判别。大体来讲，分类判别首先从HOG特征+支持向量机SVM(SupportVectorMachine)框架[23]中的支持向量机SVM开始，采用线性与非线性核函数，如线性SVM、直方图交叉核SVM、latentSVM、多核SVM、结构化SVM等[36]；第二阶段则是一些统计概率方法，比如基于提升思想的Adaboost(AdaptiveBoosting)方法[37]、用于提速的级联Ad
DPM算法的处理步骤：首先将原始输入图像和训练好的根滤波器rootfilter进行卷积得到其DPM特征响应图；然后对原始图像进行高斯金字塔2倍上采样，将其与训练好的部件滤波器做卷积得到该部件的DPM响应特征图。然后，对上述经过上采样的高斯金字塔进行下采样，处理之后两个层级的滤波器特征响应图分辨率相同，将两者加权平均得到最终响应图，该图中亮度越大表示响应值越大。下面以人体目标为例简单介绍一下DPM模型的设计思想和计算过程。（1）设计rootfilter+partfilter的模型：(a)Rootfilter(b)Partfilter(c)高斯滤波后模型图2-6直立人体目标的DPM原始模型设计该模型包含了一个a×a分辨率的根滤波器(rootfilter)和a/2×a/2分辨率的组件滤波器(partfilter)。其中，(b)图的分辨率为(a)图的2倍，并且组件滤波器(partfilter)的大小是根滤波器(rootfilter)的2倍，采集的梯度更为精细。(c)图为其高斯滤波后的2倍空间模型。（2）响应值(score)的计算：响应值的得分公式如下：
本文编号：2985869
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2985869.html
