基于可视监控的入侵识别方法研究

研究了基于视频监控条件下的入侵检测方法。分析了帧间差,背景差分及高斯模型在提取目标检测区域内运动物体的性能。提出了运动区域斜率结合运动趋势和活动范围作为入侵特征判据的方法。采用MATLAB实现了程序设计,经验证该方法可在视频监控的同时实时截取图像数据帧,并能有效地区分人与其他运动物体,具有较高的识别准确性。     

基于运动块追踪的视频烟雾探测方法

烟雾探测是预见火灾隐患的重要手段,具有快速响应和非接触等优点,但现有方法在减少计算量和减少误报上尚需改进。提出了一种基于运动块追踪的视频烟雾探测方法。采用混合高斯模型对背景进行建模,提取可疑运动区域并划分运动块,根据运动块灰度变化及与周围8邻域运动块的灰度梯度,筛选需要全程跟踪的目标运动块。在随后追踪过程中,分析各个运动块的运动方向、灰度衰减变化及半透明性特征,综合各特征值对烟雾进行判断。在测试烟雾视频中,60帧内便可以探测到烟雾块,而在干扰视频中只出现了1次误报。试验结果表明该方法减少了计算量,提高了烟雾检测的准确性,降低了误报率。     

基于GPRS的远程报警视频监控系统

提出了一个基于GPRS的远程报警视频监控系统,该系统利用运动目标检测技术,对待监视现场进行实时监控.通过对监控视频的帧差图像中的噪声进行建模,系统能检测监控区域是否出现运动目标,并一旦判断有可疑移动物体出现时,系统将实时产生报警,并将警报信息通过GPRS无线网络传送至值班人员.     

基于ROI检测的视频监控图像增强方法

视频监控技术的主要内容之一就是监视特定场景中是否有新目标出现。为突出图像中的感兴趣区域(Region OfInterest-ROI),提出了一种基于ROI的视频监控图像增强方法,首先检测视频图像中的运动目标区域,然后仅对该感兴趣区域进行图像增强处理,相比于传统针对全图的图像增强算法,既减少了算法运算量,同时还可保证可疑目标的增强效果。     

基于数字图像处理的人员运动参数提取方法研究

针对人员疏散研究中提取疏散场景行人运动参数的需要,采用数字图像处理技术对记录行人运动的视频进行了处理.首先对背景进行混合高斯建模并提取前景,然后采用mean-shift算法对视频中彼此相连的多个行人目标进行有效地聚类分割并准确地跟踪每个行人,得到了包含有行人运动特性时空信息的运动轨迹,利用轨迹得到了行人在行进过程中的速度变化特征.结果表明该文所提出方法可以方便、快速、准确地提取人员运动特性参数,可望对提取人员疏散实验以及真实场景中行人运动的基础数据,如速度、密度、流量等提供有效的技术手段.     

视频中异常行为自动检测技术研究

为提升计算机对视频中异常行为的识别、判断能力，提供及时发现异常行为并阻止其造成更大损失的可能性，本文提出2种基于视觉低层特征设计的异常行为检测技术，利用混合高斯模型和区域像素灰度值判断运动目标是否进入危险高度，进而达到对攀高的检测；利用光流—聚类法和目标跟踪法实现初步、精确判断是否存在逆行行为。攀高实验中选取2个不同场景下的视频，逆行实验选取室外复杂环境中拍摄的视频进行检测，检测结果显示：攀高检测中，无误检；逆行检测中相较于传统光流法，误检率明显降低。     

运动目标自动检测在监狱监控系统中的应用研究

本文根据监狱(看守所)一类监控场所监控范围在室外的特点,提出一种能够适应室外光线变化复杂的背景更新方法,该方法能够有效地克服由光线的缓慢变化、阳光被云层遮挡及阴雨天闪电的影响.从而降低利用背景差方法进行运动目标检测的误警率和虚警率.本中又根据犯人囚服颜色特殊性提出基于HSV颜色空间提取目标的方法,两种方法结合可进一步提高运动目标检测成功率.     

改进YOLOv3算法下通航机场场面运动目标检测

为获得更好的检测精度和更快的检测速度,保障通航机场场面运行安全,提出一种改进的YOLOv3算法,分别从网络结构和损失函数2方面进行改进。首先,在主干网络中使用深度可分离卷积代替原卷积,构建基于距离交并比(DIoU)的目标框回归损失函数;然后,以某通航机场为研究对象,搭建通航机场场面目标检测场景,采用迁移学习和冻结训练相结合的训练方法,以提升场面目标检测的速度;最后,比较分析所提算法与传统的YOLOv3、YOLOv4算法的识别效果。结果表明：飞机目标的检测效果明显优于车辆和人员目标,改进的YOLOv3算法对目标的检测精度、召回率、全类平均精度(mAP)分别达到92.96%、80.51%、91.96%,图形处理器处理速度高达74帧/s,较传统的YOLOv3、YOLOv4算法性能均有明显提升,可实现通航机场场面运动目标的有效检测。     

融合YOLOv5-ResNet级联网络的烟火检测方法

火灾产生的烟雾和火焰对人类生命财产及安全会造成严重威胁。针对现有烟火检测算法在实际工业应用中无法满足高检测率、低误报率以及高实时性的检测需求,提出了一种融合YOLOv5-ResNet级联网络的烟火检测算法。首先,为了提高YOLOv5检测网络对烟火目标的检测性能,尤其针对小目标烟火,通过增加注意力机制模块、小目标尺度检测层、Focal Loss损失函数的方式改进YOLOv5目标检测网络;然后,为了降低误检情况的发生,将检测到的烟火目标进行阈值筛选,筛选后的烟火目标增加部分背景信息后送入ResNet34分类网络,剔除非烟火目标;最后,通过综合分析连续多帧检测结果和烟雾面积变化情况,进一步降低误检的发生。结果表明：融合YOLOv5-ResNet级联网络的烟火检测算法,在29个烟火视频的查全率为99.38%,漏检率为0.62%;在45个非烟火视频的误检率约为0.001 6%,在所有测试视频的平均检测速度为51.67帧/s, YOLOv5-ResNet级联网络算法检测精度较高,检测速度较快,误检率低,可满足实际的大规模复杂工业场景下检测任务,综合性能优于现有的其他火灾检测算法。     

不确定背景环境下车道检测技术的研究

针对不确定背景的交通环境,提出一种新的车道检测算法。确定道路路面的色彩范围,提取车道标线的色彩信息,消除光照强度变化对车道标线信息提取过程的影响;通过对比车辆与车道标线在大小、形状和运动模式3方面的差异排除车道中车辆对车道线检测的干扰;单帧图像的车道检测结果存储于车道一致性确认模块中,运用车道标志线一致性确认提高车道检测结果的准确性。试验结果表明,该方法能够有效地检测各种天气条件下车道区域以及解决车道遮挡问题。     

高斯混合模型下建筑工人高空作业失稳检测方法

为防止施工现场高处坠落事故,实现个性化矫正管理,在考虑个体异质性对运动信号造成的差异化影响基础上,提出一种基于高斯混合模型(GMM)的实时检测方法,可及时识别建筑工人高空作业失稳状态。首先,采用姿态传感器实时采集加速度和角速度数据,以刻画建筑工人的高空作业姿态特征;然后,基于GMM算法,建立建筑工人高空作业的个性化失稳检测模型,获得个性化阈值,以判断姿势失稳状态;最后,通过试验对比基于个体数据集和公共数据集2种方式构建的模型。研究结果表明：生成的个性化检测模型在准确度P、召回率R和综合评价指标F₁值上,均远优于公共数据集模型,具有更好的个性化检测效果。该失稳检测方法能够从工人的作业姿态习惯探究个性化的高空失稳风险,促进差异化安全预控和精准化安全培训。     

基于改进GMM算法的林火烟雾识别研究

针对森林火灾烟雾场景光照突变时传统混合高斯模型(GMM)无法适应的问题,提出基于改进GMM的林火烟雾识别算法。通过六足机器人平台上的CCD摄像机读取当前帧图像,与混合高斯模型建立的前一个背景图像作差分得到变化区域,计算二值化后的变化区域中像素值为1的像素点占总像素点的比例,与设定的阈值相比较从而判别森林火灾场景中的光照是否发生突变。若场景内光照发生突变,采用一个较大的更新速率α,保持模型的稳定性;若场景内光照未发生突变,根据不同的情况自适应调整更新速率α的值,保证模型快速收敛。实验表明,改进的GMM算法可检测到场景中相对完整的动态烟雾区域,满足林火烟雾的检测要求,以期为图像处理在森林火灾巡检机器人上的应用和进一步研究提供参考。     

低照度下改进YOLOX的煤矿无人电机车轨道障碍物检测方法

为解决地下煤矿光照不足进而导致无人电机车脱轨、撞车或侧翻等问题,提出了一种低照度多特征融合的YOLOX-CBAM目标检测算法,对矿井无人电机车轨道障碍物进行有效识别与分类。首先,通过实际场景采集及标注构建地下煤矿障碍物数据集,并将其输入微光数据处理Zero＿DCE模型中;其次,对YOLOX目标检测网络进行改进,分别在骨干网络CSPDarknet和特征金字塔(Feature Pyramid Networks, FPN)部分增加双通道CBAM注意力模块,解决了特征提取环节通道单一的问题;最后,将预测头部分的损失函数替换成SIoU,加快了模型迭代的速度。结果表明,与传统两阶段Faster-RCNN网络、YOLOv4网络、YOLOv5网络和原YOLOX网络相比,本模型精确率分别提高了4.65百分点、2.65百分点、2.19百分点、1.35百分点,召回率分别提高了9.39百分点、4.36百分点、0.82百分点、0.76百分点,速度分别提高了28.6帧/s、16帧/s、13.6帧/s、2.9帧/s,同时本模型与分别添加CBAM、SA、SA+SIoU、SE、SE+SIoU,YOLOX-CBAM模块的...     

复杂背景彩色静止图像的人脸检测方法

随着视频监控应用的不断加深,当前的人为识别目标的监控模式已经越来越不能适应现实的需求,而随着数字技术应用和发展,图像自动识别技术将会起到重要的作用。人脸作为最重要的生物特征之一,在现实生活中无疑有着重要的作用,实现人脸的检查对于图像的自动识别将起到辅助作用,本文重点讨论并提出了一种人脸的检测方法可以从复杂背景彩色静止图像中将人脸提取出来,满足应用需要。     

基于深度学习的吸烟行为实时检测

为预防在禁烟场所因吸烟引发的火灾事故，提出了一种基于YOLOv5s的改进算法，利用改进算法对摄像头获取的图像进行逐帧检测，实现吸烟行为的实时检测。首先，将转换器(Transformer)引入网络颈部中，增强网络对多尺度目标的检测能力；其次，加入坐标注意力(Coordinate Attention, CA)模块，丰富网络提取的特征图信息，增强特征图信息表达能力；最后，增加一个小目标检测层，提高网络对香烟小目标的检测能力，降低网络对小目标的漏检率。此外，构建了一个多场景下的吸烟行为数据集，并对马赛克(Mosaic)数据增强策略进行改进，改善原有数据增强方式丢失目标的问题。试验结果表明，改进后的算法在精确率、召回率和平均精确率上相比原模型均有所提升，在多目标和小目标场景下的实际检测效果对比原模型有明显改善，同时检测速度满足实时性要求，改进后的模型能够更好地应用于吸烟行为实时检测任务。     

语义分割的传送带跑偏视频检测算法

为避免在选煤厂进行作业分类时,因矿道传送带跑偏而造成严重的生产事故问题,提出一种融合高斯边缘投影的语义分割视频检测算法,来作为实时监测传送带跑偏的解决方案。首先,通过高斯滤波预处理算法,减少视频图像噪点对神经网络的影响;然后,构建融合高斯投影的径向基神经网络结构,增强图像的边缘信息,并将高斯投影融合至网络中以实现语义分割;最后,在保证识别检测效果的同时尽可能降低网络的计算消耗。结果表明：通过验证分析选煤厂矿道工作视频的试验场景,该算法能够准确识别检测传送带位置,进而实现传送带跑偏警告;同时算法在实现有效功能的同时,较典型的语义分割深度学习模型计算资源消耗更少,计算效率更高。     

Bi-PPYOLO tiny:一种轻量型的机场无人机检测方法

机场“黑飞”无人机的检测关系着整个机场的安全问题，机场现有基于雷达手段的无人机探测方法无法正确识别无人机的类型及个数。基于现有雷达探测无人机方法存在的缺点，对PPYOLO tiny目标检测方法在无人机检测中存在的问题进行改进，结合机场“黑飞”无人机的特性和硬件设备部署中模型参数量小的特性，提出了基于Bi-PPYOLO tiny的轻量型无人机检测方法，提出双锥台特征融合结构，并优化检测头部的锚框大小，有效提升了无人机的检测精度。经试验验证，该方法将平均检测精度P_mA从68.07%提升至76.71%,模型参数量为4.06 MB,推理速度为32.21帧/s。所提方法有助于轻量型无人机检测方法在光电设备上的部署与实施，与现有机场无人机探测手段共同保障机场安全。     

改进GM(1,1)模型在铁路路基沉降预测中的应用

针对灰色GM(1,1)模型原始离散数据光滑度低以及在施工中背景值频现异常的问题,在传统模型的基础上,对原始数据进行函数变换,并按施工工况调整背景值,提高了模型精度。将改进的模型应用到南昌地铁3号线深基坑施工中,对临近铁路路基沉降进行建模预测。结果表明,利用函数对原始数据进行变换,调整数据光滑度,可使其符合级比要求;按照分工况预测的方法根据施工进度调整背景值,减小了异常背景值对精度的影响,预测值与实际监测值拟合度较好。     

基于静态特征和动态行为的火灾检测模型*

为实时准确地检测视频监控的火灾信号,减少火灾误报,提出1种基于静态特征和动态行为的火灾检测方法。利用改进的Faster RCNN检测模型,根据可疑火灾区域的颜色特征和空间特征对其进行目标检测和特征降维,与传统的Faster RCNN相比平均检测精度提升5%;利用ILSTM对连续帧中的特征进行累加,对短期内是否发生过火灾进行分类。连续的短期决策在1min内以多数票表决最后决策。结果表明:方法将火灾检测的准确率提升到97.92%,并成功解释火焰和烟雾的时间行为。     

一种新型的嵌入式智能图像传感器设计

提出并设计一种新型的嵌入式智能图像传感器,该传感器具备一定的室外场景(主要为道路和公共场所)状态感知能力,适用于分布式智能视频监控系统.本文采用基于统计学习的方法实现了运动前景图像检测和阴影消除,并在此基础上完成运动目标行为分析,实现了关键区域保护、监控目标移动检测以及镜头遮挡保护等智能视频监控功能.本文所设计的视觉分析算法适用于复杂的室外环境,适合于实时计算.在算法的实现中充分利用了该嵌入式智能图像传感器硬件设计的优点,在实验中取得了良好的效果.