关键字 |
| 认知对象检测、对象跟踪、动态变化的环境。 |
介绍 |
| 人类生命和财产的安全一直是文明的一个主要关注了好几个世纪。在现代文明中,威胁盗窃、事故、恐怖分子的袭击和骚乱不断增加。由于大量有用的信息,可以从视频序列中提取,视频监控已经成为一个有效的工具来阻止这些安全问题。自动安全市场增长速度常数和高,预计将维持了几十年。视频监控是增长最快的一个行业在安全市场由于其广泛的应用前景,比如入侵者检测购物中心和重要的建筑,在城市交通监测和检测军事目标的识别(如暴力/危险的行为。建筑、电梯)等视觉监视在动态场景,特别是对于人类和车辆,目前最活跃的研究主题之一,在计算机视觉中最理想的品质的视频监控系统(a)健壮的操作在真实世界场景中,特征是突然或逐渐变化的输入数据和(b)视频智能分析,协助运营商场景分析和事件分类 |
自动视觉监视系统的概述 |
| 自动视频监控系统的总体框架见图1。摄像机连接到一个视频处理单元中提取高水平信息识别与预警情况。这种处理单元可以连接整个网络控制中心和可视化管理,例如,警报。另一个重要组件是一个视频数据库和检索工具,选中视频片段,视频对象,相关内容可以存储和询问。,一个好的描述的视频对象处理监测框架。主要视频处理阶段包括背景建模、对象分割、对象跟踪、行为和活动分析。在多摄像机场景中,信息融合是必要的,它可以发生在任何级别的处理。这些相机也可能不同的形态像热红外、近红外、可见光相机颜色等等,这样同一场景的多光谱视频可以捕获和冗余信息可以用来提高系统的鲁棒性与动态环境条件的变化。做Banarjee和Somnath森古普塔发表了这篇论文,可以抽象为一个自动视频监控系统提出了。系统旨在跟踪一个物体在运动和分类作为一个人类或非人类实体,这将有助于人类活动在后续分析。 Daw-Tung Lin and Kai-Yung Huang presented the paper on the Collaborative Pedestrian Tracking and Data Fusion with Multiple Cameras which can be abstracted as, the work presents a framework of a collaborative multiple-camera tracking system for seamlessly object tracking across fixed cameras in overlapping and non-overlapping field of views (FOV). Jianpeng Zhou and Jack Hoang presented a paper in I3DVR international Inc, which is Real time robust human detection and tracking system. Which can be abstracted as, a real time robust human detection and tracking system for video surveillance which can be used in varying environments. This system consists of human detection, human tracking and false object detection. The human detection utilizes the background subtraction to segment the blob and use codebook to classify human being from other objects. The optimal design algorithm of the codebook is proposed. The tracking is performed at two levels: human classification and individual tracking |
系统模型和假设 |
| 自动检测和跟踪系统有两个主要的子系统 |
| 1)检测人类/对象 |
| 2)跟踪检测对象 |
| 通过文学中有着广泛的分类检测技术两大类1)时间不同2)背景减法 |
背景建模 |
| 背景通常是静态的,很少变化显著。然而,一些背景减法技术有很多问题,尤其是在户外使用。例如,当阳光被乌云覆盖,光照的变化是相当大的。成功解决这些问题的办法之一是每像素用一个多色的背景模型。Grimson Stauffer和每个背景像素建模方法通过引入M高斯分布的混合物。然而,该方法的计算成本很高。因此,本文提出了一种新的方法受高斯混合模型。首先,稳定S (x);每个像素的y)将确定。像素的稳定性(x; y) increases by one if the difference in pixel value between the current image and previous two images is less than a threshold Tbackground. Then, the background pixel value B(x; y) of location (x; y) will be computed as the mean value of all similar pixels in this period. Next, the background information is updated based on three conditions including (1) pure background, (2) illumination change, and (3) static object. First, a pure background test will be carried out, and then an illumination change test and finally a static object test will be performed. |
 |
流程图和算法 |
 |
算法 |
| 1。开始 |
| 2。读一个视频输入。 |
| 3所示。从视频中提取帧。 |
| 4所示。将每一帧转换为灰度。 |
| 5。考虑初始6帧作为阈值计算的学习框架。 |
| 6。计算背景阈值。 |
| 7所示。考虑未来10帧对象检测。 |
| 8。输入帧像素与阈值相比较 |
| 9。如果超过40%的像素改变那么它是临时照明变化,考虑下其他帧提取前景对象从整个框架。 |
| 10。推断为前景对象边界。 |
| 11。计算高度,宽度和高度与宽度比的对象。 |
| 12。找到重心,底部左边的和底部右边的点。 |
| 13。商店底部右侧和底部左边的点之间的区别。 |
| 14。如果高宽比小于1,那么车辆检测。 |
| 15。如果高宽比大于1的区别最左边的和最右边的点显示时期自然然后行人检测。 |
| 16。显示结果。 |
| 17所示。停止 |
结果和讨论 |
| 几个视频的实验进行了特别的户外场景示例结果如下所示检测行人的行人和车辆。背景减法是用来提取前景对象的框架。消除光照变化频繁的背景更新方法。使用特性,如高宽比对象分类。的周期性质的运动行人的腿是用来区分车辆。该技术的主要优点是简单的思想和算法。可以看出该算法分类使用步行的行人和车辆在一个户外视频。 |
| 图1 b显示了从视频中提取图像。背景是不断升级,从当前图像减去有效区分前景和背景。形态学操作是用来清洁物体的图像。图1 e商店白色计数每一列中用作对象分类特征之一。检测到的边缘发现对象所示图1 f。重心点检测对象获得有用的跟踪。 |
| 最后基于特征提取的对象分为单人、多个人员或车辆。 |
数据乍一看 |
 |
| 图1 |
|
引用 |
- 林董,会员,IEEE和黄Kai-Yung”协作行人跟踪和数据融合多个摄像头”IEEE
- 交易信息取证和安全合作的行人跟踪和数据融合与多个相机2011年7月。
- J.K.Aggarwal和硕士Ryoo”,人类活动分析:回顾ACM计算调查
- l . Zelnik-Manor和m .伊朗人。基于事件的视频分析。在计算机视觉和模式识别,2001。CVPR 2001。学报
- 2001国际工程师协会下属的计算机协会的会议上,卷2,页2 - 123 - 2 - 130》,2001年。
- o . Chomat和克劳利。概率识别活动使用本地外观。在计算机视觉和模式识别,1999。
- 国际工程师协会下属的计算机协会的会议上。,volume 2, pages 2 vol. (xxiii+637+663), 1999.H. Khalife, N. Malouch, S. Fdida, “Multihop cognitive
- 无线网络:路由路由,“IEEE网络,23卷,不。4、20 - 25,2009页。
- 总长Banerjee和SomnathSengupta人体运动检测和跟踪视频监控
- Daw-Tung林,IEEE和黄Kai-yung协作行人跟踪和数据融合与多个相机
- Jianpeng周和杰克黄平君实时健壮的人体检测和跟踪系统
|
菜单
