ICCVSep, 2017

视频监控中的人体检测与跟踪 —— 认知科学方法

PDF
TL;DR通过采用方向梯度直方图、视觉显著性和深度多层网络的显著性预测模型，结合 k 均值算法，该研究提出了一种用于视频中检测人的方法，取得了 83.11％的检测精度、41.27％的召回率的效果，并比在普通图像上对人物进行分类的速度快 76.866 倍。
video surveillancecomputer visionhuman detectionhistograms of oriented gradientsdeep multi level network
发现论文，激发创造
  • 计算机视觉和机器学习在增强安全监控中探索视频镜头中的人群模式和分类

    计算机视觉和机器学习在研究员、科学家和大众的感知力方面产生了革命性的转变。本文探讨了计算机视觉在安全监控方面的潜力，并提出了一种新颖的视频运动追踪方法，通过使用动态信息图像和块状主导运动数据将运动分类为弧形、车道、汇合 / 分散和随机 / 块状运动，并研究了不同的光流技术、CNN 模型和机器学习模型。通过取得有希望的准确性达到其目标，结果可以训练异常检测模型，基于运动提供行为洞察，并增强场景理解。

    Aug, 2023

  • 基于边缘网络服务的智能监控：从 Harr-Cascade、SVM 到轻量级 CNN

    使用边缘计算及轻量级卷积神经网络，能够在资源有限的情况下为实时人类监视提供可行的智能分析方案。

    Apr, 2018

  • 深度多摄像头人体检测

    通过使用深度学习算法解决多视角人员占用地图估计问题，并构建一个利用多个视频流的架构，将其联合利用，从而在 PETS 2009 数据集上大幅度优于现有方法。

    Feb, 2017

  • 分析人际互动：一项调查

    本文综述了在视频中自动识别人际互动的主要挑战，研究现状，以及基于深度学习和卷积神经网络方面的最新、有前途的工作，最终概述了克服目前技术限制以分析和理解社会人类行为的方向。

    Jul, 2018

  • 使用视觉显著性提高卷积神经网络中的人体检测：ViS-HuD

    本文提出一种基于深度学习的技术来提高静态图像中人物的检测，其中通过计算图像的视觉显著性图，对输入图像进行处理并通过基于 CNN 的人物检测方法，该方法在 Penn Fudan 数据集上达到 91.4% 的人物检测准确率，并在 TUDBrussels 基准测试中实现平均漏检率为 53%。

    Feb, 2018

  • 基于数据关联和单阶段检测器的人体实例分割与跟踪

    本文提出了一种新的基于单级探测器的人类视频实例分割方法，采用数据关联和重心采样策略，结合学习目标实例出现和关联的特征，以及创建一个专用于人类视频分割的数据集 PVIS，模拟结果表明其有效性和高效性。

    Mar, 2022

  • 自然视频显著性预测的深度学习

    通过使用新的深度学习技术，本文旨在检测自然视频中的显著区域。首先预测视频帧中的显著补丁，然后基于它们构建预测的视觉注视地图。我们展示了通过更改优化网络参数的数据选择方式，可以将计算成本节约多达 12 倍。将 RGB 值的深度学习方法扩展到具有特定性的视频以利用人类视觉系统对残留运动的敏感性。在两个公开可用数据集上进行实验，并展示了较高的准确度和 AUC 度量。

    Apr, 2016

  • 高性能视频目标检测

    本文探讨了基于多帧端到端学习特征和帧间运动的统一方法，该方法扩展了之前的研究并引入了三个新技术来提高视频物体检测性能。

    Nov, 2017

  • 通过深度哈夫变换的语义线检测和分类增强监控摄像头视野质量

    本研究介绍了一种创新方法，利用语义线检测和分类以及深度霍夫变换来识别语义线，从而通过理解平行线来确保合适的视野，进而评估摄像机的视野质量。

    Jan, 2024

  • 利用类别组件与本地模型相结合的视频监控活动识别

    本文提出了一种用于视频监控应用的自动识别人类活动的方法，将活动表示为类别组件的组合，并且提出了一种 Confident-Frame-based Recognition 算法来提高识别精度，该算法将高置信度的视频帧用作专门的局部模型来帮助分类其余的视频帧，实验结果表明了该方法的有效性。

    Feb, 2015