密集人群交互式监控技术
使用适应性粒子滤波和多智能体运动模型的实时算法,可通过高清人群视频数据集计算人群中每个行人的轨迹,本方法比之前技术快 4-5 倍,并且仅需桌面 CPU 即可在交互速率下跟踪十多个行人。
Feb, 2014
本文提出了一个集成图像和视频的大规模数据集, 收集了各种类型的目标(不仅是行人,还有自行车,滑板车,汽车,公交车,高尔夫球车)在现实世界室外环境中如何运动的数据。本文还提出了新的轨迹预测算法,并且这个算法利用了新数据集的复杂度,可以模拟交互中的社会力量对行人的影响,有效地解决了目标跟踪与轨迹预测问题。
Jan, 2016
该论文提出了一种在密集场景中进行实时异常检测和定位的方法,在该方法中,视频被定义为非重叠立方块的集合,并使用两个本地和全局描述符进行描述。我们利用简单和经济实惠的高斯分类器来区分正常活动和异常活动,并根据相邻块之间的结构相似性和无监督学习的特征来确定本地和全局特征。大量实验结果表明,该算法优于 UCSD ped2 和 UMN 基准的最新方法,而且具有更高的时间效率。我们的实验结果证明了我们的系统可以在视频中发生异常时可靠地检测和定位异常。
Nov, 2015
通过分析视频中人群的几何特征、个性和情感,探讨事件检测与人群行为的相关性,并介绍了一种基于 GeoMind 软件的方法,可以自动检测和模拟人群中发生的事件。
Dec, 2023
提出了一种多模态方法,通过从视频中提取时间序列的信息来检测人群异常。使用模式识别算法和分割技术,在固定时间间隔内提取人数和图像占用的信息,然后通过时间分解和残差分析确定异常行为的间隔或特定情况,可用于相关领域如旅游或安全中的决策和改进。在西班牙 Valenciana 地区 Morella 镇的 Turisme Comunitat Valenciana 摄像头上应用了该方法,并取得了很好的结果,能够正确检测特定的异常情况和在 2023 年 10 月节日期间的异常总增加,同时保护个人隐私。
May, 2024
本文主要综述了 2020 至 2022 年发表于主流会议和期刊的人群异常检测算法,并讨论和比较它们的性能和应用场景,发现预训练卷积模型的异质性对于人群视频异常检测性能影响可以忽略不计。未来研究的重点是什么?请读者自行查看文章得出结论。
Oct, 2022
通过整合人工智能和机器学习技术,本研究旨在利用现有闭路电视网络对人群管理、犯罪预防和工作场所监控进行综合性处理,开发和实施能够实时分析视频信息的先进算法,实现人群动态识别和评估、潜在犯罪活动的早期发现以及工作环境的持续监控,借助于人工智能和机器学习技术,优化监控能力,提高公共安全措施和组织生产力的水平。这一倡议强调了智能视频分析在现有基础设施上的变革性影响,减少了系统全面改造的需要,显著提升了安全和运营效率。
Nov, 2023
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。
Sep, 2017
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
本文提出了一种轻量级实时视频分析方案,利用从运动模式中学习到的模型来监视对象的行为,以实现实时表示和预测,并基于离散序列的序列聚类算法使系统具有连续的在线学习能力,并利用目标对象轨迹的内在可重复性在特征提取、聚类学习和模型应用的三个过程中自动构建行为模型。
May, 2023