Aug, 2023

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

PDF
TL;DR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。
computer visionmachine learningsecurity and surveillancemotion trackinganomaly-detection models
发现论文，激发创造
  • 视频监控中的人体检测与跟踪 —— 认知科学方法

    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

  • 使用 Aiml 的人群管理、犯罪检测和工作监控

    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

  • 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

  • 应用于视频分析系统的机器学习方法综述

    该研究论文通过调查机器学习技术在视频分析领域的发展情况，总结了用于人体活动识别的最流行的深度学习方法，其中涵盖了不同于由多个参与者在长时间内执行多个活动支配的现实数据集的标准数据集，介绍了在成功检测到相关对象后，通过训练仅用于检测单一活动的低参数模型（参数数量减少了 200X 或者 1,000X）的使用。然后，该研究论文总结了专门用于处理少量标记视频样本的机器学习方法，目的是描述现代技术，以减少用于训练和测试视频分析系统所需的基本真实数据量，该部分还包括无监督学习、半监督学习、主动学习和零样本学习在视频分析应用中的发展，以及每种方法的代表性例子。

    Dec, 2023

  • 视觉众群分析：开放研究问题

    自动化人群监测在计算机视觉领域引起了极大的关注，在过去十年里取得了显著发展。本文探讨了视觉人群分析的六个主要领域，并强调了每个领域的关键进展，同时揭示了未来需要解决的关键问题。通过选择在创新性或性能方面有重大贡献的重要工作，本文以更全面的方式呈现了当前最先进技术的先进性。

    Aug, 2023

  • 视频智能作为全球安保系统的一个组成部分

    描述研究从视频分析到具有全球安全系统的演变，特别关注视频监视组件。本研究探讨了一种混合平台，用于智能辅助城市视频监视的智能捕获、自动化数据提取、监督机器学习；同时还讨论了拓展到全球安全系统的其他组件。

    Jan, 2022

  • 可扩展的视频编码，为人类和机器而设计

    本文提出了一种可扩展的视频编码框架，该框架通过基础层比特流支持机器视觉（特别是物体检测）和增强层比特流支持人类视觉，并且结果表明，该框架在物体检测方面比最先进的视频编解码器节省 13-19％的比特率，同时在人类视觉任务的 MS-SSIM 方面保持有竞争力。

    Aug, 2022

  • 从事件相机到视频：将现代计算机视觉引入事件相机

    研究使用成熟的计算机视觉技术对从事件数据中重建的视频进行对象分类和图像重建，从而充分发挥事件相机的优异特性。

    Apr, 2019

  • 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

  • 利用开放获取的旅游摄像头进行群体异常检测的多模态视频分析

    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