【摘 要】
：
步态是远距离复杂视频监控场景下唯一可清晰成像的生物特征,具有识别范围广、难以伪装等优点。为探索视频图像智能化应用,发掘海量视频资源的潜在价值,开发了步态应用实战平台,利用步态识别技术破解视频监控条件下人员身份识别难和轨迹刻画难等难题,为侦查破案、人员管控等提供新手段。采用先进的深度学习步态识别方法,完成步态检测,序列跟踪,步态分割和识别比对等一系列关键环节和步骤。为验证步态识别技术的效果,在含10
【出 处】
：
中国人民公安大学学报(自然科学版)
论文部分内容阅读
步态是远距离复杂视频监控场景下唯一可清晰成像的生物特征,具有识别范围广、难以伪装等优点。为探索视频图像智能化应用,发掘海量视频资源的潜在价值,开发了步态应用实战平台,利用步态识别技术破解视频监控条件下人员身份识别难和轨迹刻画难等难题,为侦查破案、人员管控等提供新手段。采用先进的深度学习步态识别方法,完成步态检测,序列跟踪,步态分割和识别比对等一系列关键环节和步骤。为验证步态识别技术的效果,在含10万段实战场景步态序列的数据库上测试,步态识别的top 1命中率可超过96%。在100万段实战场景步态序列
其他文献
针对传统投影分割方法在提取单个数码管数字图像时过于依赖图像二值化及图像倾斜校正效果的问题,采用一种基于轮廓提取和轮廓排序相结合的数码管图像分割方法,实验证明该方法相比投影分割法在对数字区域的分割成功率上提高了13.5%;针对传统穿线法对数码管数字1识别度较低和机器学习算法运行用时较长的问题,提出一种基于六段数码管特征的改进穿线法与HOG+SVM方法相结合的数码管数字识别方法,该方法对数码管数字的识
车辆目标跟踪是实现车联网不可或缺的一环,旨在获取车辆的动态信息,以提高交通运行效率。其核心是对大量监控探头采集的视频图像进行分析处理,实现车辆的实时检测与跟踪。为了进一步提高目标检测效率,降低硬件成本,文中提出了基于二帧差分法的前景检测方法,以及基于质心法的车辆轮廓检测与跟踪方法。基于OpenCV3.4.1和VS2017进行验证实验和仿真测试,结果表明,该算法对车辆跟踪的精确率达到89.1%,平均
为实现互联网上大量背景复杂、视点变化的视频中人体动作的识别,提出了一种使用无监督的深度信念网络(DBNs)进行人体动作识别的创新方法。该方法采用深度信念网络(DBNs)和受限玻耳兹曼机进行无约束视频的动作识别,利用无监督深度学习模型自动提取合适的特征表示,不需要任何先验知识。在一个具有挑战性的UCF体育数据集上进行实验,证明了该方法准确有效。同时该方法也适用于其他视觉识别任务,并在未来可扩展到非结
限速标志识别是智能驾驶的重要组成部分,文中分析了现有方法存在的问题,为了提高神经网络在中国限速标志上的泛用性和准确率,针对限速标志的检测部分,提出了一种基于颜色空间的新型筛选方法;针对限速标志的识别部分,在现有LeNet-5架构的基础上对神经网络进行了改进,并将德国交通标志数据集(GTSRB)和清华交通标志数据集(TT100K)中限速标志数据融合,经过数据扩增后制作成新的数据集送入神经网络来训练模
碰撞现象是视频摘要中需要避免的问题,在轨迹重排时一般通过碰撞代价函数进行约束,但是现有视频摘要方法在轨迹重排优化过程中需要重复计算轨迹间的碰撞代价,存在大量冗余运算量,为此提出了一种基于目标轨迹空间关系的视频摘要方法。该方法通过分析目标轨迹间的空间关系,可以在轨迹重排前预先判断两条轨迹是否会发生碰撞,据此定义了3种轨迹关系,并给出了碰撞代价的快速计算方法,从而较好地降低了现有视频摘要方法优化过程中
近年来,随着人脸识别系统的不断发展,各种假冒合法用户的欺骗手段不断出现。基于单一差异线索进行的活体检测,已经不能满足当前复杂环境下提高人脸活体检测方法性能的需求。基于此,文中提出多特征融合的方法,使用卷积神经网络从人脸图像的不同线索中学习多个特征来进行活体检测,深度图在空间上能够区分真假人脸之间的深度信息;光流图在时间上能够区分真假人脸之间的动态信息;残差噪声图根据真人脸的一次成像和假冒人脸的二次
随着深度学习的发展,基于深度卷积神经网络的车道线检测模型在自动驾驶系统和高级辅助驾驶系统中得到了广泛的应用。这些模型虽然有较高的精度,但通常计算量大且运行速度慢。为了解决该问题,提出了一种车道线检测任务专用的轻量神经网络模型。首先,提出了一种行列解耦采样的卷积模块,该模块利用图像中车道线区域的行列可分解性对传统的残差卷积模块进行了合理的优化。其次,利用深度可分离卷积技术进一步降低行列解耦采样卷积模
能见度检测是计算机视觉与交通视频图像处理的热点问题。针对传统检测方法存在硬件成本高、适用范围小、检测效率低等不足,给出一种利用透射率和场景深度获取单幅图像能见度的检测方法。首先根据Koschmieder定律和ICAO推荐的对比阈值推导出能见度检测公式,然后根据大气衰减模型得到消光系数,利用暗通道先验理论获取透射率值,结合SFS(从阴影恢复形状)和双目模型获取场景深度值,最后通过求解消光系数反演图像
确定地震震级对中长期地震预报、震后应急救援和地震危险性评价具有重要意义。古地震学是研究地质记录中的地震事件,特别是它们的位置、时间和震级大小。然而,传统由地表破裂参数确定的古地震震级仍存在不确定性(大多数地震事件不会导致地表破裂,或位移小于0.3 m),尤其是由湖泊沉积记录的古地震事件。为了解决未发现明显位错地震震级问题,本文依据软沉积物变形构造的类型和形式,对确定地震震级/强度的方法(经验估算、
在暗光条件下拍摄的图像为细节较少的低照度图像,直接在该图像上进行增强会放大噪声。近年来,基于深度学习的方法在低照度图像增强以及图像去噪领域取得了出色的性能。然而,在同时进行去噪及增强方面的研究较少。文中构建了一个用于联合增强与去噪的低照度图像数据集,该数据集包含104组低照度图像和正常光照图像,每一组包含4种不同暗光程度的低照度图像。对应地,文中提出了一个渐进式图像增强网络,以自适应地处理不同光照