针对目前视觉监控领域中采集到的人物数据样本量少和特征单一的问题，提出了一种具有高视觉感知约束的双向生成对抗网络生成期望人物姿态图像的方法。采用给定人物的单个图像和期望姿态的二维骨架作为双向生成对抗网络的输入，生成具有该目标人物期望姿态的图像。将生成的期望姿态图像反映射回原始姿态图像，利用少量的图像以无监督学习方式进行学习，生成该人物期望姿态的高质量图像。提出的方法在 DeepFashion公开数据集上进行了实验，结果表明，采用文中提出的方法生成的图像结构相似度(SSIM)比以往的方法提高了 0.28，有效的提升了基于无监督学习的单人多姿态人物图像生成的质量。
半监督学习 视觉监控 生成对抗网络 结构相似度 semi-supervised learning visual surveillance generative adversarial network structural similari. ty index
运动目标检测是智能视频监控系统中的重要步骤和前提。提出了一种基于随机背景建模的非参数化建模算法, 对场景中运动目标进行快速提取跟踪。在初始化阶段, 从当前像素的邻域中随机抽取样本值作为背景模型; 在模型更新阶段, 引入了随机更新策略和背景传播机制, 能够较好地抑制环境噪声; 在后处理阶段, 给出了一种基于积分图的前景滤波优化方法, 进一步滤除噪声和填充前景空洞。实验结果表明, 在复杂场景条件下, 算法的目标检测性能明显优于其他几种同类算法, 能够较好地抑制噪声干扰, 具有较高的检测正确率。对于360×288像素的测试视频, 算法的计算速度高达120 f/s, 完全可以满足实时应用。
随机背景建模 目标检测 智能监控 积分图 randomized background modeling object detection intelligent visual surveillance integral image
兰州交通大学 自动化与电气工程学院，兰州 730070
为了实现运动目标的检测，提出使用一种基于自适应阈值和主成分分析(Principal Components Analysis，PCA)的运动目标检测方法。首先，拍摄一组静态环境下无运动物体的图像以得到PCA 使用的变换矩阵。通过变换矩阵，连续的图像可以被映射到变换空间；相反，变换后的图像通过逆变换也可以被还原。通过计算原图像和还原图像之间的欧氏距离，可以实现运动目标的检测。欧式距离大于阈值的图像区域被认为属于运动目标。算法通过阈值的动态调整得到自适应阈值，从而在很大程度上实现对光照等环境条件变化的补偿。实验结果表明，此方法具有较好的鲁棒性和有效性。
机器视觉 运动目标检测 主成分分析 自适应阈值 视频监控 machine vision moving object detection principal components analysis adaptive threshold visual surveillance
1 湖州师范学院 信息与工程学院，浙江 湖州 313000
2 浙江大学 信息与电子工程系，杭州 310027
3 南京航空航天大学 自动化学院， 南京 210016
摄像机间目标关联是无重叠视域多摄像机目标持续跟踪的关键.提出了一种只利用人体目标外观，完全不依赖于空时关系的人体目标再识别算法，利用识别结果直接进行跨摄像机间人体目标关联，而不依赖于目标的捕获时间和路径限制.对跟踪视频前景图像序列提取互补性视觉单词树直方图和全局颜色直方图二种特征，采用支持向量机增量学习在线训练二种特征的人体外观辨别模型，再利用多类线性规划增强算法对二种特征的支持向量机模型进行在线自适应融合.实验结果表明，本文算法具有较强的在线学习能力，能增量式表达人体目标辨别性外观模型，特征融合后的模型区别性更强，有效地降低多方面条件变化的影响，获得了高识别率，且能够实现快速实时实现，相对于现有方法有了明显提升.
视频监控 支持向量机增量学习 局部描述子 人目标再识别 单词树 线性规划增强 Visual surveillance Support Vector Machine(SVM) incremental learning Local descriptor Person re-identification Vocabulary tree Linear Programming Boosting(LPBoot)
