本文針對Kinect攝像機提供的深度視頻提出了一種頭部檢測算法，并將其應(yīng)用于墜落檢測。該算法首先檢測可能的頭部位置，然后根據(jù)這些位置，攝像頭通過檢測頭部和肩部來識別人。搜索頭部位置很快，因為我們只在人體外輪廓上搜索頭部輪廓。人類識別是對頭部和肩部的HOG（方向梯度直方圖）的修改。與原始HOG干擾器算法相比，該算法對人體關(guān)節(jié)和背部彎曲具有更強的魯棒性。墜落檢測算法基于頭部和身體質(zhì)心的速度及其與地面的距離。
通過同時使用身體質(zhì)心和頭部，我們的算法受質(zhì)心波動的影響較小。此外，我們還提出了一種簡單而有效的方法來監(jiān)控驗證從地面到頭部的距離和質(zhì)心。本文針對隧道監(jiān)控應(yīng)用中的車輛檢測、跟蹤和識別問題，提出了一種綜合解決方案，考慮了實時操作、較差的成像條件和分散的體系結(jié)構(gòu)等實際屏蔽器限制。車輛在隧道中被一個不重疊的攝像頭網(wǎng)絡(luò)跟蹤。它們在每個攝像頭中被檢測和跟蹤，然后被識別，即與之前攝像頭中檢測到的任何車輛匹配。
為了限制計算量，我們建議對這些步驟中的每一步重復(fù)使用相同的Haar特性集。對于攝像頭檢測，我們使用Adaboost級聯(lián)。在這里，我們引入一個綜合置信度評分，綜合來自級聯(lián)所有階段的信息。然后選擇用于檢測的特征子集，針對識別問題進行優(yōu)化。這會產(chǎn)生一個緊湊的二進制“車輛指紋”，需要非常有限的帶寬。最后，我們展示了同樣的特征集也可以用于干擾器跟蹤。這種基于haar特征的“通過識別跟蹤”在標準數(shù)據(jù)集上產(chǎn)生了出人意料的好結(jié)果，而無需在線更新模型。
通過同時使用身體質(zhì)心和頭部，我們的算法受質(zhì)心波動的影響較小。此外，我們還提出了一種簡單而有效的方法來監(jiān)控驗證從地面到頭部的距離和質(zhì)心。本文針對隧道監(jiān)控應(yīng)用中的車輛檢測、跟蹤和識別問題，提出了一種綜合解決方案，考慮了實時操作、較差的成像條件和分散的體系結(jié)構(gòu)等實際屏蔽器限制。車輛在隧道中被一個不重疊的攝像頭網(wǎng)絡(luò)跟蹤。它們在每個攝像頭中被檢測和跟蹤，然后被識別，即與之前攝像頭中檢測到的任何車輛匹配。
為了限制計算量，我們建議對這些步驟中的每一步重復(fù)使用相同的Haar特性集。對于攝像頭檢測，我們使用Adaboost級聯(lián)。在這里，我們引入一個綜合置信度評分，綜合來自級聯(lián)所有階段的信息。然后選擇用于檢測的特征子集，針對識別問題進行優(yōu)化。這會產(chǎn)生一個緊湊的二進制“車輛指紋”，需要非常有限的帶寬。最后，我們展示了同樣的特征集也可以用于干擾器跟蹤。這種基于haar特征的“通過識別跟蹤”在標準數(shù)據(jù)集上產(chǎn)生了出人意料的好結(jié)果，而無需在線更新模型。
