[00121540]监控视频智能化分析与处理的关键技术及产业化应用

针对现有监控系统依赖人工方式去发现问题和解决问题的被动监控问题,项目从监控系统核心算法的创新研究入手,研制出一种可对海量视频监控数据进行高精度识别、秒级响应及自动报警的智能监控系统。项目取得了以下原创性成果： 1、项目依据通常情况下行人所着服装在整个行人图像中所占比例较大的事实,以及行人服装特征信息（尤其是服装的颜色和纹理信息）在目前主流的行人识别与检索中依然占据较大比重的现实,进一步挖掘服装特征信息在行人识别与跟踪中的作用,本项目从服装关键点检测、服装部件语义解析着手,进一步精细化识别区分服装从而有助于识别人物并跟踪。提出基于结构学习模型的服装关键点检测方法,提升了服装关键点定位的精度,优于现有最新算法;提出基于三注意力（即颜色注意力、位置注意力、通道注意力）网络模型,有效融合服装颜色信息、空间语义依赖和通道语义依赖,实现更精准的服装语义解析。 2、针对在实际监控条件下,行人易收到背景等客观因素的影响而导致所提取的行人特征不纯,而导致行人外貌表征精确度不高的问题,项目从行人的外貌颜色特征,局部空间信息和位置信息等角度出发,力求获取行人多角度信息内容。因此,提出了一种基于三元组解析的行人分割模型,从颜色、位置和空间信息三个维度来实现“;纯净”;行人特征的提取,实现了基于服饰属性的行人重识别性能。 3、针对现有基于深度神经网络的行人重识别在训练模型时,需要耗费大量的时间内存来对网络参数的优化,针对此问题,本文提出了一种基于轻便式三叉戟CNN用于移动的行人重识别,实现了基于移动设备的快捷行人重识别功能。 4、提出一种基于协方差矩阵的压缩感知跟踪算法,先利用压缩感知原理获取压缩后的Haar特征,再利用协方差矩阵融合Haar特征区域内的底层多维特征,以此构建目标模型,并通过搜索当前目标区域的邻域,利用流形空间上的距离度量算法匹配最佳目标,从而提高算法准确性。 5、针对步态识别中衣着和携带物品的改变时会降低准确率的问题,在将人体步态同时视为一组无序集合和一组有序序列的方法的基础上,提出了一种基于步态集合算法的GSTSN（GaitSet Temporal-Spatial Network）的网络结构,在所提出的网络结构中,GaitSet模型被用作集合特征提取器,以在步态被视为无序集合时提取外观轮廓的空间特征。与以往方法不同的是,GSTSN只需要增加较小的计算量,就能提取人体步态更丰富的特征,包括人体外观轮廓的空间特征和人体关节随时间运动规律的时间特征。GSTSN不仅提升了步态识别准确率,同时对所穿衣物厚薄和是否携带背包等造成外观改变情况下也有较好的鲁棒性。 项目成果在SCIS、ICASSP、Multimed Tools Appl、IJES、《计算机科学》等国内外知名期刊发表论文32篇,获专利授权1项,软件著作权9项。目前该项目的技术成果在江苏网进科技股份有限公司、武汉智凯科技有限公司、江苏凯成智能科技有限公司、武汉市瑞斯利科技有限公司、北京星奥科技股份有限公司、长沙克洛瑞亚信息科技有限公司等企业进行推广和应用,近3年为企业创造新增产值约60074万元,新增利润约1828.1万元。技术成果可推广应用于各类视频监控、入侵告警、出入口控制、门禁、电子巡更、联网告警等主要智能监控系统领域,有效解决公安、海关、机场、铁路等政府安全相关机构对于可疑人员身份确认、实名制认证、人脸电子围栏、重点人员布控告警等实战诉求。