随着监视摄像机进入日常生活,警察可以通过看电脑屏幕来监视社会安全。由于对象在生活中各个部分的执行能力,对象重新识别成为热门话题。如今,有很多关于人员和汽车重新识别的论文。最新的论文提出了尝试解决各种问题的方法:通过盲点的过渡时间,视点的变化和照明差异。
由于严重的咬合,同一车辆不同方向的外观不同,不同车辆的外观相似以及照明条件变化,很难在长时间范围内重新识别车辆,更不用说频繁的嘈杂物体检测了。
因此,当今的方法不能解决所有存在的问题,因此研究和实施可以解决该问题的新颖方法非常重要。
我们开发了几种方法来检测视频中的移动物体。第一种方法利用深度学习算法的所有优势来执行快速而强大的处理。它旨在识别诸如自行车,摩托车或电动自行车驾驶员之类的车辆。
我们还开发了一种使用面部特征在多摄像机视频监视系统中跟踪和重新识别人员的新方法。第一步,使用YOLO v4 CNN来检测人,并通过矩形区域进行描述。此外,进行面部区域的搜索及其特征的计算。基于多任务MTCNN,在检测到的区域上进行人脸搜索,并使用MobileFaceNetwork模型形成人脸特征的向量。使用基于ResNet34和HSV色调通道直方图的改进的CNN生成人的特征。使用匈牙利算法,在分析人脸和人的空间坐标及其CNN特征的基础上,进行不同帧中人的对应关系。
该系统可以在监视视频系统中实现,以搜索车辆驾驶员,交通控制,安全系统等为目标。第二种方法基于使用积分光流识别人群行为和汽车交通控制。