咨询热线：13080701712
返回
沈宇资讯
摄像头异常检测成为常态工作
本文描述了通过软路肩、路缘石和护栏的检测和分类来扩展现有的用于标记道路的商业车道检测系统。可用的传感器包括前置灰度摄像头和 CAN 总线数据。为了实现我们的目标，我们使用两种互补的方法。第一种方法旨在使用基于纹理的区域分类来定位边界。我们使用本地二进制模式是因为它们的质量以及它们在嵌入式系统和神经网络作为分类器上实现的干扰器能力。
第二种方法是一种运动结构，用于识别护栏等凸起结构。该算法使用 Lucas 和 Kanade 跟踪器跟踪 Harris 特征，并从中提取 3D 信息。整个系统实时运行，在测试数据库上实现了约80%的可用性和94%的检测率，该数据库包括多个国家几乎所有天气条件下的道路。摄像头异常和篡改的检测越来越引起人们对视频监控的兴趣，以实时警报摄像机故障。然而，交通摄像头监控车辆和识别车牌的异常屏蔽器检测尚未得到正式研究，现有方法无法解决。
在本文中，我们提出了一种针对交通场景的监控摄像头异常检测方法，与正常监控场景相比，由于交通流和交通人群而具有明显的动态特征。用作低级特征的图像质量通过无参考指标来测量。用作中级特征的图像动态通过光流的直方图分布来计算。通过利用概率状态转换对图像质量和视频动态进行建模，设计了用于异常检测的两级分类器。所提出的方法对于城市监控场景中的许多具有挑战性的问题具有鲁棒性，并且误报率非常低。实验对交通场景中录制的真实视频进行了实验，包括高交通流量和严重拥挤的情况。我们的干扰屏蔽器测试结果表明，该方法在交通摄像头异常检测的准确率和误报率方面均优于以前的方法。
第二种方法是一种运动结构，用于识别护栏等凸起结构。该算法使用 Lucas 和 Kanade 跟踪器跟踪 Harris 特征，并从中提取 3D 信息。整个系统实时运行，在测试数据库上实现了约80%的可用性和94%的检测率，该数据库包括多个国家几乎所有天气条件下的道路。摄像头异常和篡改的检测越来越引起人们对视频监控的兴趣，以实时警报摄像机故障。然而，交通摄像头监控车辆和识别车牌的异常屏蔽器检测尚未得到正式研究，现有方法无法解决。
在本文中，我们提出了一种针对交通场景的监控摄像头异常检测方法，与正常监控场景相比，由于交通流和交通人群而具有明显的动态特征。用作低级特征的图像质量通过无参考指标来测量。用作中级特征的图像动态通过光流的直方图分布来计算。通过利用概率状态转换对图像质量和视频动态进行建模，设计了用于异常检测的两级分类器。所提出的方法对于城市监控场景中的许多具有挑战性的问题具有鲁棒性，并且误报率非常低。实验对交通场景中录制的真实视频进行了实验，包括高交通流量和严重拥挤的情况。我们的干扰屏蔽器测试结果表明，该方法在交通摄像头异常检测的准确率和误报率方面均优于以前的方法。
