Resumen

Para las imágenes de video de vigilancia capturadas por una cámara monocular, este artículo propone un método que combina la detección de primer plano y el aprendizaje profundo para detectar peatones en movimiento, aprovechando al máximo el fondo invariable de la imagen de video. En primer lugar, se extrae la región de movimiento mediante el método de diferencia entre fotogramas y diferencia de fondo. Luego, la región de movimiento normalizada extrae los vectores de características basados en la red YOLOv3 tiny mejorada. Finalmente, se utiliza una máquina de vectores de soporte lineal entrenada para la detección de peatones, y se muestra el rendimiento del algoritmo de detección de fusión en el conjunto de datos caviar, lo que demuestra la efectividad del algoritmo propuesto de detección de fusión. Los resultados experimentales muestran que el método propuesto no solo mejora la aplicación práctica de la rerreconocimiento de peatones, sino que también reduce el rango de detección, la complejidad computacional y la tasa de detección fals

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Video de vigilancia; Cámara monocular; Detección de primer plano; Aprendizaje profundo; Peatones en movimiento; Detección de peatones
• Keywords:Surveillance video; Monocular camera; Foreground detection; Deep learning; Moving pedestrians; Pedestrian detection