鄒香玲 門(mén) 威

（河南廣播電視大學(xué)，河南 鄭州 450046）

智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)的研究

鄒香玲 門(mén) 威

（河南廣播電視大學(xué)，河南 鄭州 450046）

基于視頻監(jiān)控技術(shù)和物聯(lián)網(wǎng)技術(shù)的智慧視頻感知應(yīng)用體系，是智慧城市建設(shè)的重要組成部分，更是整個(gè)智慧城市感知體系的關(guān)鍵部分和重要的信息來(lái)源。本文擬基于深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行復(fù)雜場(chǎng)景下目標(biāo)檢測(cè)的相關(guān)研究，從認(rèn)知角度、更高層次地、更抽象地融入上下文信息對(duì)于目標(biāo)輔助刻畫(huà)目標(biāo)本身具有更為重要的作用，從而提高復(fù)雜背景下目標(biāo)檢測(cè)的準(zhǔn)確性；針對(duì)復(fù)雜場(chǎng)景中目標(biāo)多視角問(wèn)題，擬提出利用GBRF改進(jìn)基于隨機(jī)森林的局部圖像塊聚類(lèi)方法，基于傳統(tǒng)霍夫投票目標(biāo)檢測(cè)框架，提出一種適用于多視角目標(biāo)的加權(quán)投票檢測(cè)方法，并利用多類(lèi)線性SVM學(xué)習(xí)不同視角下投票組合權(quán)重，從而提高復(fù)雜場(chǎng)景下，多視角目標(biāo)檢測(cè)的準(zhǔn)確性。

智慧視頻；復(fù)雜環(huán)境；目標(biāo)檢測(cè)

一、引言

基于視頻信息的目標(biāo)檢測(cè)和視頻數(shù)據(jù)壓縮是計(jì)算機(jī)視覺(jué)的重要研究方向，該技術(shù)能廣泛適應(yīng)于目標(biāo)跟蹤、物體檢測(cè)和識(shí)別、情報(bào)分析、圖像檢索、信息安全、物聯(lián)網(wǎng)等學(xué)科和工程應(yīng)用領(lǐng)域；是《國(guó)家自然科學(xué)基金“十三五”發(fā)展規(guī)劃》中重點(diǎn)支持的研究方向和信息科學(xué)學(xué)部?jī)?yōu)先發(fā)展領(lǐng)域（第十二項(xiàng)網(wǎng)絡(luò)數(shù)據(jù)挖掘與理解），同時(shí)也是《國(guó)家中長(zhǎng)期科學(xué)和技術(shù)發(fā)展規(guī)劃綱要》前沿技術(shù)類(lèi)智能感知技術(shù)方向，對(duì)智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)進(jìn)行深入的開(kāi)發(fā)和研究，對(duì)機(jī)器學(xué)習(xí)、視頻圖像處理、數(shù)據(jù)挖掘等學(xué)科和領(lǐng)域的發(fā)展具有重要促進(jìn)作用。

智慧視頻感知中復(fù)雜環(huán)境下的目標(biāo)檢測(cè)，對(duì)于智慧城市電子平臺(tái)建設(shè)以及城市資源分配具有很強(qiáng)的社會(huì)意義和經(jīng)濟(jì)意義。智慧視頻感知中復(fù)雜環(huán)境下的目標(biāo)檢測(cè)，能夠有效獲取城市中攝像機(jī)場(chǎng)景內(nèi)出現(xiàn)的關(guān)注目標(biāo)，同時(shí)對(duì)檢測(cè)到的關(guān)注目標(biāo)的種類(lèi)、顏色、特征、速度等其他相關(guān)細(xì)節(jié)進(jìn)行處理和分析，為智慧視頻感知的應(yīng)用系統(tǒng)中的大數(shù)據(jù)應(yīng)用積累原始的、可識(shí)別的信息基礎(chǔ)，實(shí)現(xiàn)對(duì)圖像視頻中所含信息數(shù)據(jù)的智能分析與情報(bào)服務(wù)，從而能有效根據(jù)城市實(shí)時(shí)情況自適應(yīng)地進(jìn)行流量控制、移動(dòng)目標(biāo)的智能交通、城市資源分配、城市安防檢測(cè)、電子商務(wù)、身份管理等，極大提高資源分配的效率和合理性，有利于提升政府管理水平。

二、國(guó)內(nèi)外相關(guān)領(lǐng)域技術(shù)發(fā)展水平

智慧視頻感知中復(fù)雜環(huán)境下的目標(biāo)檢測(cè)，是當(dāng)今信息時(shí)代和將來(lái)相當(dāng)長(zhǎng)一段時(shí)間的研究熱點(diǎn)，對(duì)于智慧城市中的智慧視頻感知來(lái)說(shuō)極其重要，是實(shí)現(xiàn)系統(tǒng)智能化的基礎(chǔ)，提供了系統(tǒng)識(shí)別和利用圖像數(shù)據(jù)信息的能力。

復(fù)雜環(huán)境下的目標(biāo)檢測(cè)由于城市場(chǎng)景中目標(biāo)自身類(lèi)型變化大（如剛性/非剛性形變、視角差異）、目標(biāo)所處環(huán)境復(fù)雜（如光照、遮擋）等造成了對(duì)該問(wèn)題的研究一直面臨嚴(yán)峻的挑戰(zhàn)。目前國(guó)內(nèi)外的眾多研究者都從不同角度對(duì)該問(wèn)題進(jìn)行了研究。Felzenszwalb等人在傳統(tǒng)畫(huà)報(bào)模型的基礎(chǔ)上，提出了基于部件的目標(biāo)檢測(cè)模型，它既考慮了部件的局部外觀信息，也加入了各部件相對(duì)于目標(biāo)中心的位置形變約束。［1］該模型能容忍一定的幾何形變和遮擋問(wèn)題，但是它對(duì)如何將目標(biāo)劃分為多個(gè)部件以及形變和遮擋情況下多個(gè)部件間的相互約束關(guān)系表達(dá)不夠充分，同時(shí)該模型中各部件對(duì)整體目標(biāo)檢測(cè)的重要性并沒(méi)有做出區(qū)分?；贖ough投票的目標(biāo)檢測(cè)算法，該方法首先基于特征點(diǎn)將圖像劃分為很多小塊，然后利用大量樣本的圖像塊聚類(lèi)得到視覺(jué)單詞，最后利用單詞在檢測(cè)圖像中對(duì)目標(biāo)中心位置和尺度進(jìn)行投票，并最終確定目標(biāo)中心。該類(lèi)方法簡(jiǎn)單、高效，但單詞之間關(guān)系獨(dú)立，上下文信息并未得到利用，在大的形變和遮擋情況下效果并不理想。在此基礎(chǔ)上用樹(shù)結(jié)構(gòu)組織單詞，加快檢測(cè)速度，但在形變和遮擋情況下單詞之間的約束關(guān)系并沒(méi)有充分表達(dá)。在對(duì)遮擋的處理中，Xiaoyu Wang提出了一種利用LBP+HOG特征，通過(guò)部件遮擋的關(guān)聯(lián)圖建立聯(lián)合全局目標(biāo)檢測(cè)和局部部件區(qū)域檢測(cè)的目標(biāo)檢測(cè)算法，該算法雖然顯示建立了部件及整體的遮擋關(guān)系，但是局限性很大，對(duì)更復(fù)雜場(chǎng)景并不適用。為了設(shè)計(jì)適合于復(fù)雜背景下的目標(biāo)檢測(cè)算法，特別是針對(duì)形變和遮擋問(wèn)題，必須對(duì)傳統(tǒng)目標(biāo)檢測(cè)算法進(jìn)行改進(jìn)，

三、復(fù)雜環(huán)境下目標(biāo)檢測(cè)研究

傳統(tǒng)的基于全局窗口的檢測(cè)算法已不再適用，不論是處理形變還是遮擋問(wèn)題，目標(biāo)的全局信息已經(jīng)發(fā)生了很大的變化，但是目標(biāo)內(nèi)部很多區(qū)域信息卻變化不大。Martin Bergtholdt［2］提出一種基于部件的檢測(cè)模型，并用完全圖建立了部件之間的關(guān)聯(lián)，最后利用上下文信息在圖上進(jìn)行MAP推理，得到檢測(cè)目標(biāo)。基于圖模型的算法可以很好建立部件之間的上下文信息，但是此類(lèi)算法訓(xùn)練和檢測(cè)過(guò)程時(shí)間復(fù)雜度太大，不能很好滿足實(shí)際需求；對(duì)于各種不同目標(biāo)，確定部件劃分和部件對(duì)目標(biāo)整體檢測(cè)的貢獻(xiàn)也是研究者重點(diǎn)關(guān)注的問(wèn)題。P.Felzenszwalb直接利用LSVM對(duì)樣本進(jìn)行訓(xùn)練，自動(dòng)聚類(lèi)學(xué)習(xí)部件，但是在形變較大且無(wú)監(jiān)督情況下，部件聚類(lèi)效果并不理想。RoozbehMottaghi［3］提出了無(wú)監(jiān)督的針對(duì)不規(guī)則形變目標(biāo)的部件劃分方法，其具體做法是利用HOG bundles［4］，結(jié)合統(tǒng)計(jì)的幾何信息和外觀信息，建立部件模型。在復(fù)雜背景下，如何建立部件與目標(biāo)整體、部件與部件之間的上下文約束是當(dāng)前研究的熱點(diǎn)。為了處理目標(biāo)形變，基于星型模型建立了各部件位置和目標(biāo)中心的幾何約束關(guān)系。但在實(shí)際應(yīng)用中，星型模型不足以描述這種幾何約束，為此提出了完全圖模型，但該類(lèi)方法由于其極大的時(shí)間和空間開(kāi)銷(xiāo)限制了該類(lèi)算法的實(shí)際應(yīng)用。近年來(lái)，深度學(xué)習(xí)模型越來(lái)越多地被應(yīng)用于目標(biāo)檢測(cè)領(lǐng)域，其中Marc'Aurelio Ranzato［5］將深度學(xué)習(xí)用于目標(biāo)識(shí)別，利用RBM來(lái)構(gòu)建深度網(wǎng)絡(luò)模型，學(xué)習(xí)了部件之間的依賴關(guān)系。王曉剛團(tuán)隊(duì)利用深度網(wǎng)絡(luò)模型建立了目標(biāo)部件之間的可見(jiàn)關(guān)系，很好地處理了遮擋情況下的行人檢測(cè)問(wèn)題。雖然當(dāng)前方法取得了一定的成果，但與真正的人類(lèi)視覺(jué)系統(tǒng)還有一定的差距，不能滿足在復(fù)雜場(chǎng)景中，準(zhǔn)確進(jìn)行目標(biāo)檢測(cè)，無(wú)法滿足現(xiàn)實(shí)生活中實(shí)際應(yīng)用的需求。

本文主要從理論和應(yīng)用兩個(gè)方面進(jìn)行研究，理論研究針對(duì)智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)的關(guān)鍵技術(shù)問(wèn)題進(jìn)行深入研究，擬沿著傳統(tǒng)的機(jī)器學(xué)習(xí)方法和深度學(xué)習(xí)方法兩條技術(shù)路線提出有效的智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)算法。應(yīng)用研究是把該項(xiàng)目產(chǎn)品以全新的角度通過(guò)情報(bào)服務(wù)應(yīng)用于智慧城市中資源分配、安全預(yù)警等眾多領(lǐng)域。

（一）理論上主要是解決智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)的關(guān)鍵問(wèn)題

1.擬基于深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行復(fù)雜場(chǎng)景下目標(biāo)檢測(cè)的相關(guān)研究，基于上下文信息的目標(biāo)檢測(cè)主要從兩個(gè)層面上進(jìn)行上下文信息的遷移融入。一方面是針對(duì)原始圖像本身的目標(biāo)上下文信息的融合；另一方面是首先對(duì)原始圖像進(jìn)行相應(yīng)處理，在處理后獲得更高抽象層次的圖像信息，然后在此基礎(chǔ)上完成更抽象的上下文信息的遷移融合。本文是針對(duì)當(dāng)前已有的基于遷移學(xué)習(xí)中沒(méi)有重視利用上下文信息進(jìn)行遷移學(xué)習(xí)的一個(gè)有效補(bǔ)充，特別是關(guān)于第二方面利用更高層次的上下文信息的遷移研究，從認(rèn)知角度、更高層次的、更抽象的上下文信息對(duì)于目標(biāo)輔助刻畫(huà)目標(biāo)本身具有更為重要的作用。利用深度學(xué)習(xí)的CNN從數(shù)據(jù)本身進(jìn)行多層次的特征提取，能夠更準(zhǔn)確地刻畫(huà)目標(biāo)本征，從而提高目標(biāo)檢測(cè)的準(zhǔn)確性。

2.針對(duì)復(fù)雜場(chǎng)景中目標(biāo)自身移動(dòng)或者拍攝位置不同，導(dǎo)致最終目標(biāo)在圖像/視頻中以多種不同視角呈現(xiàn)的問(wèn)題。首先擬提出利用GBRF改進(jìn)基于隨機(jī)森林的局部圖像塊聚類(lèi)方法，給出一種緊致性視覺(jué)單詞定義方法；然后，基于生成的緊致性視覺(jué)單詞集，擴(kuò)展傳統(tǒng)霍夫投票目標(biāo)檢測(cè)框架，提出一種適用于多視角目標(biāo)的加權(quán)投票檢測(cè)方法，通過(guò)投票組合權(quán)重約束投票單元對(duì)不同視角目標(biāo)的貢獻(xiàn)；最后，給出一種無(wú)監(jiān)督視角子類(lèi)劃分方法，并利用多類(lèi)線性SVM學(xué)習(xí)不同視角下投票組合權(quán)重，從而提高復(fù)雜場(chǎng)景下，多視角目標(biāo)檢測(cè)的準(zhǔn)確性。

（二）利用智慧視頻感知中復(fù)雜環(huán)境下的目標(biāo)檢測(cè)的智能分析系統(tǒng)獲取相關(guān)情報(bào)信息的應(yīng)用

目前，國(guó)內(nèi)外的應(yīng)用設(shè)計(jì)相對(duì)層次都較低，大多需要人為干預(yù)和監(jiān)督，自動(dòng)化程度較低，往往會(huì)因?yàn)槿藶槭韬鰧?dǎo)致重要的數(shù)據(jù)信息遺漏，不利于大規(guī)模推廣應(yīng)用。利用基于視頻的相應(yīng)圖像處理技術(shù)，能自動(dòng)實(shí)現(xiàn)相應(yīng)目標(biāo)檢測(cè)，提高其應(yīng)用的自動(dòng)化程度，從而易于操作和推廣。該系統(tǒng)基于獲取的視頻信息，通過(guò)對(duì)現(xiàn)有數(shù)據(jù)的智能分析，能自適應(yīng)地提供更為豐富的多樣化的情報(bào)服務(wù)，實(shí)現(xiàn)智慧城市中資源的合理高效快速分配，極大提高智慧城市中相應(yīng)資源的使用效率。比如利用獲取的視頻信息的智能分析，通過(guò)情報(bào)服務(wù)實(shí)現(xiàn)車(chē)流疏導(dǎo)、車(chē)位?？?、貨物和行李存放、人流疏導(dǎo)、安全預(yù)警等。

四、應(yīng)用領(lǐng)域

智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)的研究?jī)?nèi)容包含復(fù)雜場(chǎng)景下如何針對(duì)視頻或圖片進(jìn)行相關(guān)的目標(biāo)檢測(cè)，以及在目標(biāo)檢測(cè)的基礎(chǔ)上利用感知獲取的相關(guān)信息進(jìn)行智能分析。基于視頻信息的復(fù)雜環(huán)境下目標(biāo)檢測(cè)及智能分析主要是提供基于視頻的城市目標(biāo)檢測(cè)和智能分析模塊，集成到智慧城市的整體系統(tǒng)中，以便增加智慧城市中基于視頻數(shù)據(jù)的智能分析能力，提升智慧城市建設(shè)的競(jìng)爭(zhēng)力。智慧城市的智能分析系統(tǒng)是在智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)的基礎(chǔ)上，通過(guò)對(duì)其相應(yīng)數(shù)據(jù)的分析結(jié)果進(jìn)行自動(dòng)播報(bào)，內(nèi)容確認(rèn)、監(jiān)聽(tīng)和校對(duì)，以及預(yù)警、權(quán)限管理、決策管理等情報(bào)服務(wù)。［6］

具體兩個(gè)子模塊的設(shè)計(jì)如下：智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)及智能分析，通過(guò)對(duì)視頻進(jìn)行分析，從而獲得相應(yīng)的識(shí)別結(jié)果。智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)及智能分析系統(tǒng)組織結(jié)構(gòu)圖如1圖所示，其模塊內(nèi)容包括如下幾個(gè)方面。

圖1 智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)及智能分析系統(tǒng)三層結(jié)構(gòu)

（1）前景檢測(cè)：包括城市中復(fù)雜場(chǎng)景下目標(biāo)的檢測(cè)。

（2）目標(biāo)分割：將諸如車(chē)輛、行人等移動(dòng)目標(biāo)從前景檢測(cè)結(jié)果中分割出來(lái)。

（3）行人目標(biāo)檢測(cè)：將前景團(tuán)塊中屬于行人的目標(biāo)檢測(cè)出來(lái)。

（4）車(chē)輛目標(biāo)檢測(cè)：將前景團(tuán)塊中屬于車(chē)輛的目標(biāo)檢測(cè)出來(lái)。

（5）行李或貨物目標(biāo)檢測(cè)：將前景團(tuán)塊中屬于行李或貨物的目標(biāo)檢測(cè)出來(lái)。

（6）其他地面目標(biāo)：根據(jù)智慧城市的具體要求進(jìn)行相關(guān)目標(biāo)的檢測(cè)。

（7）人臉檢測(cè)：對(duì)行人的人臉定位，以便識(shí)別人臉更精細(xì)的特征。

（8）目標(biāo)識(shí)別：首先根據(jù)用戶宏觀特征識(shí)別的需求，對(duì)輸入的包含航空港地面目標(biāo)的清晰畫(huà)面進(jìn)行宏觀特征區(qū)域的選擇（比如車(chē)形，車(chē)系，行人衣著、人群密度、車(chē)流人流運(yùn)動(dòng)趨勢(shì)、外貌等），然后對(duì)特征區(qū)域進(jìn)行識(shí)別并且將結(jié)果轉(zhuǎn)換為文字形式。

基于視頻的目標(biāo)檢測(cè)是目標(biāo)跟蹤的前提，對(duì)于復(fù)雜場(chǎng)景下，研究融合目標(biāo)場(chǎng)景的上下文信息能更為準(zhǔn)確地檢測(cè)遷移目標(biāo)，利用與目標(biāo)相關(guān)的上下文信息和CNN技術(shù)實(shí)現(xiàn)不同的地面多目標(biāo)檢測(cè)。針對(duì)復(fù)雜場(chǎng)景中目標(biāo)自身移動(dòng)或者拍攝位置不同，導(dǎo)致最終目標(biāo)在圖像/視頻中以多種不同視角呈現(xiàn)的問(wèn)題，利用GBRF改進(jìn)聚類(lèi)方法等實(shí)現(xiàn)多視角的目標(biāo)檢測(cè)。

智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)的技術(shù)路線主要從基于傳統(tǒng)機(jī)器學(xué)習(xí)的目標(biāo)檢測(cè)和基于深度學(xué)習(xí)的目標(biāo)檢測(cè)兩方面進(jìn)行論述。

1.針對(duì)復(fù)雜場(chǎng)景下基于傳統(tǒng)的機(jī)器學(xué)習(xí)方法的目標(biāo)檢測(cè)

對(duì)于多視角的目標(biāo)檢測(cè)擬采用GBRF改進(jìn)基于隨機(jī)森林的局部圖像塊聚類(lèi)方法，給出一種緊致性視覺(jué)單詞定義方法；然后，基于生成的緊致性視覺(jué)單詞集，擴(kuò)展傳統(tǒng)霍夫投票目標(biāo)檢測(cè)框架，提出一種適用于多視角目標(biāo)的加權(quán)投票檢測(cè)方法，通過(guò)投票組合權(quán)重約束投票單元對(duì)不同視角目標(biāo)的貢獻(xiàn)；最后，給出了一種無(wú)監(jiān)督視角子類(lèi)劃分方法，并利用多類(lèi)線性SVM學(xué)習(xí)不同視角下投票組合權(quán)重，從而提高復(fù)雜場(chǎng)景下，多視角目標(biāo)檢測(cè)的準(zhǔn)確性。其具體流程包括：（1）在樣本圖像中隨機(jī)提取局部圖像塊，構(gòu)成訓(xùn)練集合，類(lèi)似ISM方法，正樣例局部圖像塊標(biāo)記其相對(duì)目標(biāo)圖像中心的偏移向量。（2）利用GBRF，訓(xùn)練局基于部圖像塊的視覺(jué)單詞。類(lèi)似霍夫森林中利用隨機(jī)森林訓(xùn)練視覺(jué)單詞的做法，在利用GBRF逐層劃分圖像塊集合過(guò)程中，節(jié)點(diǎn)分裂函數(shù)需通過(guò)交替優(yōu)化節(jié)點(diǎn)圖像塊集合類(lèi)純度和節(jié)點(diǎn)中正樣例局部圖像塊相對(duì)偏移向量的偏離平方差得到視覺(jué)單詞的判別力。（3）對(duì)訓(xùn)練好的森林中每個(gè)葉子節(jié)點(diǎn)中圖像塊集合，利用聚類(lèi)算法對(duì)其劃分成不同子集，每個(gè)顯著的子集被定義為一個(gè)視覺(jué)單詞，最終構(gòu)成一種緊致的視覺(jué)單詞集。（4）檢測(cè)過(guò)程中，先遍歷測(cè)試圖像中所有圖像塊，然后利用構(gòu)建的GBRF建立測(cè)試圖像塊和視覺(jué)單詞的匹配關(guān)系，并計(jì)算每個(gè)視覺(jué)單詞對(duì)假設(shè)中心位置的投票分值，最終利用不同視角下的投票組合權(quán)重，組合各單詞投票分值，并在霍夫空間對(duì)應(yīng)位置記錄各視角中最大的那個(gè)投票分值。（5）類(lèi)似ISM 方法，利用Mean-Shift算法在霍夫空間找到真正的目標(biāo)中心。整體流程如圖2所示，主要包含局部圖像塊提取、視覺(jué)單詞生成和加權(quán)投票三部分。

圖 2智慧視頻感知中復(fù)雜環(huán)境下基于傳統(tǒng)機(jī)器學(xué)習(xí)的目標(biāo)檢測(cè)方法流程

2.沿著基于深度學(xué)習(xí)的目標(biāo)檢測(cè)

在復(fù)雜背景下，利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行目標(biāo)檢測(cè)。研究如何在特定場(chǎng)景下，利用CNN獲得的高層圖像表達(dá)完成上下文表示，并利用學(xué)習(xí)的自適應(yīng)上下文信息，輔助進(jìn)行目標(biāo)檢測(cè)。提出了復(fù)雜場(chǎng)景下基于上下文信息的CNN目標(biāo)檢測(cè)模型。整體框架主要包含訓(xùn)練階段和檢測(cè)階段兩步。第一步，訓(xùn)練自適應(yīng)的上下文特征選擇模型，在特定場(chǎng)景下，提取目標(biāo)圖像及其上下文圖像的兩組CNN特征圖；在同一尺度下，計(jì)算兩組特征圖間的差異；記錄并統(tǒng)計(jì)所有樣本差異度小于設(shè)定閾值的特征圖位置索引；選取有效的上下文CNN特征圖的位置索引。第二步，在獲取自適應(yīng)的上下文特征選擇模型的基礎(chǔ)上，訓(xùn)練基于自適應(yīng)上下文信息的CNN目標(biāo)檢測(cè)模型。

本文在復(fù)雜場(chǎng)景中目標(biāo)檢測(cè)的基礎(chǔ)上提出了智能分析系統(tǒng)，該系統(tǒng)擬解決以下幾個(gè)關(guān)鍵問(wèn)題：（1）根據(jù)智能分析的結(jié)果自動(dòng)進(jìn)行決策管理。比如利用相應(yīng)的復(fù)雜場(chǎng)景中獲取的各類(lèi)目標(biāo)信息，利用網(wǎng)絡(luò)化特點(diǎn)對(duì)城市中大范圍內(nèi)出現(xiàn)的相應(yīng)檢測(cè)目標(biāo)進(jìn)行關(guān)聯(lián)，有效分析檢測(cè)目標(biāo)的實(shí)時(shí)狀態(tài)，并對(duì)檢測(cè)信息進(jìn)行智能分析。（2）能夠根據(jù)歷史數(shù)據(jù)進(jìn)行自主學(xué)習(xí)，進(jìn)行常規(guī)性信息服務(wù)，如根據(jù)城市中日常不同目標(biāo)的分布特點(diǎn)；自主學(xué)習(xí)其運(yùn)動(dòng)規(guī)律分布情況，從而結(jié)合歷史規(guī)律進(jìn)行常規(guī)性的信息服務(wù)，比如相應(yīng)路段的智能交通服務(wù)等。

五、結(jié)論與展望

基于視頻監(jiān)控技術(shù)和物聯(lián)網(wǎng)技術(shù)的智慧視頻感知應(yīng)用體系是智慧城市建設(shè)的重要組成部分，也是城市管理公共服務(wù)及應(yīng)急指揮的核心支撐平臺(tái)，更是整個(gè)智慧城市感知體系的關(guān)鍵部分和重要的信息來(lái)源。智慧視頻感知中復(fù)雜環(huán)境下的目標(biāo)檢測(cè)及智能分析是智慧視頻感知的基礎(chǔ)，后期會(huì)在此基礎(chǔ)上進(jìn)行進(jìn)一步的研究。

［1］高華，鄔春學(xué)，魯俊.基于動(dòng)態(tài)加權(quán)可變形部件模型的行人檢測(cè)［J］.電子科技，2016，29（9）：1-3.

［2］陳凡，童瑩，曹雪虹.復(fù)雜環(huán)境下基于視覺(jué)顯著性的人臉目標(biāo)檢測(cè)［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2017，（1）：48-52.

［3］梁義濤，張德善.復(fù)雜環(huán)境下運(yùn)動(dòng)目標(biāo)檢測(cè)的改進(jìn)算法［J］.河南科技學(xué)院學(xué)報(bào)（自然科學(xué)版），2015，43（5）：53-57.

［4］沈翀.復(fù)雜視頻監(jiān)控環(huán)境下的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究［D］.合肥：中國(guó)科學(xué)技術(shù)大學(xué)，2015.

［5］伍妍妮，潘煉，王薇.基于分形特征的復(fù)雜環(huán)境目標(biāo)檢測(cè)方法研究［J］.計(jì)算機(jī)測(cè)量與控制，2014，22（5）：1327-1329.

［6］羅浩，袁杰，都思丹，等.復(fù)雜環(huán)境下視頻目標(biāo)檢測(cè)及其在交通系統(tǒng)中的應(yīng)用［J］.交通信息與安全，2005，23（5）：56-59.

TP391.41

A

1671-2862（2017）03-0104-05

2017-03-12

本文系2017年度河南省科技廳課題“智慧視頻感知中復(fù)雜環(huán)境下目標(biāo)檢測(cè)及智能分析系統(tǒng)”（課題編號(hào)：172102210236），2016年度河南省教育廳課題“基于云計(jì)算解決方案的河南省志愿服務(wù)信息云平臺(tái)的研究設(shè)計(jì)與構(gòu)建”（課題編號(hào)：16B520008）的研究成果。

鄒香玲，女，河南沈丘人，碩士研究生，河南廣播電視大學(xué)助教，研究方向：計(jì)算機(jī)軟件；門(mén)威，男，河南永城人，碩士研究生，河南廣播電視大學(xué)助教，研究方向：云計(jì)算、軟件工程。