arXiv cs.AI· Shahran Rahman Alve·· 13 小时前AI 评分29
深度学习与混合方法如何用于动态场景分析、目标检测与运动跟踪
Smart Surveillance: Deep Learning and Hybrid Approaches for Dynamic Scene Analysis, Object Detection and Motion Tracking
AI 导读
研究在七个静态摄像头场景（5,800 帧、27 个标注事件）上对比六种运动触发器、CNN 检测器、跨帧检测与三种运动门控混合方案：检测器类触发器仅存储 19-28% 空闲帧，运动触发器为 36-89%。
正文 · AI 翻译
摘要：事件触发式录制减少了监控摄像头必须存储的视频量，但触发器决定了保留多少空闲视频、漏掉多少事件以及消耗多少计算资源。我们在统一的录制策略下，比较了六种运动触发器（帧差法、稠密光流、MOG2、KNN、CNT、GSOC）、一个 CNN 检测器、跨步检测以及三种运动门控混合方案，基准为七个静态摄像头场景（5,800 帧，27 个标注事件），并通过留一视频法将阈值迁移到未见场景。基于检测器的触发器存储了 19-28% 的空闲帧，而运动触发器为 36-89%。在模拟摄像头抖动下，帧差法、光流、MOG2 和 KNN 存储了 97-100% 的空闲帧，而检测器触发器保持在 29% 以下。每 8 帧运行一次检测器可保留 99.7% 的事件帧，每帧 CPU 耗时 9.8 ms，比用背景减除进行门控更便宜且更稳健。在 VisDrone 上，将 YOLO11n 的输入从 640 px 提高到 1280 px 使 AP 从 15.5 提升到 26.8，超过使用更大模型的效果，而 INT8 量化将延迟降低 17%，代价是 0.3 AP。在跟踪中，更长的轨迹记忆将 IDF1 从 70.5 提升到 76.7，但每个跟踪器仅能恢复 39-44% 的重叠人员，因为失败的是检测而非关联。
| 评论： | 15 页，7 幅图 |
| 主题： | 计算机视觉与模式识别（cs.CV）；人工智能（cs.AI） |
| 引用为： | arXiv:2412.05331 [cs.CV] |
| （或 arXiv:2412.05331v4 [cs.CV] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2412.05331 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Shahran Rahman Alve [查看邮箱]
[v1]
2024 年 12 月 5 日星期四 07:44:40 UTC（706 KB）
[v2]
2024 年 12 月 20 日星期五 04:59:53 UTC（703 KB）
[v3]
2025 年 2 月 17 日星期一 05:54:20 UTC（724 KB）
[v4]
2026 年 10 月 27 日星期二 05:25:08 UTC（967 KB）
来源：arXiv cs.AI · arxiv.org