基于CNN-LSTM的框架，用于视频监控中的对象检测与遮挡处理

《Scientific Reports》：A CNN-LSTM based framework for object detection and occlusion-handling in video surveillance

　　

摘要

在动态且人口密集的环境中实现具有遮挡处理能力的精确对象检测，是视频监控系统面临的一项挑战。本文提出了一种创新的混合深度学习框架，该框架结合了卷积神经网络（CNN）和长短期记忆网络（LSTM），以应对对象检测和随时间跟踪的问题。CNN用于从单个视频帧中提取丰富的空间特征，而LSTM则用于捕捉连续帧之间的时间依赖性，从而在实时场景中实现更准确的跟踪和遮挡恢复。通过基准监控数据集PETS和MOT17的验证，结果表明，与传统的方法和独立的深度学习模型相比，该混合模型在检测准确性、跟踪失败情况以及处理复杂场景（如频繁的对象重叠、不同的运动模式和不一致的照明条件）时的遮挡能力方面表现更优。该混合模型具有可扩展性和适应性，适用于智能监控应用，如人群监控、公共安全、自动安保系统等。空间-时间学习的集成使其在实时部署中更加稳健，并提升了检测可靠性。