行人的檢測和再識別是計(jì)算機(jī)視覺的重要研究內(nèi)容,主要是從視頻或者圖像序列中區(qū)分并定位出“感興趣”區(qū)域,并對“感興趣”區(qū)域的行人再次識別判斷的過程。在不重疊的攝像機(jī)視角下,基于計(jì)算機(jī)視覺和模式識別的行人檢測及再識別受到人們越來越多的關(guān)注,主要是由于它有著廣泛的應(yīng)用領(lǐng)域,尤其是在智能視頻監(jiān)控、交通、刑偵等重要領(lǐng)域。盡管行人檢測和再識別近年來已經(jīng)取得了很大的進(jìn)展,但是在實(shí)際應(yīng)用場景中仍存在一些問題。例如公交車、地鐵或者商場等,這些場合下由于受到光照、遮擋、視角、背景混亂以及衣服顏色近似等因素的影響,行人的檢測和再識別仍然是計(jì)算機(jī)視覺領(lǐng)域中極具挑戰(zhàn)性的課題�；趫D像視頻處理的行人檢測和再識別算法,如何克服光照劇烈變化以及遮擋等外在因素的影響,高效地檢測出公交乘客并且正確地識別出乘客,是本文的主要研究內(nèi)容,具體工作如下:(1)針對公交乘客的檢測,提出一種基于人頭肩的增強(qiáng)聚合濾波通道特征乘客檢測算法。公交車客流量比較大,且易受光照、遮擋等外在因素影響。本文通過多尺度Retinex預(yù)處理,消除光照以及噪聲等對圖片處理造成的影響;訓(xùn)練學(xué)習(xí)乘客頭肩的模型,避免遮擋而誤檢;利用聚合濾波通道特征的檢測算法,在多個(gè)尺度上提取圖像的通道特征,對底層特征采用濾波器組進(jìn)行濾波,結(jié)合boosted決策樹訓(xùn)練分類,在公共數(shù)據(jù)集和公交車乘客數(shù)據(jù)集上的實(shí)驗(yàn),證明了提出算法的有效性;(2)針對公交乘客的再識別,提出一種基于改進(jìn)的Fisher線性向量編碼描述符和交叉視角二次判別分析度量學(xué)習(xí)組合的再識別算法。對于檢測出來的乘客,基于圖像像素點(diǎn)的簡單7維特征去描述局部特征,利用高斯混合模型對特征數(shù)據(jù)建模,Fisher線性向量聚合組成通道特征描述符,在HSV顏色空間上求取最終的特征表示描述符;然后將樣本的高維特征,通過低維特征子空間和度量矩陣進(jìn)行降維學(xué)習(xí),實(shí)現(xiàn)類內(nèi)樣本的特征距離小于類間樣本的特征距離。針對公交乘客頭肩數(shù)據(jù)庫,基于改進(jìn)的Fisher線性向量編碼描述符和交叉視角二次判別分析度量算法的再識別率達(dá)到了87.33%。
【學(xué)位單位】：天津理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：U491.17;TP391.41
【部分圖文】：

第二章 行人檢測和再識別算法概述行人的檢測和再識別，主要是在視頻序列或者圖像中檢測區(qū)分出行人，標(biāo)注其具位置，并且從已檢測的行人中再次識別某個(gè)特定行人。整體的示例圖如圖 2-1 所示。

圖 2-2 整體框架圖在實(shí)際應(yīng)用場景中，由于采集的視頻圖像受光照、噪聲、視角等多方面因素的影大，因此在行人檢測和再識別過程中，首先需要對圖像預(yù)處理，其次由于實(shí)驗(yàn)條件限制，還需要考慮算法性能和時(shí)間、空間等的平衡。本章著重介紹了行人檢測和再算法中的特征選擇、分類以及距離度量的相關(guān)技術(shù)。

- 8 -圖 2-3 圖像的多通道特征濾波通道也是提取目標(biāo)特征的重要方法，主要是利用圖像的線性變換。圖2-3(c)和(d)就是圖像 I 的 Gabor 高斯濾波變換和 DoG 差分高斯濾波變換。其中每個(gè)通道包含了各自方向上的邊緣信息。高斯濾波器主要采用正態(tài)分布的線性變換，建立相應(yīng)模塊對圖像像素進(jìn)行處理。高斯差分濾波器則是采用高斯函數(shù)卷積后的差值，增強(qiáng)圖像像素的對比變化，進(jìn)一步提高了特征表示的魯棒性。梯度幅值和梯度主要采用非線性變換描述圖像的邊緣信息，梯度幅值主要針對邊緣強(qiáng)度，計(jì)算各個(gè)方向的梯度分量并求取向量的模。描述邊緣信息的算子有多種，比如sobel、roberts 以及 canny[42]等。梯度包含梯度方向和梯度幅值，因此梯度還可以表示圖像的邊緣信息。圖 2-3 的(e)、(f)分別對應(yīng)圖像 I 的梯度幅值以及邊緣算子。積分直方圖和梯度直方圖也是常用的特征提取方法。積分直方圖特征就是對二值通道圖像分別求積分圖像，計(jì)算區(qū)域內(nèi)各量化等級的出現(xiàn)次數(shù)，組成直方圖。積分圖存放的不再是像素的灰度值
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;公交乘客抬開霸道攔路轎車[J];南風(fēng)窗;2014年19期

2 范黎林;孫劍斐;;基于大數(shù)據(jù)的公交乘客線路選擇估計(jì)模型仿真[J];計(jì)算機(jī)仿真;2016年05期

3 林會明;;公交乘客門的未來之星——塞拉門[J];人民公交;2016年11期

4 吳鼎新;段雪彬;;淮安市公交乘客上下車時(shí)間特性分析[J];物流工程與管理;2017年12期

5 周寧;劉小明;唐少虎;鄭國榮;;公交乘客優(yōu)先信號模糊控制仿真研究[J];計(jì)算機(jī)仿真;2016年09期

6 李志;田我順;張成;;公交乘客出行路徑優(yōu)化模型[J];道路交通與安全;2008年03期

7 ;常州公交乘客滿意度六連升,達(dá)90.1%[J];城市公共交通;2014年03期

8 馮建棟;王昊;;鄭州市公交乘客特性及出行意愿調(diào)查分析[J];交通科技與經(jīng)濟(jì);2015年04期

9 茍蕾;汪文俊;唐曉龍;石連生;;�？谑泄怀丝蜐M意度統(tǒng)計(jì)分析[J];海南師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年02期

10 劉永濤;趙俊瑋;華珺;李旋;袁天宇;;公交乘客失誤行為下情緒狀態(tài)的影響因素研究[J];安全與環(huán)境工程;2019年04期

相關(guān)博士學(xué)位論文 前1條

1 金寧;公共交通乘客滿意度測評理論及實(shí)證研究[D];吉林大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 何敬霞;基于視覺的公交乘客的檢測及再識別[D];天津理工大學(xué);2019年

2 羅麗群;針對服務(wù)質(zhì)量的公交乘客滿意度群體差異及改善[D];武漢理工大學(xué);2017年

3 陳曦;針對圖像中的公交乘客檢測與識別算法研究[D];湖南大學(xué);2018年

4 李曉松;面向公交乘客檢測的卷積網(wǎng)絡(luò)模型優(yōu)化[D];哈爾濱工程大學(xué);2018年

5 郭瑩艷;基于QFD與結(jié)構(gòu)方程模型的公交乘客滿意度研究[D];天津商業(yè)大學(xué);2018年

6 付惠琳;基于結(jié)構(gòu)方程的公交乘客滿意度評價(jià)[D];大連交通大學(xué);2017年

7 李宜江;公交乘客乘車滿意度實(shí)證研究[D];石家莊鐵道大學(xué);2013年

8 王凌;城市公交乘客信息系統(tǒng)研究[D];西南交通大學(xué);2007年

9 董琳琳;基于結(jié)構(gòu)方程模型的公交乘客滿意度研究[D];重慶大學(xué);2012年

10 呂林劍;基于公交乘客流構(gòu)成的公交調(diào)度優(yōu)化研究[D];西南交通大學(xué);2012年

本文編號：2836161