本文關(guān)鍵詞：基于Codebook背景建模的人員檢測算法研究

  更多相關(guān)文章： 行人檢測 Codebook背景建模 SVM 直方圖交叉核

【摘要】：行人檢測的研究對保障行人的人身安全至關(guān)重要,當(dāng)前大多數(shù)的行人檢測研究是在特定數(shù)據(jù)集上進(jìn)行的,而對變電站這一類特定場景下的行人檢測,應(yīng)根據(jù)場景的特點(diǎn)設(shè)計(jì)行人檢測算法,來充分發(fā)揮算法的性能。本文分析了變電站這類場景的特點(diǎn),并根據(jù)場景固定且場景中行人較少的特點(diǎn),選用Codebook背景建模算法粗略檢測得到前景后,再使用行人檢測算法精細(xì)的檢測前景中的行人,最終完成這類場景下的行人檢測任務(wù)。在整個(gè)算法流程中,主要做了以下幾方面的工作:首先,研究了Codebook背景建模算法中的背景更新環(huán)節(jié),提出使用臨時(shí)塊模型來更新背景模型,解決Codebook背景建模算法對光照敏感的問題,同時(shí)將行人檢測的結(jié)果也引入到背景更新過程中,使臨時(shí)塊模型不至于將具有背景特性的行人更新到背景模型中。其次,從分類器和搜索策略兩方面來提高行人檢測的性能。相比使用線性核的SVM訓(xùn)練行人分類器,采用直方圖交叉核使得SVM擁有更強(qiáng)大的分類能力的同時(shí)又不帶來顯著的計(jì)算消耗;分析發(fā)現(xiàn)滑動(dòng)窗口遍歷全圖來搜索行人是傳統(tǒng)行人檢測方式的計(jì)算瓶頸,采取由粗到精的方式,先使用Codebook背景建模算法快速提取前景區(qū)域,再使用訓(xùn)練好的行人分類器滑動(dòng)窗口檢測前景區(qū)域中的行人,以此來實(shí)現(xiàn)實(shí)時(shí)行人檢測。最后,模擬變電站下的場景與環(huán)境干擾,對設(shè)計(jì)的算法進(jìn)行測試。實(shí)驗(yàn)表明,改進(jìn)后的算法能應(yīng)對環(huán)境變化的影響,并提高了行人檢測的性能,在測試視頻上算法的平均檢測時(shí)間為29ms左右,達(dá)到實(shí)時(shí)檢測的要求,并實(shí)現(xiàn)變電站場景下的人員入侵檢測。
【關(guān)鍵詞】：行人檢測 Codebook背景建模 SVM 直方圖交叉核
【學(xué)位授予單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;TM63
【目錄】：

• 摘要5-6
• ABSTRACT6-11
• 第一章 緒論11-16
• 1.1 課題背景及研究意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.3 課題的研究內(nèi)容14
• 1.4 本論文的結(jié)構(gòu)安排14-16
• 第二章 行人檢測基礎(chǔ)知識(shí)16-31
• 2.1 圖像處理基本知識(shí)16-20
• 2.1.1 顏色空間16-18
• 2.1.2 形態(tài)學(xué)處理18-20
• 2.2 視頻目標(biāo)檢測20-25
• 2.2.1 運(yùn)動(dòng)目標(biāo)檢測算法20-25
• 2.3 視頻目標(biāo)識(shí)別25-30
• 2.3.1 HOG特征描述子25-28
• 2.3.2 SVM分類器理論28-30
• 2.4 本章小結(jié)30-31
• 第三章 自適應(yīng)Codebook背景建模算法31-48
• 3.1 變電站行人檢測31-33
• 3.1.1 變電站場景分析31
• 3.1.2 行人檢測算法選取31-33
• 3.2 Codebook背景模型初始化33-35
• 3.2.1 Codebook背景模型介紹33-34
• 3.2.2 顏色空間選取34-35
• 3.3 冗余碼字濾除35-39
• 3.3.1 冗余碼字的產(chǎn)生35-37
• 3.3.2 冗余碼字的影響37
• 3.3.3 冗余碼字的濾除方法37-39
• 3.3.4 檢測效果對比39
• 3.4 背景模型更新39-47
• 3.4.1 主要解決問題40-41
• 3.4.2 更新方法遵循準(zhǔn)則41-42
• 3.4.3 背景模型更新方法42-47
• 3.5 本章小結(jié)47-48
• 第四章 Codebook背景模型下的行人檢測48-64
• 4.1 樣本的選取48-50
• 4.2 特征的計(jì)算50-55
• 4.2.1 樣本的預(yù)處理50-53
• 4.2.2 構(gòu)造行人檢測器53-54
• 4.2.3 獲取特征54-55
• 4.3 行人檢測55-59
• 4.3.1 訓(xùn)練行人分類器56-58
• 4.3.2 構(gòu)造行人檢測器58-59
• 4.4 算法的融合59-63
• 4.4.1 融合行人檢測后的背景更新59-61
• 4.4.2 Codebook模型下行人檢測61-63
• 4.5 本章小結(jié)63-64
• 第五章 基于Codebook背景建模的行人檢測算法驗(yàn)證64-72
• 5.1 測試平臺(tái)介紹64-65
• 5.1.1 硬件平臺(tái)64
• 5.1.2 軟件平臺(tái)64-65
• 5.2 Codebook背景模型檢測效果測試65-68
• 5.2.1 局部光照突變下的適應(yīng)能力驗(yàn)證65-67
• 5.2.2 對偽前景選擇吸收能力驗(yàn)證67-68
• 5.3 行人檢測效果與性能分析68-70
• 5.3.1 行人檢測效果68-69
• 5.3.2 行人檢測性能分析69-70
• 5.4 變電站場景下的行人檢測系統(tǒng)應(yīng)用70-71
• 5.4.1 行人檢測系統(tǒng)框架70-71
• 5.4.2 變電站入侵檢測系統(tǒng)71
• 5.5 本章小結(jié)71-72
• 第六章 總結(jié)與展望72-74
• 6.1 全文工作總結(jié)72-73
• 6.2 工作展望73-74
• 致謝74-75
• 參考文獻(xiàn)75-78
• 攻讀碩士期間研究成果78-79

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前8條

1 向濤;李濤;李旭冬;李冬梅;;基于隨機(jī)森林的層次行人檢測算法[J];計(jì)算機(jī)應(yīng)用研究;2015年07期

2 苑洋;黃迪;王蘊(yùn)紅;;面向不同距離的實(shí)時(shí)人體檢測與跟蹤系統(tǒng)[J];模式識(shí)別與人工智能;2014年10期

3 劉劍;劉亞楠;高恩陽;龔志恒;;基于前景分割的行人檢測方法[J];小型微型計(jì)算機(jī)系統(tǒng);2014年03期

4 曾波波;王貴錦;林行剛;;基于顏色自相似度特征的實(shí)時(shí)行人檢測[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2012年04期

5 蘇松志;李紹滋;陳淑媛;蔡國榕;吳云東;;行人檢測技術(shù)綜述[J];電子學(xué)報(bào);2012年04期

6 霍東海;楊丹;張小洪;洪明堅(jiān);;一種基于主成分分析的Codebook背景建模算法[J];自動(dòng)化學(xué)報(bào);2012年04期

7 種衍文;匡湖林;李清泉;;一種基于多特征和機(jī)器學(xué)習(xí)的分級(jí)行人檢測方法[J];自動(dòng)化學(xué)報(bào);2012年03期

8 楊濤;李靜;潘泉;張艷寧;;基于場景模型與統(tǒng)計(jì)學(xué)習(xí)的魯棒行人檢測算法[J];自動(dòng)化學(xué)報(bào);2010年04期

，

本文編號(hào)：1046029