發(fā)布時間：2020-11-08 20:41

　　 隨著我國工業(yè)水平的提高和經(jīng)濟的發(fā)展,汽車已經(jīng)成為人們出行的普通交通工具,同時造成城市交通擁堵和交通安全問題非常嚴重,行人由于沒有任何防護,往往成為交通事故中最大的受害者。因此,開發(fā)一套汽車安全輔助駕駛系統(tǒng)就顯得尤為重要,車載壞境下行人檢測技術的研究為其提供了技術支撐。由于人體姿態(tài)各異,背景環(huán)境復雜多變,人與人相互影響;同時還有可能存在遮擋問題,因此在車載環(huán)境下,準確性、實時性高的行人檢測技術成為了研究目標。本文主要研究內(nèi)容分為行人的檢測和跟蹤兩部分,首先分析了行人檢測與跟蹤技術研究的背景、意義及國內(nèi)外研究現(xiàn)狀;其次,深入研究行人檢測與跟蹤的基本理論和方法;最后對現(xiàn)有方法及相關算法進行改進,實現(xiàn)了基于人體部位的行人檢測,以及基于粒子濾波算法和均值偏移算法融合的行人跟蹤。本文提出一種基于人體部位的行人檢測方法,首先將人體分為三個部位區(qū)域,用haar-like特征提取圖像特征,接著使用Adaboost算法訓練full-body檢測器和頭肩、軀干和腿等部位檢測器;然后用full-body檢測器產(chǎn)生行人候選目標區(qū)域,分別使用頭肩、軀干和腿等部位檢測器在相應部位區(qū)域進行檢測,最后對部位檢測結(jié)果進行組合分析,判定候選目標是否為行人。通過仿真實驗得到的圖像和數(shù)據(jù)表明本文提出的方法,與單個全身(full-body)檢測器檢測方法和Anuj Mohan等介紹了一種部位組合(Voting Combination Classifiers)的人體檢測方法相比較,檢測率有所提高,由于需要多部位檢測,檢測時間比單個全身檢測器有所增加,但基本能保證實時性。本文提出了一種基于顏色特征和紋理特征融合的粒子濾波與均值偏移相結(jié)合的目標跟蹤算法,首先研究了運動目標跟蹤中比較流行的粒子濾波算法和均值偏移算法,粒子濾波目標跟蹤算法和均值偏移目標跟蹤算法均采用單一的顏色特征建立目標模型,當目標顏色與背景相近時將無法準確跟蹤目標,隨著跟蹤時間變長且會出現(xiàn)粒子退化等問題。其次,行人目標在運動過程中會隨著距離攝像頭遠近導致圖像中的輪廓大小發(fā)生變化,傳統(tǒng)的算法一般只針對大小不變的目標進行跟蹤,行人目標大小變化時,導致定位不準確。針對以上問題,本文采用顏色紋理特征相融合建立目標模型,將均值偏移算法嵌入到粒子濾波算法中,使用均值偏移算法對跟蹤過程的粒子集合進行聚類操作,使得粒子的權(quán)值增大,更加接近目標的真實位置,通常使用較少的粒子就能準確的跟蹤目標,進而保證了跟蹤的時效性。對城市道路不同交通場景進行測試,實驗圖像和數(shù)據(jù)表明本文提出改進的行人目標跟蹤算法算法比粒子濾波行人目標跟蹤算法和均值偏移行人目標跟蹤算法的跟蹤精度要高,且能適應目標大小改變,由于需要對粒子進行聚類,每幀圖像處理時間與均值偏移算法相比有所增加,但能滿足實時性跟蹤。
【學位單位】：長春工業(yè)大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：U463.6;TP391.41
【部分圖文】：

耍琱aar 特征的矩形區(qū)域大小不定,在圖像中的位置不定,特征值是通過計算相鄰的兩個矩形區(qū)域內(nèi)的所有像素值的和,然后將兩矩形區(qū)域的像素和相減。特征具體形式如圖2-2 中相鄰的白色矩形和黑色巨矩形。一幅圖像中能夠描述目標的 haar 特征的數(shù)量非常多,我們在對其進行分類時,通過引入“積分圖”可以提高 haar 特征值的運算速度，且我們只需要對圖像進行一次搜索計算,就可以在特定時間內(nèi)計算出每一個特征，既能提高分類器訓練的速度也能提高目標檢測的速度。Papageorgiou 等人最開始是用 haar 特征描述人臉,后來,Viola 和 Jones 在Papageorgiou 提出的 haar 特征的基礎上,對其進行了擴展,如圖 2-2 所示：

第 2 章 基于人體部位的行人檢測圖 2-2 基本矩形特征原型Haar 特征經(jīng)過擴展之后，被廣泛應用于目標檢測，引起了研究學者極大關，Lienhart R 等人又在上述特征原型進行了擴展，提出旋轉(zhuǎn) 45 度特征原型 2-3 所示，下圖是擴展之后的全部 haar-like 矩形特征。雖然矩形特征對于像邊等一些簡單圖形結(jié)構(gòu)非常的敏感，但是其僅能表示特定方向上（水平、垂直的特征。

第 2 章 基于人體部位的行人檢測矩形區(qū)域組成一個特征原型。而且黑色矩形包含在白色矩形里面。 haar-like 特征原型形成過程。在特征值的計算過程中，1w 和2w 分黑色矩形的權(quán)重，1w 與2w 的符號相反，1Area 和2Area 分別代表白的面積，1221w / w Area/Area，矩形區(qū)域的權(quán)值與矩形區(qū)域的面積原型在行人檢測窗口內(nèi)的大小和位置任意選取，因此可以獲得最佳征。
【相似文獻】

相關期刊論文 前10條

1 張鐵;馬瓊雄;;人機交互中的人體目標跟蹤算法[J];上海交通大學學報;2015年08期

2 張大為;孫雷;劉迪;;基于粒子濾波的檢測前目標跟蹤算法[J];計算機仿真;2012年11期

3 曹潔;李延林;;基于信息融合的運動目標跟蹤算法[J];電子測量與儀器學報;2011年03期

4 曹偉杰;童牧;唐明浩;;一種結(jié)合人工免疫的粒子濾波目標跟蹤算法[J];計算機工程與應用;2011年28期

5 張曉偉;劉弘;;一種目標優(yōu)化算法改進的粒子濾波跟蹤方法[J];小型微型計算機系統(tǒng);2014年06期

6 黃元捷;趙杰煜;程婷婷;陳普強;;一種檢測范圍自適應的目標跟蹤算法[J];寧波大學學報(理工版);2015年04期

7 李春鑫;;基于中值移位的粒子濾波多目標跟蹤算法[J];光電技術應用;2011年06期

8 陳姝;彭小寧;;基于粒子濾波和在線隨機森林分類的目標跟蹤[J];江蘇大學學報(自然科學版);2014年02期

9 柴繼貴;;改進的粒子濾波的視頻圖像目標跟蹤技術[J];科技通報;2012年08期

10 周尚波;何革;柳玉炯;;一種改進的粒子濾波目標跟蹤算法[J];計算機應用研究;2010年07期

相關博士學位論文 前10條

1 王書朋;視頻目標跟蹤算法研究[D];西安電子科技大學;2009年

2 盧建國;基于粒子濾波的視頻目標跟蹤算法研究[D];北京郵電大學;2011年

3 劉晴;基于區(qū)域特征的目標跟蹤算法研究[D];北京理工大學;2014年

4 劉榮利;基于統(tǒng)計學習的視覺目標跟蹤算法研究[D];上海交通大學;2014年

5 王趙琛;醫(yī)學情境下基因檢測的倫理學探究[D];北京協(xié)和醫(yī)學院;2014年

6 趙運基;基于視覺的目標跟蹤算法研究[D];華南理工大學;2012年

7 金加根;基于元數(shù)據(jù)的雷達目標檢測和跟蹤研究[D];武漢理工大學;2015年

8 張雷;復雜場景下實時目標跟蹤算法及實現(xiàn)技術研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2016年

9 胡碩;基于小波理論的目標檢測與快速目標跟蹤算法研究[D];中國科學院研究生院（長春光學精密機械與物理研究所）;2006年

10 李安平;復雜環(huán)境下的視頻目標跟蹤算法研究[D];上海交通大學;2007年

相關碩士學位論文 前10條

1 王磊;基于車載攝像頭的行人檢測技術的研究[D];長春工業(yè)大學;2018年

2 馮帆;復雜度可分級的目標跟蹤算法研究[D];華中科技大學;2013年

3 張濰帆;基于粒子濾波的目標跟蹤算法研究[D];天津理工大學;2015年

4 劉曉偉;視頻監(jiān)控中目標跟蹤算法的研究[D];天津大學;2014年

5 李春蘭;基于遮擋檢測的粒子濾波行人目標跟蹤算法研究[D];深圳大學;2017年

6 何慧堯;運動目標跟蹤算法及應用研究[D];天津工業(yè)大學;2017年

7 蘇高玲;智能視覺監(jiān)控系統(tǒng)中的運動目標跟蹤算法研究[D];沈陽建筑大學;2015年

8 陳家波;視頻中運動目標跟蹤算法的研究[D];蘇州大學;2012年

9 董銘芳;基于圖像顯著性檢測的目標跟蹤算法研究[D];吉林大學;2015年

10 張春宇;基于運動特征的視頻目標跟蹤算法研究[D];深圳大學;2016年

本文編號：2875308