發(fā)布時(shí)間：2018-11-15 16:23

【摘要】：近年來(lái),隨著人們對(duì)公共安全問(wèn)題的日益關(guān)切,對(duì)公共環(huán)境中的行人進(jìn)行自動(dòng)檢測(cè)已成為智能監(jiān)控和計(jì)算機(jī)視覺(jué)領(lǐng)域中的研究熱點(diǎn)。由于行人可能處于移動(dòng)或靜止等不同的狀態(tài),且姿態(tài)變化劇烈,此外,行人之間的移動(dòng)容易導(dǎo)致相互遮擋,在復(fù)雜場(chǎng)景中的這樣遮擋情況就更加明顯,這些都在很大程度上加大了行人檢測(cè)的難度。由于相對(duì)于人體的其他部位,人體頭部不易被遮擋,且輪廓邊界比較分明。因此通過(guò)檢測(cè)行人頭部來(lái)對(duì)行人進(jìn)行定位是一種可行的檢測(cè)思路。本文對(duì)復(fù)雜場(chǎng)景下的人體頭部檢測(cè)問(wèn)題展開(kāi)研究,致力于研究一類(lèi)可以對(duì)公共環(huán)境中人體頭部進(jìn)行穩(wěn)定檢測(cè)的算法。論文主要工作內(nèi)容如下:(1)對(duì)固定攝像頭情景下的行人頭部檢測(cè)問(wèn)題進(jìn)行研究。首先采用背景差分法得到運(yùn)動(dòng)前景區(qū)域,然后通過(guò)分析人體頭部輪廓的梯度和方向幅值得到可能存在行人頭部的感興趣區(qū)域,同時(shí),采用K-mean聚類(lèi)方法對(duì)偽候選區(qū)域進(jìn)行排除;最后對(duì)感興趣區(qū)域訓(xùn)練分類(lèi)器進(jìn)行分類(lèi)得到正確的行人頭部位置。實(shí)驗(yàn)表明該方法在保持較高準(zhǔn)確率的同時(shí),提高了算法的實(shí)時(shí)性。(2)設(shè)計(jì)一種攝像頭運(yùn)動(dòng)情景下的頭部檢測(cè)算法。當(dāng)攝像頭安置于移動(dòng)終端或車(chē)輛等運(yùn)動(dòng)物體之上時(shí),背景檢測(cè)方法變得不再可靠。為此本文采用基于圖分割的方法對(duì)圖像進(jìn)行分割。通過(guò)圖分割可以列舉出圖像中物體可能存在的區(qū)域,將這些區(qū)域作為頭部目標(biāo)可能存在的區(qū)域進(jìn)行分類(lèi)檢測(cè)即可得到目標(biāo)位置。實(shí)驗(yàn)結(jié)果驗(yàn)證了方法的有效性。(3)針對(duì)傳統(tǒng)的PCA-HOG降維后的特征空間存在鑒別性不足的問(wèn)題,提出一種基于HOG-LBP分步降維的人體頭部分類(lèi)算法。在對(duì)傳統(tǒng)的HOG檢測(cè)算法進(jìn)行分析的基礎(chǔ)上,針對(duì)PCA降維并沒(méi)有考慮樣本類(lèi)別的問(wèn)題,將HOG特征按照樣本類(lèi)別進(jìn)行分步降維,并將降維后的HOG特征與LBP特征相融合得到最終特征描述算子。通過(guò)訓(xùn)練支持向量機(jī)分類(lèi)器進(jìn)行分類(lèi)的結(jié)果表明,該方法與傳統(tǒng)的HOG算子相比可以有效提高檢測(cè)的準(zhǔn)確率。(4)搭建了行人頭部檢測(cè)系統(tǒng)的軟件構(gòu)架。以滿足行人頭部檢測(cè)系統(tǒng)的實(shí)際需求為目標(biāo),在Visual Studio2010+OpenCV框架下開(kāi)發(fā)了相應(yīng)的檢測(cè)軟件。為了提高軟件的穩(wěn)定性和實(shí)時(shí)性,在結(jié)構(gòu)上采用多線程技術(shù)將圖像處理和界面數(shù)據(jù)交互分為不同的線程獨(dú)立執(zhí)行。實(shí)際運(yùn)行結(jié)果表明,所開(kāi)發(fā)的軟件可以穩(wěn)定運(yùn)行。
[Abstract]:In recent years, with the increasing concern of public safety, automatic detection of pedestrians in the public environment has become a research hotspot in the field of intelligent monitoring and computer vision. Since pedestrians may be in different states, such as moving or stationary, and their posture changes dramatically, in addition, the movement of pedestrians can easily lead to mutual occlusion, which is even more obvious in complex scenarios. These have greatly increased the difficulty of pedestrian detection. Compared with other parts of the human body, the head of the human body is difficult to be occluded, and the contour boundary is clear. Therefore, it is a feasible way to detect the pedestrian by detecting the head of the pedestrian. In this paper, the problem of human head detection in complex scenes is studied, and a class of algorithms that can detect human head stably in public environment are studied. The main work of this paper is as follows: (1) the detection of pedestrian head under fixed camera is studied. The background difference method is used to obtain the moving foreground area, and then by analyzing the gradient and directional amplitude of the human head contour, the region of interest that may exist in the pedestrian head is obtained. At the same time, The pseudo candidate regions are excluded by K-mean clustering method. Finally, the correct position of pedestrian head is obtained by classifying the region of interest training classifier. Experiments show that this method not only keeps a high accuracy, but also improves the real-time performance of the algorithm. (2) A head detection algorithm is designed under the camera motion scenario. When the camera is mounted on moving objects such as mobile terminals or vehicles, background detection methods become less reliable. Therefore, the image segmentation method based on graph is adopted in this paper. The possible regions of the objects in the image can be listed by image segmentation, and the location of the objects can be obtained by classifying these regions as the possible regions of the head target. The experimental results demonstrate the effectiveness of the method. (3) aiming at the problem of insufficient discrimination in the traditional PCA-HOG dimensionality reduction feature space, a human head classification algorithm based on HOG-LBP step reduction is proposed. Based on the analysis of the traditional HOG detection algorithm, aiming at the problem of PCA dimensionality reduction without considering the sample category, the HOG feature is reduced according to the sample classification step by step. Finally, the final feature description operator is obtained by merging the reduced HOG features with the LBP features. The results of training support vector machine classifier show that compared with the traditional HOG operator, this method can effectively improve the accuracy of detection. (4) the software architecture of pedestrian head detection system is built. In order to meet the actual needs of pedestrian head detection system, the corresponding detection software is developed under the framework of Visual Studio2010 OpenCV. In order to improve the stability and real-time performance of the software, the multi-thread technique is used to separate the image processing and interface data into different threads. The actual operation results show that the developed software can run stably.
【學(xué)位授予單位】：淮北師范大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡子;結(jié)腸癌檢測(cè)軟件[J];中國(guó)醫(yī)療器械雜志;2002年03期

2 方宏,賈民平;分布式機(jī)動(dòng)車(chē)輛檢測(cè)軟件的研制[J];機(jī)械制造與自動(dòng)化;2005年02期

3 布置;;沒(méi)有硬件檢測(cè)軟件也能檢測(cè)電腦[J];網(wǎng)絡(luò)與信息;2008年05期

4 應(yīng)莉婭;袁東方;董長(zhǎng)征;;甲型流感病毒基因組進(jìn)化事件檢測(cè)軟件的實(shí)現(xiàn)[J];生物信息學(xué);2011年04期

5 武金剛;硬件檢測(cè)軟件面面觀[J];電腦;2003年01期

6 ;看空氣質(zhì)量 鍛煉身體[J];電腦愛(ài)好者(普及版);2012年08期

7 張迎新;全能檢測(cè)軟件——SiSoft Sandra98[J];電腦愛(ài)好者;1998年19期

8 馬立權(quán),高巖,謝崇光,葛平,張樹(shù)娟;通用微機(jī)檢測(cè)軟件設(shè)計(jì)[J];大連輕工業(yè)學(xué)院學(xué)報(bào);2000年02期

9 張立瑩;;你的電腦硬件可好? 檢測(cè)軟件大閱兵[J];新電腦;2006年03期

10 方宏;;車(chē)輛檢測(cè)線工位檢測(cè)軟件的研制[J];機(jī)械制造與自動(dòng)化;2007年02期

相關(guān)會(huì)議論文 前4條

1 朱建平;顧健;邱梓華;沈亮;;2003年信息安全產(chǎn)品檢測(cè)概況[A];第十九次全國(guó)計(jì)算機(jī)安全學(xué)術(shù)交流會(huì)論文集[C];2004年

2 陳其偉;;談形象直觀的檢測(cè)圖形報(bào)告不可忽視的作用[A];第十五屆全國(guó)汽車(chē)檢測(cè)技術(shù)年會(huì)論文集[C];2011年

3 奚琪;王清賢;曾勇軍;;惡意代碼檢測(cè)技術(shù)綜述[A];計(jì)算機(jī)研究新進(jìn)展（2010）——河南省計(jì)算機(jī)學(xué)會(huì)2010年學(xué)術(shù)年會(huì)論文集[C];2010年

4 鄢鵬;王忠;;以太局域網(wǎng)的監(jiān)聽(tīng)檢測(cè)原理與實(shí)現(xiàn)[A];四川省通信學(xué)會(huì)二零零四年學(xué)術(shù)年會(huì)論文集（二）[C];2004年

相關(guān)重要報(bào)紙文章 前10條

1 早報(bào)記者 陳斯斯　實(shí)習(xí)生 周雅涵;畢業(yè)臨近論文檢測(cè)軟件熱賣(mài)[N];東方早報(bào);2011年

2 齊繼戰(zhàn)　記者 王梅;杜絕機(jī)動(dòng)車(chē)安檢中的“貓膩”[N];中國(guó)質(zhì)量報(bào);2009年

3 ;薄弱環(huán)節(jié)檢測(cè)[N];中國(guó)計(jì)算機(jī)報(bào);2000年

4 本報(bào)記者 曹樹(shù)林　朱虹;網(wǎng)上“論文反抄襲”檢測(cè)可信嗎[N];人民日?qǐng)?bào);2011年

5 本報(bào)實(shí)習(xí)記者 鄭梅云;畢業(yè)季催熱論文檢測(cè)軟件 功能變味難遏抄襲風(fēng)[N];通信信息報(bào);2014年

6 劉立才;探索VTS維護(hù)管理之路[N];中國(guó)水運(yùn)報(bào);2008年

7 內(nèi)蒙古 王f ;檢測(cè)軟件也出錯(cuò)[N];電腦報(bào);2004年

8 劉立才;遼寧海事局：自主創(chuàng)新實(shí)現(xiàn)VTS自檢自修[N];中國(guó)交通報(bào);2008年

9 本報(bào)通訊員 胡娜　記者 王兵;四兩撥千斤的智慧[N];中國(guó)氣象報(bào);2011年

10 ;安全軟件市場(chǎng)增長(zhǎng)迅猛[N];網(wǎng)絡(luò)世界;2001年

相關(guān)博士學(xué)位論文 前4條

1 李宗林;骨干通信網(wǎng)中的分布式隱蔽流量異常檢測(cè)方法研究[D];電子科技大學(xué);2010年

2 唐菀;基于基因表達(dá)式編程的免疫入侵檢測(cè)關(guān)鍵技術(shù)研究[D];武漢大學(xué);2009年

3 任少斌;基于形態(tài)學(xué)圖像技術(shù)的群體檢測(cè)方法研究[D];太原理工大學(xué);2011年

4 徐鋒;信息系統(tǒng)惡意代碼檢測(cè)關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2016年

相關(guān)碩士學(xué)位論文 前10條

1 馮天恒;基于動(dòng)態(tài)關(guān)聯(lián)矩陣的管網(wǎng)水質(zhì)異常檢測(cè)方法研究[D];浙江大學(xué);2015年

2 李建彬;基于流量的木馬檢測(cè)技術(shù)[D];電子科技大學(xué);2014年

3 孫梅芳;MBR Bootkit檢測(cè)方法及技術(shù)研究[D];電子科技大學(xué);2014年

4 賈利亞;安卓平臺(tái)下跌倒檢測(cè)技術(shù)的研究與實(shí)現(xiàn)[D];南昌航空大學(xué);2015年

5 常仕偉;復(fù)合材料熱結(jié)構(gòu)檢測(cè)及有限元分析技術(shù)[D];長(zhǎng)春理工大學(xué);2014年

6 劉迎春;一種磁盤(pán)檢測(cè)及數(shù)據(jù)恢復(fù)軟件的設(shè)計(jì)[D];電子科技大學(xué);2015年

7 楊帆;基于智能手機(jī)檢測(cè)系統(tǒng)的黃曲霉毒素B1定量檢測(cè)[D];太原理工大學(xué);2016年

8 吳益陽(yáng);基于OSG繪圖的飛行計(jì)劃沖突檢測(cè)軟件的設(shè)計(jì)與實(shí)現(xiàn)[D];東南大學(xué);2015年

9 嚴(yán)抗輝;心電T波交替檢測(cè)研究及分析軟件設(shè)計(jì)[D];廣東工業(yè)大學(xué);2013年

10 王恩翔;融合深度視頻和可穿戴傳感的跌倒檢測(cè)研究及其系統(tǒng)設(shè)計(jì)[D];華南理工大學(xué);2016年

，

本文編號(hào)：2333803