【摘要】：出入口人流量統(tǒng)計是當(dāng)前研究的一個熱點問題,并有著廣泛的應(yīng)用。傳統(tǒng)的人流量統(tǒng)計一般受行人間相互遮擋、相互簇擁、左右并肩以及環(huán)境等因素的影響,而深度圖像由于自身的特性能夠有效克服光照、環(huán)境變化帶來的影響,所以將深度圖像運用于出入口人流量統(tǒng)計具有巨大的優(yōu)勢。利用深度圖像的頭肩特征,能夠最大限度的避免遮擋,但如何對并肩或相互簇擁的多個行人目標進行有效的檢測,是解決目前出入口人流量高效統(tǒng)計的關(guān)鍵問題。因此,本文以深度圖像作為切入點,首先面向深度圖像運用改進的混合高斯模型進行運動目標檢測,其次根據(jù)深度圖像下的人體頭肩特征,運用多閾值分割的MSER算法對深度圖像下的行人目標檢測頭部最大穩(wěn)定極值區(qū)域,最后根據(jù)行人目標檢測的結(jié)果采用質(zhì)心法對行人目標實現(xiàn)跟蹤,并設(shè)計實現(xiàn)了基于深度圖像的出入口人流量統(tǒng)計系統(tǒng)。本文的研究內(nèi)容和結(jié)論主要包括:(1)面向深度圖像的改進混合高斯模型檢測運動目標根據(jù)出入口人流量統(tǒng)計中運動目標檢測的方法,首先對獲取的深度圖像運用混合高斯模型實現(xiàn)前景的提取,然后利用閾值法來消除運動前景中存在的錯誤值和噪聲,最后運用數(shù)學(xué)形態(tài)學(xué)和中值濾波進行處理,提高運動目標檢測的精確度。(2)基于多閾值分割的MSER算法的深度圖像行人目標檢測針對目前深度圖像中存在的并肩或相互簇擁致使多個行人目標肩部并在一起不能用MSER算法準確檢測的問題,利用多閾值分割的MSER算法檢測行人目標頭部最大穩(wěn)定極值區(qū)域,實現(xiàn)行人目標檢測,提高行人目標檢測的準確性和實時性,同時,對改進前后的MSER算法設(shè)計對比實驗進行了對比分析。(3)基于行人目標質(zhì)心的行人目標跟蹤根據(jù)行人目標檢測中對行人目標標定的結(jié)果,標定的矩形框中心坐標就可以當(dāng)作是行人目標的質(zhì)心坐標,并利用相鄰兩幀序列圖像中的同一目標的質(zhì)心具有最小距離相似性這一特點,運用基于行人目標質(zhì)心的方法進行跟蹤,并將其與Kalman濾波跟蹤算法的跟蹤效果進行比較分析。最后,根據(jù)本文算法設(shè)計了出入口人流量統(tǒng)計系統(tǒng),通過在各場所出入口采集的實驗數(shù)據(jù)驗證了本系統(tǒng)的可行性,很好的解決了傳統(tǒng)的出入口人流量統(tǒng)計中因行人間相互遮擋、相互簇擁、左右并肩、環(huán)境等因素造成準確率下降的問題,結(jié)果表明,系統(tǒng)統(tǒng)計準確率高,穩(wěn)定性好。
【圖文】：

圖 2.2 混合高斯提取前景 圖 2.3 對應(yīng)深度值的運動前景步驟 2：后處理本文深度攝像機采集的深度圖像不穩(wěn)定，，會有一些錯誤值和噪聲，尤其是在物體邊緣輪廓處和圖像邊緣處（圖 2.4），從而造成混合高斯模型提取的運動目標中也會存在錯誤的深度值和噪聲（圖 2.5）。圖 2.4 深度圖像中的錯誤值與噪聲 圖 2.5 運動目標中存在錯誤值與噪聲（1） 閾值法去除深度圖像中的錯誤值和噪聲

圖 2.2 混合高斯提取前景 圖 2.3 對應(yīng)深度值的運動前景步驟 2：后處理本文深度攝像機采集的深度圖像不穩(wěn)定，會有一些錯誤值和噪聲，尤其是在物體邊緣輪廓處和圖像邊緣處（圖 2.4），從而造成混合高斯模型提取的運動目標中也會存在錯誤的深度值和噪聲（圖 2.5）。圖 2.4 深度圖像中的錯誤值與噪聲 圖 2.5 運動目標中存在錯誤值與噪聲（1） 閾值法去除深度圖像中的錯誤值和噪聲
【學(xué)位授予單位】：江西理工大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TP391.41

【參考文獻】

相關(guān)期刊論文 前10條

1 李少敏;張倩;王沛;陳佳佳;黃繼風(fēng);;基于高斯混合模型的Kinect深度圖像增強算法[J];上海師范大學(xué)學(xué)報(自然科學(xué)版);2016年01期

2 徐超;高夢珠;查宇鋒;曹利民;;基于HOG和SVM的公交乘客人流量統(tǒng)計算法[J];儀器儀表學(xué)報;2015年02期

3 楊艷;王晏民;黃明;;基于深度圖像的司母戊鼎三維重構(gòu)及其應(yīng)用[J];測繪通報;2014年S2期

4 徐玉華;田尊華;張躍強;朱憲偉;張小虎;;自適應(yīng)融合顏色和深度信息的人體輪廓跟蹤[J];自動化學(xué)報;2014年08期

5 尹章芹;顧國華;陳錢;錢惟賢;;三維深度圖像在自動客流計數(shù)系統(tǒng)中的應(yīng)用[J];中國激光;2014年06期

6 鄭佳;李江勇;;基于背景差分和信息熵的運動目標檢測算法[J];激光與紅外;2014年05期

7 牛杰;卜雄洙;錢X;;基于前景分割的目標實時檢測方法[J];計算機應(yīng)用;2014年05期

8 曹昊;諸宸辰;李楊;;一種深度圖像中人體的實時跟蹤算法[J];計算機工程;2013年09期

9 江曉慶;肖德琴;張波;陳劍;;基于Kinect的農(nóng)作物長勢深度圖像實時獲取算法[J];廣東農(nóng)業(yè)科學(xué);2012年23期

10 許敬;張合;張祥金;;基于幀間差分和光流法的紅外圖像運動檢測[J];計算機仿真;2012年06期

相關(guān)博士學(xué)位論文 前1條

1 李波;視頻序列中運動目標檢測與跟蹤算法的研究[D];北京交通大學(xué);2012年

相關(guān)碩士學(xué)位論文 前10條

1 王雪姣;基于深度神經(jīng)網(wǎng)絡(luò)的ToF深度圖像去噪研究[D];浙江大學(xué);2016年

2 李亦程;基于深度信息的手勢識別與手指跟蹤算法及其應(yīng)用[D];上海交通大學(xué);2015年

3 楊晗芳;基于Kinect深度圖像的人體目標檢測與跟蹤算法研究[D];天津大學(xué);2014年

4 周波;基于深度圖的行人檢測、跟蹤技術(shù)研究[D];北方工業(yè)大學(xué);2014年

5 徐首帥;基于Kinect的行人數(shù)量統(tǒng)計研究[D];東北大學(xué);2014年

6 郭秀杰;基于Kinect的人流量統(tǒng)計系統(tǒng)研究[D];重慶大學(xué);2014年

7 王瑞;基于機器視覺的人流量雙向統(tǒng)計技術(shù)研究[D];西北大學(xué);2013年

8 王瑩;基于Kinect的Tri-tracking視頻跟蹤算法研究[D];大連理工大學(xué);2012年

9 姚秋香;基于視頻監(jiān)控系統(tǒng)的運動目標跟蹤技術(shù)研究[D];哈爾濱工程大學(xué);2012年

10 沈濤;基于視頻檢測的行人交通參數(shù)提取技術(shù)研究[D];北京交通大學(xué);2011年

本文編號：2541891