本文關(guān)鍵詞：監(jiān)控視頻中的人體檢測與跟蹤算法研究

  更多相關(guān)文章： 運動目標(biāo)檢測 多模式均值算法 頭肩HOG特征 級聯(lián)分類器 圖像金字塔 融合特征模板 運動預(yù)測

【摘要】：智能視頻監(jiān)控系統(tǒng)作為計算機視覺領(lǐng)域的一項研究熱點,廣泛應(yīng)用于公共安防、交通安全、智能車輛等領(lǐng)域。人體檢測與跟蹤算法是智能監(jiān)控系統(tǒng)中的核心技術(shù),研究相關(guān)算法對智能監(jiān)控系統(tǒng)性能的提高和完善具有重要意義。為了實現(xiàn)監(jiān)控場景中準(zhǔn)確、實時的行人檢測與跟蹤,本文從算法設(shè)計入手,深入分析與研究了運動目標(biāo)檢測算法、人體檢測算法與行人跟蹤算法,并對以上算法進行了優(yōu)化形成了一套完整的具有良好準(zhǔn)確性與實時性的行人檢測與跟蹤系統(tǒng)。針對以上系統(tǒng),本文主要完成了以下工作：首先設(shè)計并實現(xiàn)了基于背景減除的運動目標(biāo)檢測算法,采用多模式均值模型作為背景模型完成前景掩碼的提取,隨后采用關(guān)聯(lián)濾波法對掩碼圖像進行濾波,最后采用三次掃描連通域標(biāo)記算法提取完整的團塊信息。此外,在預(yù)處理階段對視頻圖像進行降采樣,減少了建模運算量,提高了算法效率。然后,對于運動區(qū)域內(nèi)目標(biāo)進行識別,提取行人目標(biāo),采用基于HOG特征與級聯(lián)Adaboost分類器結(jié)合的方法進行多尺度行人檢測。為了解決行人之間的遮擋問題,采用行人頭肩區(qū)域HOG特征代替行人整體進行檢測；為了加快人體檢測速度又不影響檢測效果,采用積分直方圖的方式優(yōu)化HOG特征提取過程；為了解決樣本不均衡問題,采用級聯(lián)結(jié)構(gòu)構(gòu)造分類器；為了實現(xiàn)多尺度行人的檢測,采用圖像金字塔方式進行搜索,并對金字塔層數(shù)、目標(biāo)框融合方式進行了優(yōu)化。最后,采用特征模板匹配的方式進行行人跟蹤,融合顏色直方圖特征、LTP紋理特征及梯度直方圖特征形成特征模板,并對以上特征進行了分析減少特征維數(shù),在進行模板搜索時為了減少搜索區(qū)域,采用運動目標(biāo)區(qū)域結(jié)合目標(biāo)運動預(yù)測的方式,縮小搜索范圍,加快搜索速度。本文設(shè)計并實現(xiàn)的行人檢測與跟蹤算法在實際監(jiān)控場景中進行實驗,表明其具有良好的準(zhǔn)確性和實時性。
【關(guān)鍵詞】：運動目標(biāo)檢測 多模式均值算法 頭肩HOG特征 級聯(lián)分類器 圖像金字塔 融合特征模板 運動預(yù)測
【學(xué)位授予單位】：東南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP391.41;TN948.6
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-17
• 1.1 研究背景與意義9
• 1.2 國內(nèi)外研究現(xiàn)狀9-12
• 1.2.2 運動目標(biāo)檢測技術(shù)研究現(xiàn)狀10
• 1.2.3 人體檢測技術(shù)研究現(xiàn)狀10-11
• 1.2.4 行人跟蹤技術(shù)研究現(xiàn)狀11-12
• 1.3 主要研究內(nèi)容12-14
• 1.3.1 研究目標(biāo)12
• 1.3.3 復(fù)雜環(huán)境下背景建模12
• 1.3.4 人體特征選擇及提取12-13
• 1.3.5 人體分類器構(gòu)造13
• 1.3.6 行人搜索算法13
• 1.3.7 技術(shù)難點13-14
• 1.4 論文工作及章節(jié)結(jié)構(gòu)14-17
• 第二章 運動目標(biāo)檢測算法17-35
• 2.1 運動目標(biāo)檢測算法概述17-18
• 2.1.1 常用的運動目標(biāo)檢測算法17-18
• 2.1.2 運動目標(biāo)檢測算法設(shè)計18
• 2.2 背景建模算法綜述18-22
• 2.2.1 均值濾波法19
• 2.2.2 中值濾波法19-20
• 2.2.3 單高斯模型20
• 2.2.4 混合高斯模型20-21
• 2.2.5 多模式均值模型21
• 2.2.6 算法比較21-22
• 2.3 多模式均值模型22-25
• 2.3.1 算法原理22
• 2.3.2 參數(shù)初始化22-23
• 2.3.3 參數(shù)更新23
• 2.3.4 模型替換23-24
• 2.3.5 前景標(biāo)記24
• 2.3.6 算法流程24-25
• 2.4 圖像預(yù)處理25-27
• 2.4.1 圖像去噪25-27
• 2.4.2 圖像降采樣27
• 2.5 二值圖像處理27-31
• 2.5.1 聯(lián)合濾波28-30
• 2.5.2 前景提取30-31
• 2.6 實驗結(jié)果與分析31-34
• 2.6.1 實驗環(huán)境與測試數(shù)據(jù)31-32
• 2.6.2 實驗結(jié)果32-33
• 2.6.3 結(jié)果分析33-34
• 2.7 本章小結(jié)34-35
• 第三章 人體檢測算法35-57
• 3.1 人體檢測算法概述35-36
• 3.1.1 常用的人體檢測算法35-36
• 3.1.2 人體檢測算法總體設(shè)計36
• 3.2 人體檢測特征提取36-42
• 3.2.1 人體檢測特征綜述36-37
• 3.2.2 人體檢測特征分析與選擇37-38
• 3.2.3 HOG特征提取算法38-40
• 3.2.4 HOG特征提取優(yōu)化40-42
• 3.3 人體分類器42-47
• 3.3.1 人體分類器綜述42-44
• 3.3.2 分類器選擇44
• 3.3.3 級聯(lián)分類器訓(xùn)練44-47
• 3.4 多尺度空間檢測47-52
• 3.4.1 圖像金字塔及搜索層數(shù)優(yōu)化48-49
• 3.4.2 梯度直方圖估計49-50
• 3.4.3 目標(biāo)框融合50-52
• 3.5 實驗結(jié)果與分析52-54
• 3.5.1 實驗結(jié)果52-54
• 3.5.2 結(jié)果分析54
• 3.6 本章小結(jié)54-57
• 第四章 行人跟蹤算法57-71
• 4.1 行人跟蹤算法概述57-59
• 4.1.1 常用的行人跟蹤算法57-58
• 4.1.2 行人跟蹤算法總體設(shè)計58-59
• 4.2 特征選擇和提取59-64
• 4.2.1 特征選擇59
• 4.2.2 顏色特征59-60
• 4.2.3 紋理特征60-63
• 4.2.4 梯度特征63-64
• 4.3 匹配搜索64-66
• 4.3.1 運動預(yù)測64-65
• 4.3.2 搜索策略65
• 4.3.3 匹配準(zhǔn)則65-66
• 4.4 行人計數(shù)66-67
• 4.5 實驗結(jié)果與分析67-69
• 4.5.1 實驗結(jié)果67-68
• 4.5.2 結(jié)果分析68-69
• 4.6 本章小結(jié)69-71
• 第五章 總結(jié)與展望71-73
• 5.1 總結(jié)71-72
• 5.2 展望72-73
• 致謝73-75
• 參考文獻(xiàn)75-81
• 作者在攻讀碩士學(xué)位期間發(fā)表的論文和成果81

【相似文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 丁建浩;耿衛(wèi)東;王毅剛;;基于多部位多示例學(xué)習(xí)的人體檢測[J];模式識別與人工智能;2012年05期

2 王敏;趙娜娜;劉忠杰;黃榜;宋小波;朱擎飛;;視頻中的人體檢測算法[J];自動化博覽;2013年02期

3 孫宏國;李天然;蒲寶明;張全發(fā);王慧靜;;復(fù)雜背景下人體檢測算法[J];計算機系統(tǒng)應(yīng)用;2013年04期

4 潘鋒,王宣銀;基于支持向量機的復(fù)雜背景下的人體檢測[J];中國圖象圖形學(xué)報;2005年02期

5 呂治國;徐昕;賀漢根;;基于可變模板和支持向量機的人體檢測[J];計算機應(yīng)用;2007年09期

6 湯一平;李雯;;基于全方位視覺的快速實時人體檢測[J];浙江工業(yè)大學(xué)學(xué)報;2008年04期

7 方明;;一種基于圖像的人體檢測方法[J];科技資訊;2009年27期

8 賈棋;郭禾;宮宇;;一種實用的運動人體檢測與陰影消除方法[J];系統(tǒng)仿真學(xué)報;2009年S2期

9 蘇海明;;基于頭部特征的人體檢測[J];信息與電腦(理論版);2010年03期

10 黃永鑫;;運動人體檢測的關(guān)鍵技術(shù)研究[J];硅谷;2010年17期

中國重要會議論文全文數(shù)據(jù)庫 前4條

1 孫慶杰;;基于顏色量化的人體檢測[A];全國第十五屆計算機科學(xué)與技術(shù)應(yīng)用學(xué)術(shù)會議論文集[C];2003年

2 龔華;李繼云;;運動人體檢測算法比較研究[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

3 顧爽;陳啟軍;;基于邊緣類型比率特征的人體檢測算法[A];2011年中國智能自動化學(xué)術(shù)會議論文集（第一分冊）[C];2011年

4 陳亞菲;張寶昌;;基于L2-norm最小化的人體檢測[A];第八屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2010年

中國重要報紙全文數(shù)據(jù)庫 前3條

1 成都 胥紹禹 編譯;人體檢測夜間自動照明燈[N];電子報;2007年

2 劉文靜;測頭發(fā)可知健康狀況[N];新華每日電訊;2003年

3 劉文靜;只需剪一縷頭發(fā) 就測出健康狀況[N];新華每日電訊;2004年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前9條

1 林逸峰;基于計算機視覺的人體檢測和人臉識別[D];吉林大學(xué);2012年

2 劉亞洲;基于時空分析和多粒度特征表示的人體檢測方法研究[D];哈爾濱工業(yè)大學(xué);2009年

3 丁建浩;基于單目視覺的人體檢測和運動恢復(fù)[D];浙江大學(xué);2013年

4 李春明;視頻圖像中的運動人體檢測和人臉識別[D];西安電子科技大學(xué);2005年

5 倪洪印;基于視頻的人體檢測與目標(biāo)跟蹤方法研究[D];吉林大學(xué);2014年

6 于海濱;基于頭部特征提取的人體檢測與跟蹤及其應(yīng)用[D];浙江大學(xué);2007年

7 葉青;無標(biāo)記人體運動捕捉技術(shù)的研究[D];北京郵電大學(xué);2014年

8 Nasir Saleem（薩里姆）;視頻監(jiān)控中的人體分割、識別與跟蹤[D];北京郵電大學(xué);2013年

9 郭星;大屏幕人機互動中若干關(guān)鍵技術(shù)研究[D];安徽大學(xué);2013年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 姚河花;基于梯度方向直方圖的人體檢測算法的改進[D];電子科技大學(xué);2014年

2 翟淵;基于電子巡考系統(tǒng)的缺考、代考預(yù)警研究[D];復(fù)旦大學(xué);2013年

3 吳亞順;基于視頻序列的運動人體檢測和跟蹤[D];西華大學(xué);2015年

4 常峰;基于多特征和級聯(lián)分類器的人體檢測算法[D];合肥工業(yè)大學(xué);2014年

5 張宗楠;基于嵌入式系統(tǒng)的人體跟蹤方法研究與實現(xiàn)[D];重慶大學(xué);2015年

6 萬雪飛;基于雙人體可變形部件模型的深層人體檢測[D];大連海事大學(xué);2016年

7 武文靜;監(jiān)控視頻中的人體檢測與跟蹤算法研究[D];東南大學(xué);2015年

8 崔新毅;視頻序列中的人體檢測方法研究[D];哈爾濱工業(yè)大學(xué);2007年

9 甘國龍;基于特征學(xué)習(xí)的人體檢測[D];電子科技大學(xué);2012年

10 邵春艷;基于空間上下文的人體檢測算法研究[D];哈爾濱工程大學(xué);2012年

，

本文編號：1027857