本文關(guān)鍵詞：智能視頻監(jiān)控中行人檢測及外貌特征分析關(guān)鍵技術(shù)

  更多相關(guān)文章： 行人檢測 人臉檢測 面部特征點定位 圖像分割

【摘要】：行人檢測是當前目標檢測領(lǐng)域的難點和熱點問題,在智能視頻監(jiān)控、視頻分析、智能交通和無人駕駛等領(lǐng)域中有著廣泛的應用。行人的外貌多樣性和結(jié)構(gòu)非剛性等特點加大了行人檢測的難度,并且在刑偵和安防等應用場景復雜的視頻監(jiān)控系統(tǒng)中,需要行人的面部特征和穿著服裝的色彩等更為詳細的外貌特征對行人進行分析,為行人追蹤、跨區(qū)域行人再識別等研究提供充足的判斷依據(jù)。本文主要研究了基于視頻監(jiān)控的行人檢測及外貌特征分析技術(shù),針對行人檢測、行人面部外貌特征分析和行人服裝外貌特征分析三個部分進行研究和實現(xiàn),主要工作如下：(1)研究和實現(xiàn)了基于可變形部件模型(Deformable Part Models, DPM)的行人檢測算法。DPM使用改進HOG (Histogram of Oriented Gradient)特征作為行人目標的描述特征,相較于原始HOG特征維度更低,對形狀變化和光照影響的魯棒性更高；使用Latent SVM學習在行人整體和行人身體各區(qū)域上提取的改進HOG特征,建立可用于行人檢測和行人身體各區(qū)域定位的人體星型模型。使用人體星型模型對行人頭部、軀干和腿部區(qū)域的定位,為后續(xù)的行人面部外貌特征分析和行人服裝外貌特征分析奠定了基礎(chǔ)。(2)提出了行人面部外貌特征分析方法,該方法包括基于人體星型模型的人臉檢測和面部特征點定位算法。根據(jù)人體星型模型中頭部模型的位置確定出行人頭部所在區(qū)域,在該區(qū)域上使用Haar特征和Adaboost級聯(lián)分類器進行人臉檢測確定出人臉區(qū)域,在人臉區(qū)域上使用隨機森林提取局部二值特征,將所有的局部二值特征組合起來進行全局線性回歸,確定面部特征點位置�；谌梭w星型模型的人臉檢測和特征點定位算法,減少了檢測過程中對圖像進行遍歷和縮放的時間,提高了人臉檢測和面部特征點定位的速度。(3)提出了行人服裝外貌特征分析方法,該方法包括基于人體星型模型的行人服裝區(qū)域分割和色彩識別算法。將人體星型模型中的多個部件模型進行組合,確定人體軀干模型組和腿部模型組。在模型組確定的軀干區(qū)域和腿部區(qū)域上使用GrabCut方法對行人前景服裝圖像進行分割,減小背景區(qū)域圖像對行人服裝色彩識別的影響。GrabCut方法使用高斯混合模型描述前景服裝區(qū)域中所有像素的RGB色彩均值和方差,根據(jù)像素的色彩均值和數(shù)量在HSV色彩空間中對行人的服裝區(qū)域進行色彩識別。本文在DPM行人檢測算法的基礎(chǔ)上,使用人體星型模型對面部輪廓、眼睛、鼻子和嘴巴等面部外貌特征以及穿著的服裝色彩等服裝外貌特征進行檢測和識別,將行人檢測、人臉檢測、面部特征點定位、圖像分割和色彩識別算法進行了融合,更全面的對行人進行描述和分析。最后,本文介紹了行人檢測及外貌分析系統(tǒng),該系統(tǒng)使用C++和OpenCV實現(xiàn)了文中研究的算法。使用Qt完成了系統(tǒng)界面,更直觀地展現(xiàn)了算法的檢測結(jié)果,并且可以對視頻中的行人數(shù)量、人臉數(shù)量、面部特征點數(shù)量和穿著某一色彩服裝的行人數(shù)量等檢測結(jié)果設(shè)置異常數(shù)量閾值,將判斷為異常的視頻幀和對應的檢測結(jié)果存儲在MySQL數(shù)據(jù)庫中,方便后續(xù)的分析和研究。
【關(guān)鍵詞】：行人檢測 人臉檢測 面部特征點定位 圖像分割
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41;TN948.6
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 英文縮寫對照12-13
• 第一章 緒論13-21
• 1.1 研究背景與意義13-14
• 1.2 研究概況14-18
• 1.2.1 行人檢測算法研究概況14-16
• 1.2.2 人臉檢測和特征點定位算法研究概況16-18
• 1.2.3 圖像分割算法研究概況18
• 1.3 行人檢測及外貌特征分析技術(shù)介紹18-20
• 1.4 研究內(nèi)容與章節(jié)安排20-21
• 第二章 行人檢測算法21-37
• 2.1 基于統(tǒng)計學習的行人檢測算法21-26
• 2.1.1 圖像預處理22
• 2.1.2 HOG特征提取22-25
• 2.1.3 SVM算法25-26
• 2.2 可變形部件模型算法26-30
• 2.2.1 改進HOG特征26-27
• 2.2.2 HOG特征金字塔與人體星型模型27-28
• 2.2.3 Latent SVM算法28-30
• 2.3 可變形部件模型算法訓練和檢測流程30-35
• 2.3.1 混合星型模型訓練流程30-32
• 2.3.2 DPM算法行人檢測流程32-34
• 2.3.3 級聯(lián)檢測算法34-35
• 2.4 人體星型模型35-37
• 第三章 行人面部外貌特征分析37-49
• 3.1 人臉檢測算法37-42
• 3.1.1 Haar特征37-39
• 3.1.2 Adaboost算法39-40
• 3.1.3 人臉訓練和檢測流程40-42
• 3.2 面部特征點定位算法42-47
• 3.2.1 隨機森林算法42-43
• 3.2.2 局部二值特征43-44
• 3.2.3 面部特征點定位流程44-47
• 3.3 基于人體星型模型的人臉檢測及面部特征點定位47-49
• 第四章 行人服裝外貌特征分析49-60
• 4.1 基于圖論的圖像分割方法49-54
• 4.1.1 Graph Cuts分割算法49-51
• 4.1.2 GrabCut分割算法51-54
• 4.2 行人服裝色彩識別方法54-60
• 4.2.1 服裝區(qū)域分割54-56
• 4.2.2 RGB與HSV色彩空間轉(zhuǎn)換56-58
• 4.2.3 基于GrabCut和HSV的色彩識別58-60
• 第五章 行人檢測及外貌特征分析系統(tǒng)60-66
• 5.1 行人分析系統(tǒng)結(jié)構(gòu)60-61
• 5.2 行人分析系統(tǒng)主要功能介紹61-66
• 第六章 課題總結(jié)與展望66-69
• 6.1 課題總結(jié)66-67
• 6.2 課題展望67-69
• 參考文獻69-74
• 致謝74-75
• 攻讀碩士研究生期間研究成果75-76
• 學位論文評閱及答辯情況表76

【相似文獻】

中國重要報紙全文數(shù)據(jù)庫 前1條

1 山東省畜牧辦供稿;2006年我省20個畜牧主導品種[N];山東科技報;2006年

中國碩士學位論文全文數(shù)據(jù)庫 前1條

1 孫育霖;智能視頻監(jiān)控中行人檢測及外貌特征分析關(guān)鍵技術(shù)[D];山東大學;2016年

，

本文編號：903056