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

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

【摘要】：行人檢測(cè)是當(dāng)前目標(biāo)檢測(cè)領(lǐng)域的難點(diǎn)和熱點(diǎn)問(wèn)題,在智能視頻監(jiān)控、視頻分析、智能交通和無(wú)人駕駛等領(lǐng)域中有著廣泛的應(yīng)用。行人的外貌多樣性和結(jié)構(gòu)非剛性等特點(diǎn)加大了行人檢測(cè)的難度,并且在刑偵和安防等應(yīng)用場(chǎng)景復(fù)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(xì)的外貌特征對(duì)行人進(jìn)行分析,為行人追蹤、跨區(qū)域行人再識(shí)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(cè)及外貌特征分析技術(shù),針對(duì)行人檢測(cè)、行人面部外貌特征分析和行人服裝外貌特征分析三個(gè)部分進(jìn)行研究和實(shí)現(xiàn),主要工作如下：(1)研究和實(shí)現(xiàn)了基于可變形部件模型(Deformable Part Models, DPM)的行人檢測(cè)算法。DPM使用改進(jìn)HOG (Histogram of Oriented Gradient)特征作為行人目標(biāo)的描述特征,相較于原始HOG特征維度更低,對(duì)形狀變化和光照影響的魯棒性更高；使用Latent SVM學(xué)習(xí)在行人整體和行人身體各區(qū)域上提取的改進(jìn)HOG特征,建立可用于行人檢測(cè)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(duì)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(cè)和面部特征點(diǎn)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(jí)聯(lián)分類器進(jìn)行人臉檢測(cè)確定出人臉區(qū)域,在人臉區(qū)域上使用隨機(jī)森林提取局部二值特征,將所有的局部二值特征組合起來(lái)進(jìn)行全局線性回歸,確定面部特征點(diǎn)位置。基于人體星型模型的人臉檢測(cè)和特征點(diǎn)定位算法,減少了檢測(cè)過(guò)程中對(duì)圖像進(jìn)行遍歷和縮放的時(shí)間,提高了人臉檢測(cè)和面部特征點(diǎn)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(shí)別算法。將人體星型模型中的多個(gè)部件模型進(jìn)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(duì)行人前景服裝圖像進(jìn)行分割,減小背景區(qū)域圖像對(duì)行人服裝色彩識(shí)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(duì)行人的服裝區(qū)域進(jìn)行色彩識(shí)別。本文在DPM行人檢測(cè)算法的基礎(chǔ)上,使用人體星型模型對(duì)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(jìn)行檢測(cè)和識(shí)別,將行人檢測(cè)、人臉檢測(cè)、面部特征點(diǎn)定位、圖像分割和色彩識(shí)別算法進(jìn)行了融合,更全面的對(duì)行人進(jìn)行描述和分析。最后,本文介紹了行人檢測(cè)及外貌分析系統(tǒng),該系統(tǒng)使用C++和OpenCV實(shí)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(cè)結(jié)果,并且可以對(duì)視頻中的行人數(shù)量、人臉數(shù)量、面部特征點(diǎn)數(shù)量和穿著某一色彩服裝的行人數(shù)量等檢測(cè)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(duì)應(yīng)的檢測(cè)結(jié)果存儲(chǔ)在MySQL數(shù)據(jù)庫(kù)中,方便后續(xù)的分析和研究。
【關(guān)鍵詞】：行人檢測(cè) 人臉檢測(cè) 面部特征點(diǎn)定位 圖像分割
【學(xué)位授予單位】：山東大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;TN948.6
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 英文縮寫(xiě)對(duì)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(cè)算法研究概況14-16
• 1.2.2 人臉檢測(cè)和特征點(diǎn)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(cè)及外貌特征分析技術(shù)介紹18-20
• 1.4 研究?jī)?nèi)容與章節(jié)安排20-21
• 第二章 行人檢測(cè)算法21-37
• 2.1 基于統(tǒng)計(jì)學(xué)習(xí)的行人檢測(cè)算法21-26
• 2.1.1 圖像預(yù)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(jìn)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(xùn)練和檢測(cè)流程30-35
• 2.3.1 混合星型模型訓(xùn)練流程30-32
• 2.3.2 DPM算法行人檢測(cè)流程32-34
• 2.3.3 級(jí)聯(lián)檢測(cè)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(cè)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(xùn)練和檢測(cè)流程40-42
• 3.2 面部特征點(diǎn)定位算法42-47
• 3.2.1 隨機(jī)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(diǎn)定位流程44-47
• 3.3 基于人體星型模型的人臉檢測(cè)及面部特征點(diǎn)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(shí)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(shí)別58-60
• 第五章 行人檢測(cè)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(xiàn)69-74
• 致謝74-75
• 攻讀碩士研究生期間研究成果75-76
• 學(xué)位論文評(píng)閱及答辯情況表76

【相似文獻(xiàn)】

中國(guó)重要報(bào)紙全文數(shù)據(jù)庫(kù) 前1條

1 山東省畜牧辦供稿;2006年我省20個(gè)畜牧主導(dǎo)品種[N];山東科技報(bào);2006年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

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

，

本文編號(hào)：903056