隨著生活水平的不斷提高,人們的安防意識也不斷增強(qiáng)。對于消防控制室、值班室、邊防哨所等特殊場所,如果出現(xiàn)人員空崗行為,很可能會給人們的生命財產(chǎn)安全帶來巨大損失,空崗檢測意義重大。早期的空崗檢測大多采取人工監(jiān)督的方式,后來,隨著大量攝像頭的廣泛架設(shè),很多地方開始采用分配專人審看監(jiān)控視頻的方式,這些傳統(tǒng)檢測方法人力成本過高,而且長期關(guān)注顯示屏容易使人錯過關(guān)鍵視頻片段,檢測效果并不可靠。隨著計算機(jī)視覺技術(shù)的不斷發(fā)展,基于智能視頻監(jiān)控的空崗檢測方法被提了出來,其關(guān)鍵在于實現(xiàn)室內(nèi)人體目標(biāo)的有效檢測,進(jìn)而分析其在崗狀態(tài)變化,判定是否發(fā)生了空崗行為,消除安全隱患�，F(xiàn)有的大部分人體目標(biāo)檢測方法都是針對室外處于直立狀態(tài)的遠(yuǎn)視野行人,但對于監(jiān)控條件下的近視野室內(nèi)人體目標(biāo),攝像頭的安裝位置固定,人體目標(biāo)常常呈現(xiàn)多視角、多變形、存在一定程度的遮擋等,給檢測任務(wù)帶來了困難與挑戰(zhàn)。針對以上情形,本文提出了一種基于監(jiān)控視頻的室內(nèi)人員檢測算法網(wǎng)絡(luò)模型,主要包括圖像預(yù)處理部分和主體檢測網(wǎng)絡(luò)部分。圖像預(yù)處理部分是指結(jié)合了多視角模型的區(qū)域建議網(wǎng)絡(luò),借鑒了兩階段目標(biāo)檢測網(wǎng)絡(luò)模型Faster R-CNN中RPN的設(shè)計,充分考慮了... 

【文章來源】：天津大學(xué)天津市 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學(xué)位級別】：碩士

【部分圖文】：

HOG特征方向分布示意圖

第2章人體目標(biāo)檢測中關(guān)鍵技術(shù)研究9圖2-3幾種不同類型的積分通道特征在這10個計算得到的特征通道內(nèi)隨機(jī)選擇矩形區(qū)域，計算其內(nèi)部所有像素值的和，隨機(jī)選取如30000個矩形區(qū)域組成積分通道特征池�；叶葓D像中，像素點(x,y)的梯度幅值大小和方向分別為：()()()()()22Gx,y=Hx+1,yHx1,y+Hx,y+1Hx,y1(2-7)()()()()(),1,1,arctan1,1,HxyHxyxyHxyHxy+=+(2-8)其中，H(x,y)是像素點(x,y)的像素值。梯度直方圖是一個加權(quán)直方圖，其維數(shù)bin索引計算梯度方向，權(quán)值則計算梯度的幅值。梯度直方圖通道計算公式為：Q(x,y)G(x,y)L(x,y)==(2-9)上式中，對于一幅圖像，位于坐標(biāo)(x,y)位置像素的梯度幅值用G(x,y)表示，而量化的梯度方向則用Q(x,y)表示，L是一個指示函數(shù)，θ為梯度方向的量化范圍，本文選用6個方向的梯度直方圖通道，θ取值范圍分別為0-30度、30-60度、60-90度、90-120度、120-150度、150-180度。類似于上述提到的HOG特征，ICF里梯度直方圖特征對分類貢獻(xiàn)最大，ICF特征在行人檢測方面具有不錯的性能，主要體現(xiàn)在：從不同角度集成了各種特征信息；空間定位準(zhǔn)確性更高；具有較少的參數(shù)設(shè)置；跟級聯(lián)分類器結(jié)合后，檢測更快。繼ICF特征之后，又出現(xiàn)了很多對該積分通道特征進(jìn)行改進(jìn)的變體形式特征，比如ACF特征[28]、SquaresChnFtrs特征[29]等。2.1.3人體目標(biāo)分類決策提取到目標(biāo)特征后需要進(jìn)行目標(biāo)的分類判別。大體來講，分類判別首先從HOG特征+支持向量機(jī)SVM(SupportVectorMachine)框架[23]中的支持向量機(jī)SVM開始，采用線性與非線性核函數(shù)，如線性SVM、直方圖交叉核SVM、latentSVM、多核SVM、結(jié)構(gòu)化SVM等[36]；第二階段則是一些統(tǒng)計概率方法，比如基于提升思想的Adaboost(AdaptiveBoosting)方法[37]、用于提速的級聯(lián)Ad

DPM算法的處理步驟：首先將原始輸入圖像和訓(xùn)練好的根濾波器rootfilter進(jìn)行卷積得到其DPM特征響應(yīng)圖；然后對原始圖像進(jìn)行高斯金字塔2倍上采樣，將其與訓(xùn)練好的部件濾波器做卷積得到該部件的DPM響應(yīng)特征圖。然后，對上述經(jīng)過上采樣的高斯金字塔進(jìn)行下采樣，處理之后兩個層級的濾波器特征響應(yīng)圖分辨率相同，將兩者加權(quán)平均得到最終響應(yīng)圖，該圖中亮度越大表示響應(yīng)值越大。下面以人體目標(biāo)為例簡單介紹一下DPM模型的設(shè)計思想和計算過程。（1）設(shè)計rootfilter+partfilter的模型：(a)Rootfilter(b)Partfilter(c)高斯濾波后模型圖2-6直立人體目標(biāo)的DPM原始模型設(shè)計該模型包含了一個a×a分辨率的根濾波器(rootfilter)和a/2×a/2分辨率的組件濾波器(partfilter)。其中，(b)圖的分辨率為(a)圖的2倍，并且組件濾波器(partfilter)的大小是根濾波器(rootfilter)的2倍，采集的梯度更為精細(xì)。(c)圖為其高斯濾波后的2倍空間模型。（2）響應(yīng)值(score)的計算：響應(yīng)值的得分公式如下：


本文編號：2985869