本文關(guān)鍵詞：基于視覺的行人統(tǒng)計系統(tǒng)設(shè)計，由筆耕文化傳播整理發(fā)布。

【摘要】：客流信息是對通過指定區(qū)域人流量進行統(tǒng)計的結(jié)果,在商業(yè)、安全、資源調(diào)度等方面具有重要意義。例如,根據(jù)大型商場不同時間段、不同區(qū)域的客流信息,可以合理調(diào)整銷售策略、門店位置,提高經(jīng)濟效益;根據(jù)體育館等公共場所的客流信息,可以合理分配安保人員和設(shè)施,提高應(yīng)對突發(fā)事件的能力。隨著計算機技術(shù)、圖像處理和模式識別等相關(guān)技術(shù)的發(fā)展,使用計算機分析圖像信息,實現(xiàn)行人統(tǒng)計成為了可能�；谝曈X的行人統(tǒng)計方法能有效克服以往行人統(tǒng)計方法統(tǒng)計不精確、安裝環(huán)境限制多等缺點,得到了越來越多的學者的研究。本文將基于視覺的行人統(tǒng)計系統(tǒng)分為三個部分:感興趣區(qū)域提取、行人檢測、行人跟蹤,分別對這三個部分進行了研究:1.矩形運動區(qū)域提取。本文將運動區(qū)域作為感興趣區(qū)域進行后續(xù)檢測,不僅減少了后續(xù)檢測的計算量,而且去除了復(fù)雜背景對檢測的干擾,提高了檢測精度。本文使用視覺背景提取算法提取運動區(qū)域,利用數(shù)學形態(tài)學對提取結(jié)果進行濾波,然后求濾波結(jié)果的外接矩形,將求得的結(jié)果作為感興趣區(qū)域。視覺背景提取算法運算簡單,計算速度快,對變化背景的魯棒性好;數(shù)學形態(tài)學濾波能去除提取結(jié)果中的小區(qū)域、“空洞”,提高運動目標提取的完整度、精度。2.基于頭肩部特征的行人檢測。針對以往行人檢測方法在行人統(tǒng)計場景下的不足,通過檢測人體頭肩部特征實現(xiàn)行人檢測。行人統(tǒng)計場景下,行人之間相互遮擋嚴重,對行人整體進行檢測效果很差;行人頭部因為發(fā)型、裝飾等原因差別很大,所以對頭部的檢查也不能獲得很好效果。人體頭肩部呈“Ω”形,包含豐富的輪廓信息,行人密度較大時,從俯視角度觀測也不存在嚴重遮擋。根據(jù)CENTRIST特征能描述目標輪廓信息的特點,使用支持向量機訓練了分類器,通過檢測人體頭肩部特征實現(xiàn)行人檢測。3.基于卡爾曼濾波的多目標跟蹤�？柭鼮V波器的遞推形式使其適合于計算機實現(xiàn),同時,它具有計算速度快、存儲量小的優(yōu)點,適合運用到實時系統(tǒng)中。匈牙利算法是一種求解指派問題的簡便方法,時間復(fù)雜度較低。本文對行人檢測結(jié)果分別進行卡爾曼濾波得到預(yù)測值,將預(yù)測值與下一時刻觀測值之間的對應(yīng)關(guān)系看作指派問題,將它們之間的歐式距離組成費用矩陣,用匈牙利算法求解,實現(xiàn)多目標跟蹤。本文將矩形運動區(qū)域提取算法、基于頭肩部特征的行人檢測算法和基于卡爾曼濾波的多目標跟蹤算法運用到行人統(tǒng)計系統(tǒng)之中。實驗表明,本文的行人統(tǒng)計系統(tǒng)能實現(xiàn)實時、較高精確的行人統(tǒng)計。
【關(guān)鍵詞】：運動區(qū)域提取 頭肩部特征 CENTRIST特征 支持向量機 多目標跟蹤 行人統(tǒng)計
【學位授予單位】：杭州電子科技大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TP391.41
【目錄】：

• 摘要5-7
• ABSTRACT7-11
• 第1章 緒論11-17
• 1.1 研究背景和意義11-12
• 1.2 國內(nèi)外研究現(xiàn)狀12-14
• 1.2.1 常見的行人統(tǒng)計方法12-13
• 1.2.2 基于計算機視覺的行人檢測研究現(xiàn)狀13-14
• 1.3 本文的研究工作14-15
• 1.4 本文內(nèi)容安排15-17
• 第2章 圖像序列中的運動區(qū)域提取17-31
• 2.1 引言17
• 2.2 常見的運動區(qū)域提取17-22
• 2.2.1 背景差分法17-18
• 2.2.2 幀間差分法18-20
• 2.2.3 光流法20-22
• 2.3 視覺背景提取算法與數(shù)學形態(tài)學22-26
• 2.3.1 視覺背景提取算法22-24
• 2.3.2 數(shù)學形態(tài)學24-26
• 2.4 基于VIBE算法的矩形運動區(qū)域提取26-30
• 2.4.1 基于VIBE算法的矩形運動區(qū)域提取26-27
• 2.4.2 實驗結(jié)果與分析27-30
• 2.5 本章小結(jié)30-31
• 第3章 基于頭肩部特征的行人檢測31-47
• 3.1 引言31
• 3.2 行人檢測中的常用特征31-37
• 3.2.1 Haar-like特征31-33
• 3.2.2 LBP特征33-34
• 3.2.3 HOG特征34-36
• 3.2.4 CENTRIST特征36-37
• 3.2.5 幾種特征的比較37
• 3.3 支持向量機原理37-41
• 3.3.1 統(tǒng)計學習理論37-38
• 3.3.2 線性可分情形38-40
• 3.3.3 線性不可分情形40-41
• 3.4 基于頭肩部特征和C4框架的行人檢測方法41-46
• 3.4.1 人體頭肩部特征41-42
• 3.4.2 C4框架簡介42
• 3.4.3 人體頭肩部分類器訓練42-45
• 3.4.4 實驗結(jié)果與分析45-46
• 3.5 本章小結(jié)46-47
• 第4章 多目標跟蹤47-54
• 4.1 引言47
• 4.2 基本原理47-50
• 4.2.1 卡爾曼濾波47-49
• 4.2.2 匈牙利算法49-50
• 4.3 基于卡爾曼濾波的多目標跟蹤算法50-53
• 4.3.1 基于卡爾曼濾波的多目標跟蹤算法原理50-51
• 4.3.2 多目標跟蹤實驗結(jié)果與分析51-53
• 4.4 本章小結(jié)53-54
• 第5章 行人統(tǒng)計的實現(xiàn)54-57
• 5.1 引言54
• 5.2 行人統(tǒng)計實驗結(jié)果54-56
• 5.3 本章小結(jié)56-57
• 第6章 總結(jié)與展望57-59
• 6.1 研究工作總結(jié)57-58
• 6.2 未來研究的展望58-59
• 致謝59-60
• 參考文獻60-64
• 附錄64

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 常庭懋,韓中庚;用“匈牙利算法”求解一類最優(yōu)化問題[J];信息工程大學學報;2004年01期

  本文關(guān)鍵詞：基于視覺的行人統(tǒng)計系統(tǒng)設(shè)計，由筆耕文化傳播整理發(fā)布。

，

本文編號：441605