论文部分内容阅读
随着计算机视觉的发展,智能辅助驾驶,智能监控,行人分析和智能机器人等行业人员检测已得到广泛应用。但是,由于现实生活背景的复杂性,行人姿态的多样性和拍摄角度的多样化,如何快速准确的把行人从视频中提取出来,仍然存在着挑战,行人检测仍然是当前热门的研究课题。本文从经典的行人检测算法—梯度方向直方图(Histogram of Oriented Gradient,HOG)结合支持向量机(Support Vector Machine,SVM)出发,结合现有技术及实际应用场景,针对传统HOG+SVM行人检测时效性不高且可能存在误检等难点问题进行了研究,并且提出了两种改进的行人检测算法。本文研究内容如下:1、在运动目标前景提取方面,实验发现传统行人检测时间损耗主要集中在HOG特征计算。所以本文利用前景提取算法来减小HOG计算区域的面积,从而加快算法的运行速度。本文研究了两种经典的前景提取算法——混合高斯模型(Gaussian Mixed Model,GMM)和Vibe,针对提取的前景出现阴影干扰、细小空洞以及不连贯问题,本文采用了阴影去除,图像形态学以及边界扩展处理,使得提取的前景得到进一步的完善。通过与之前的算法进行对比发现,本文提出的改进算法提取的前景噪点更少定位更加准确。2、在目标跟踪方面,本文总结介绍了三种常用的跟踪算法,即基于模板匹配的跟踪、基于特征点的金字塔Lucas-Kanada(LK)光流跟踪以及基于核相关滤波(Kernelized Correlation Filters,KCF)的目标跟踪。对人脸五官做了 一系列的跟踪实验。3、针对于监控视频背景固定的特点,结合传统行人检测时效性不高的问题,本文提出了两种有效的行人检测算法:1)基于改进的GMM与HOG+SVM结合的行人检测技术—GMM+HOG+SVM算法,首先利用混合高斯背景建模,提取视频运动的区域,利用去阴影,以及边框比例缩放技术对提取的前景做进一步的修改。同时,以INRIA数据库为基础,计算出行人整体的HOG特征,并利用SVM分类器分类。实验证明,通过去阴影和边框比例缩放方法,混合高斯背景模型提取的前景能很好的包含住运动物体的整体,而基于混合高斯模型的HOG+SVM行人检测,能明显提高监控视频行人检测的速度,还有准确度。2)基于Vibe与HOG+SVM结合的快速检测跟踪行人算法——Vibe+HOG+SVM+模板匹配跟踪算法,预处理步骤和上述算法相同,不同点在于最后一步是使用模板匹配技术来进一步跟踪检测到的行人。该方法在识别精度和处理速度方面均优于传统的HOG+SVM 和 GMM+HOG+SVM 算法。