论文部分内容阅读
视频中行人检测与跟踪技术在日常生活中有广泛应用,如智能监控、辅助驾驶等。通过实时准确的对行人检测与跟踪,以便机器理解人的行为,作出相应指令。本文研究思路是先检测出视频中的运动物体,然后选择其中的行人,最后对该行人进行跟踪。本文研究内容如下:(1)运动物体检测。基于混合高斯建模、码本建模及ViBe建模三种方法,对运动物体的检测进行了研究。研究表明,混合高斯建模效果较差;码本建模一般;ViBe建模较好。针对ViBe模型,在初始化背景模板、采样范围及像素分类阈值三方面进行改进,研究表明改进之后的ViBe方法效果改善明显,运动物体轮廓完整清晰,背景噪声少。(2)行人检测。准确检测运动物体之后,从运动物体中挑选行人以便后续跟踪。利用支持向量机来训练行人分类器,其训练特征为HOG特征。研究表明,通过使用大量行人样本对分类器训练之后,得到分类器准确率为0.947,能达到行人检测的要求。(3)行人跟踪。检测到行人后再对该行人进行跟踪。对Mean-shift、ASMS及KCF三种跟踪算法进行了深入研究,对目标发生遮挡、运动模糊及尺度变化等情况作了跟踪实验,比较每个算法的跟踪准确性及处理时间。实验表明,Mean-shift算法处理一帧图像最少用时43.5ms,且准确性差;ASMS算法准确性一般,每帧处理时间适中,最少用时33.4ms;KCF算法准确性较好,最少用时为30.2ms。因此KCF算法准确性及处理时间都优于前两者,可用于行人跟踪。通过对行人的检测与跟踪实验表明,本文研方案正确,能够对单目标行人进行实时、准确的跟踪。