基于深度與視覺信息融合的行人檢測與再識(shí)別研究.pdf

1、視頻監(jiān)控系統(tǒng)中，監(jiān)控視頻中出現(xiàn)的人都是其重點(diǎn)關(guān)注的對象，因此智能監(jiān)控系統(tǒng)需要擁有對行人進(jìn)行檢測，再識(shí)別，跟蹤的能力，以便進(jìn)一步對行人目標(biāo)的行為進(jìn)行分析。這就要求監(jiān)控系統(tǒng)擁有可靠的行人檢測以及行人再識(shí)別技術(shù)。然而由于行人姿態(tài)復(fù)雜多變、尺度變化明顯并且應(yīng)用場景易受背景、光照、陰影、攝像頭參數(shù)等應(yīng)用環(huán)境的干擾，使得行人檢測以及行人再識(shí)別技術(shù)目前尚無在可靠性和速度方面都令人滿意的解決方案。
　　本論文針對這一情況，利用深度圖像不受光照變化

2、影響以及同一物體空間信息的一致性，通過研究背景消除、人體分割、深度與視覺信息融合，視角識(shí)別，關(guān)鍵幀選擇等問題，建立了基于深度與視覺信息融合的行人檢測與再識(shí)別模型。
　　首先本文針對行人檢測易受遮擋以及光照變化干擾的問題，提出了融合深度與視覺信息的行人檢測方法。利用深度圖像不受光照影響的特性將其引入行人檢測，避免檢測過程中來自照明變化的干擾。將行人檢測問題轉(zhuǎn)換為對行人頭部的檢測，減少了遮擋與姿勢變化對檢測結(jié)果的影響。在深度圖像與彩色

3、圖像上分別建立頭部檢測器，并通過決策級(jí)信息融合得到漏檢率更低的頭部檢測器。利用同一物體表面深度信息連貫性，提出了基于圖論的人體提取方法，使得待檢測行人只要頭部能夠檢測到就能用其提取全身像素，將行人與背景分離。實(shí)驗(yàn)證明了該方法提高了應(yīng)對遮擋以及人體姿態(tài)變化干擾的能力。
　　然后利用人體曲面上兩點(diǎn)間的測地距離不變特性以及人體骨骼所含的語義及空間信息，提出了基于人體骨骼的空間距離特征，并設(shè)計(jì)了基于此特征的人體部位識(shí)別算法。最后通過實(shí)驗(yàn)對

4、該算法的可行性進(jìn)行了驗(yàn)證。
　　接下來針對現(xiàn)有的人體外貌模型易受人體姿勢以及攝像機(jī)視角變化的干擾導(dǎo)致行人再識(shí)別錯(cuò)誤的問題，從人體各個(gè)部位分別提取外貌特征，并將其與基于骨骼的空間特征相結(jié)合，建立了基于深度和視覺信息融合的人體外貌模型，提高外貌模型的魯棒性與可區(qū)分度，從而實(shí)現(xiàn)行人再識(shí)別性能的提高;提出了基于再識(shí)別概率最大化準(zhǔn)則的行人相似度函數(shù)訓(xùn)練方案，運(yùn)用免疫進(jìn)化算法得到最優(yōu)的相似度函數(shù)，并通過實(shí)驗(yàn)驗(yàn)證運(yùn)用該準(zhǔn)則訓(xùn)練得到行人再識(shí)別方案

5、要優(yōu)于基于其他訓(xùn)練方法的的行人再識(shí)別方法。
　　最后，對多鏡頭行人再識(shí)別技術(shù)進(jìn)一步分析，提出了基于支持向量機(jī)的行人視角識(shí)別，從而解決視角變化對行人再識(shí)別的干擾;針對多鏡頭下圖像冗余的問題，進(jìn)一步提出了基于人體骨架的關(guān)鍵幀提取技術(shù)，實(shí)現(xiàn)對不同姿態(tài)行人的選擇;建立了包含全局特征與周期性局部特征的新型人體外貌模型。實(shí)驗(yàn)結(jié)果驗(yàn)證了該模型能提高行人再識(shí)別的識(shí)別率與魯棒性。
　　文章末尾總結(jié)了總結(jié)了論文的研究內(nèi)容，指出了研究中存在的不足