行人檢測(cè)與跟蹤技術(shù)研究.pdf

1、隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的快速發(fā)展，計(jì)算機(jī)視覺(jué)、模式識(shí)別等研究領(lǐng)域近幾年成為較熱門(mén)的研究課題。行人檢測(cè)與跟蹤技術(shù)是計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域的一個(gè)熱門(mén)研究方向，在智能交通、無(wú)人駕駛、公共安全監(jiān)控等許多方面都有著重要的研究?jī)r(jià)值和實(shí)際意義。本文主要對(duì)行人檢測(cè)與跟蹤技術(shù)進(jìn)行以下研究：
　　首先對(duì)行人感興趣區(qū)域的提取進(jìn)行了研究。早期的行人檢測(cè)大多針對(duì)像素較小的圖片，然而現(xiàn)在大多都是高清圖片像素較大，圖片包含的信息太多，會(huì)大大增加運(yùn)算量，

2、使檢測(cè)很難達(dá)到實(shí)時(shí)性的效果。針對(duì)行人檢測(cè)速度較慢的問(wèn)題，本文提出基于感興趣區(qū)域的行人檢測(cè)方法，分別針對(duì)單幀圖像和運(yùn)動(dòng)視頻序列圖像兩種情況的感興趣區(qū)域提取進(jìn)行了研究。對(duì)于單幀靜態(tài)圖像，使用Adaboost算法和級(jí)聯(lián)分類(lèi)器，通過(guò)對(duì)級(jí)聯(lián)分類(lèi)器每級(jí)中的檢測(cè)率下限和誤檢率上限合理設(shè)置，可以進(jìn)行快速行人區(qū)域提?。粚?duì)于運(yùn)動(dòng)行人視頻序列圖像，針對(duì)傳統(tǒng)的對(duì)稱(chēng)差分法容易產(chǎn)生邊緣空洞的現(xiàn)象，本文對(duì)其進(jìn)行了改進(jìn)，消除空洞的產(chǎn)生，準(zhǔn)確的得到了運(yùn)動(dòng)行人的輪廓，進(jìn)而

3、實(shí)現(xiàn)運(yùn)動(dòng)行人區(qū)域快速提取。實(shí)驗(yàn)結(jié)果表明，本文算法能夠快速的找到行人感興趣區(qū)域，為后續(xù)的行人檢測(cè)大大縮小了檢測(cè)范圍，為實(shí)時(shí)性行人檢測(cè)提供了可能。
　　然后在行人感興趣區(qū)域的基礎(chǔ)上，對(duì)行人的精確檢測(cè)問(wèn)題做了研究。研究發(fā)現(xiàn)在行人檢測(cè)所使用的特征中，HOG特征對(duì)行人的描述最好，因此本文使用HOG+SVM的行人檢測(cè)算法進(jìn)行行人精確檢測(cè)。對(duì)HOG特征的提取和SVM分類(lèi)器分類(lèi)原理進(jìn)行了研究，分析了HOG+SVM的行人檢測(cè)算法的優(yōu)點(diǎn)是具有較高的檢

4、測(cè)率，缺點(diǎn)是存在部分誤檢和檢測(cè)速度較慢。結(jié)合之前的行人感興趣區(qū)域的提取，進(jìn)行感興趣區(qū)域的行人檢測(cè)，實(shí)驗(yàn)結(jié)果表明，本文所使用的方法在保持較高的檢測(cè)率的同時(shí)，降低了誤檢率，提高了檢測(cè)速度，使檢測(cè)時(shí)間從原來(lái)的每幀1.8s降低到0.19s。
　　最后在行人檢測(cè)的基礎(chǔ)上進(jìn)行行人跟蹤的研究。介紹了連續(xù)能量最小化方法的相關(guān)理論，對(duì)能量函數(shù)構(gòu)造模型進(jìn)行了研究，將行人目標(biāo)的觀測(cè)模型、動(dòng)態(tài)模型、互斥模型、軌跡維持模型及軌跡修正模型構(gòu)建到一個(gè)能量函數(shù)中