学位论文 > 优秀研究生学位论文题录展示

视频图像行人检测方法研究

作　者: 郭劲智
导　师: 高学
学　校: 华南理工大学
专　业: 信号与信息处理
关键词: 视频行人检测运动目标提取方向梯度直方图主成分分析对象匹配
分类号: TP391.41
类　型: 硕士论文
年　份: 2012年
下　载: 80次
引　用: 0次
阅　读: 论文下载

内容摘要

随着科技技术的发展，视频监控应用在人们生活的各个方面，尤其是智能的运动行人检测、跟踪及异常报警系统，成为了当今智能分析及计算机视觉领域研究的一个重要分支。作为视频后期智能分析处理的基础部分，行人检测如何能够做到在保证高检测率的同时，达到实时的处理速度，目前尚无一套完善的技术方案。因此，本文对视频图像中人体的检测方法作了细致研究，并构建了一个基于视频图像的实时行人检测系统。文章中的系统针对道路场景进行设计，以实时性、准确性以及鲁棒性作为评判标准。系统分为三大子模块：分类器训练模块、运动目标提取模块、目标分类模块。系统首先通过对运动目标进行提取，快速定位前景目标，排除大量非运动区域，提高检测速度。接着根据帧间运动关系以及分类器分类信息将前景运动区域判别为行人或者非行人区域。在行人分类器训练模块，本文提取方向梯度直方图（HOG）特征作为行人特征，针对HOG冗余及维数较多的问题，提出用主成分分析（PCA）的方法对HOG特征进行特征降维，形成HOG-PCA行人特征，并送入支持向量机（SVM）进行训练，在检测精度与检测时间中寻找平衡得到最适合本文系统的最优行人分类器。实验表明，相比于HOG+SVM，HOG-PCA+SVM在提升0.2%识别率的同时，能够提升42%的检测速度。在运动目标提取模块，为了克服三帧差分法和背景减除法的缺点，本文将两种方法结合起来定位前景运动区域，并融合了改进的选择性背景更新及动态二值化阈值选取算法，提高了运动目标区域的定位精度。实验表明，本文设计的目标提取模块对光照变化、行人帧中静止、物体融入背景以及背景突变等问题具有良好的鲁棒性。在目标分类模块，本文构造了运动对象存储列表，以包含多行人的运动团块作为存储对象，利用当前图像前景运动区域与对象存储列表进行匹配度计算，直接判定高匹配度的区域为行人区域，并更新存储列表信息。将匹配度低的前景目标送入行人分类器进行行人判别。在行人分类器前添加对象匹配计算能够有效减少漏检率及加快检测速度。通过对大量视频图像的测试表明，本文设计的系统能够满足实时性、准确性及鲁棒性的要求，具有较好的推广能力。系统检测率达到95.38%，检测一帧视频的平均处理时间小于98ms。本文结果可用于后期的行人跟踪、异常行为报警等高级智能分析处理。

全文目录

摘要  5-6
ABSTRACT  6-10
第一章绪论  10-14
  1.1 选题背景及意义  10-11
  1.2 国内外研究现状  11-13
  1.3 论文研究内容  13
  1.4 论文结构安排  13-14
第二章基于统计分类的视频行人检测技术  14-32
  2.1 行人检测算法的基本流程框架  14-15
  2.2 图像处理技术  15-22
    2.2.1 图像多分辨率处理及图像金字塔  15-17
    2.2.2 图像灰度化  17-18
    2.2.3 图像平滑滤波器  18-20
    2.2.4 二值图像数学形态学技术  20-22
  2.3 主要的行人检测特征及检测算法  22-30
    2.3.1 基于统计分类的行人检测特征  23-27
    2.3.2 基于统计分类的行人检测算法  27-30
  2.4 本章小结  30-32
第三章基于HOG-PCA+SVM的行人分类器设计  32-51
  3.1 本文选择的行人检测算法  32-34
  3.2 基于HOG+SVM的行人分类器  34-44
    3.2.1 训练样本制作与选择  35-38
    3.2.2 HOG行人特征的提取  38-42
    3.2.3 HOG+SVM行人分类器的训练与实验  42-44
  3.3 基于HOG-PCA特征的SVM行人分类器设计与实验  44-50
    3.3.1 主成分分析（PCA）原理  44-46
    3.3.2 HOG-PCA+SVM行人分类器的基本框架  46-47
    3.3.3 HOG-PCA的计算步骤  47
    3.3.4 HOG-PCA+SVM分类器的训练与实验  47-50
  3.4 本章小结  50-51
第四章前景运动目标检测算法  51-71
  4.1 前景运动目标定位算法  52-58
    4.1.1 光流法(运动信息提取)  52-53
    4.1.2 背景减除法  53-55
    4.1.3 帧间差分法  55-57
    4.1.4 前景目标定位方法小结  57-58
  4.2 动态二值化阈值算法  58-61
    4.2.1 双峰法  58-59
    4.2.2 迭代法  59
    4.2.3 简单统计法  59-60
    4.2.4 大律法  60
    4.2.5 动态阈值实验分析  60-61
  4.3 背景图像建模及更新算法  61-69
    4.3.1 背景图像初始化  61-63
    4.3.2 Kalman滤波模型  63-64
    4.3.3 Surendra算法  64-65
    4.3.4 改进的选择性背景更新算法  65-66
    4.3.5 改进的选择性背景更新算法实验结果  66-69
  4.4 本章小结  69-71
第五章行人检测系统的设计与实现  71-84
  5.1 行人检测系统的开发环境  71-72
  5.2 行人实时检测系统设计流程  72-74
  5.3 前景运动目标提取模块  74-77
    5.3.1 前景运动目标模块设计流程图  74-76
    5.3.2 前景运动目标提取方法实验演示  76-77
  5.4 行人检测模块  77-82
    5.4.1 对象匹配计算模块  77-80
    5.4.2 行人检测模块  80-82
  5.5 系统整体实验结果  82-83
    5.5.1 不同行人个数下的检测时间  82
    5.5.2 检测时间及检测率的实验  82-83
  5.6 本章总结  83-84
总结与展望  84-86
参考文献  86-91
攻读硕士学位期间取得的研究成果  91-92
致谢  92-93
附件  93

视频图像行人检测方法研究

内容摘要

全文目录

相似论文