監(jiān)控場景下的行人檢測與跟蹤及系統(tǒng)設(shè)計(jì).pdf

1、視頻中的目標(biāo)檢測與跟蹤是實(shí)現(xiàn)智能監(jiān)控系統(tǒng)的關(guān)鍵，在行為分析、輔助駕駛系統(tǒng)、機(jī)器人視覺等領(lǐng)域都有著廣泛的應(yīng)用。而對行人的檢測與跟蹤是其中的關(guān)鍵環(huán)節(jié)之一，由于行人具有姿態(tài)多變性的特征，外觀易受衣著、尺度變化、遮擋和拍攝角度等因素的影響，包括監(jiān)控場景中的不確定因素，一直是圖像處理領(lǐng)域的研究熱點(diǎn)與難點(diǎn)。為了在監(jiān)控場景下準(zhǔn)確的進(jìn)行行人檢測與跟蹤工作，本文深入研究了行人檢測算法與行人跟蹤算法，并對相關(guān)的算法進(jìn)行優(yōu)化，設(shè)計(jì)出了一套具有良好性能的行人檢

2、測與跟蹤系統(tǒng)。在設(shè)計(jì)出此系統(tǒng)的基礎(chǔ)上，本文研究的主要內(nèi)容和成果如下:
　　1、對經(jīng)典的行人檢測算法進(jìn)行研究。圖像中的行人檢測流程包括圖像預(yù)處理、特征提取、分類器訓(xùn)練和后處理過程，研究的主要內(nèi)容包括星型級聯(lián)可形變部件模型(starcascade Deformable Part Model，casDPM)、聚合通道特征(Aggregate Channel Features，ACF)，實(shí)現(xiàn)對圖像中行人的檢測;研究了二值范數(shù)梯度(Bina

3、rized Normed Gradients，BING)目標(biāo)提取算法，并與行人檢測算法進(jìn)行融合優(yōu)化;在后處理階段對非極大值抑制算法(Non-maximum Suppression，Nms)進(jìn)行了改進(jìn)。同時(shí)對改進(jìn)模型的方法進(jìn)行了擴(kuò)展性驗(yàn)證，并分別在INRIA數(shù)據(jù)集和實(shí)際監(jiān)控場景中進(jìn)行仿真實(shí)驗(yàn)分析，可以看出本文提出的行人檢測算法具有擴(kuò)展性和魯棒性。
　　2、提出了改進(jìn)的cas-CSK行人跟蹤算法。列舉了一些常用的行人跟蹤方法，并對Me

4、an-Shift算法、訓(xùn)練-學(xué)習(xí)-檢測（Tracking-Learning-Detection，TLD）算法進(jìn)行了簡要介紹;同時(shí)對基于核相關(guān)的循環(huán)矩陣(CSK)算法進(jìn)行了詳細(xì)研究分析，結(jié)合行人檢測分類器，并根據(jù)實(shí)際情況對局部區(qū)域進(jìn)行檢測，降低目標(biāo)在遮擋、光照劇烈變化、姿態(tài)變化造成跟蹤窗口漂移的可能性，詳細(xì)介紹了改進(jìn)算法的步驟，提出了改進(jìn)的cas-CSK行人跟蹤算法;并在監(jiān)控場景中進(jìn)行了實(shí)驗(yàn)對比分析，驗(yàn)證了改進(jìn)的跟蹤算法具有一定的魯棒性。