復(fù)雜視覺(jué)場(chǎng)景下的行人檢測(cè)與跟蹤方法研究.pdf

1、行人檢測(cè)和跟蹤技術(shù)在智能視覺(jué)監(jiān)控、智能輔助駕駛、行為動(dòng)作語(yǔ)義分析、機(jī)器人控制等許多領(lǐng)域具有廣泛的應(yīng)用前景和研究?jī)r(jià)值,盡管目前已有許多行人檢測(cè)和跟蹤的研究成果,但由于場(chǎng)景的復(fù)雜性以及人體的固有特性,很多問(wèn)題沒(méi)有得到很好的解決,仍然需要進(jìn)一步的研究。本文在深入理解計(jì)算機(jī)視覺(jué)相關(guān)原理的基礎(chǔ)上,針對(duì)視覺(jué)場(chǎng)景感興趣區(qū)域分析、行人分類檢測(cè)技術(shù)以及目標(biāo)跟蹤技術(shù)進(jìn)行了研究,本文的主要研究工作和成果體現(xiàn)在以下幾個(gè)方面:
　　首先,提出一種基于視覺(jué)顯

2、著性的感興趣區(qū)域檢測(cè)算法。對(duì)于復(fù)雜場(chǎng)景分析,傳統(tǒng)的運(yùn)動(dòng)檢測(cè)、邊緣分割等方法難以發(fā)揮作用。對(duì)此,本文提出一種融合顏色、深度和運(yùn)動(dòng)三種特征的顯著融合模型,將運(yùn)動(dòng)和深度特征的顯著性融合到最終的計(jì)算模型中,有效地降低背景區(qū)域的顯著值,增加對(duì)前景和運(yùn)動(dòng)目標(biāo)的凸顯能力。提出的融合模型具有較低的計(jì)算復(fù)雜度,提供接近實(shí)時(shí)的視頻圖像處理能力。
　　其次,設(shè)計(jì)和實(shí)現(xiàn)一種分級(jí)的快速行人檢測(cè)算法。采用粗—精兩級(jí)的分類器結(jié)構(gòu),粗分類器是基于無(wú)結(jié)構(gòu)HOG特征

3、的級(jí)聯(lián)分類器,使用加權(quán)費(fèi)舍爾線性判別將多維特征投影到低維,進(jìn)而利用GAB實(shí)現(xiàn)級(jí)聯(lián)分類器的訓(xùn)練。精密級(jí)分類器采用多部件的LatentSVM算法。算法實(shí)現(xiàn)中,采用積分直方圖、圖像金字塔優(yōu)化和多尺度特征估計(jì)作進(jìn)一步的優(yōu)化。本文算法具有以下特點(diǎn):1.采用由粗到精的分級(jí)檢測(cè)結(jié)構(gòu),具有較高的檢測(cè)率和較低的虛警率;2.兩級(jí)分類器中沒(méi)有引入新的特征計(jì)算;3.采用了一系列優(yōu)化加速方法,具有較快的檢測(cè)速度。
　　再者,研究了基于模板匹配的目標(biāo)跟蹤方法

4、,提出一種結(jié)合顏色和SURF特征的粒子濾波跟蹤算法。針對(duì)SURF這種稀疏性未知分布特征,提出一種快速觀測(cè)概率計(jì)算模型,采用基于特征不確定性的融合方式計(jì)算SURF和顏色直方圖的聯(lián)合觀測(cè)概率。同時(shí)針對(duì)目標(biāo)可能的視角和結(jié)構(gòu)變化,提出SURF特征模板集的更新策略,避免了跟蹤過(guò)程中SURF匹配數(shù)下降和不穩(wěn)定的現(xiàn)象。實(shí)驗(yàn)證明,該方法對(duì)光照和遮擋具有很好的魯棒性,對(duì)目標(biāo)的外觀變化具有一定的適應(yīng)能力。
　　最后,基于前述研究成果,設(shè)計(jì)實(shí)現(xiàn)一個(gè)全自