基于視覺的行人檢測和跟蹤技術(shù)的研究.pdf

1、在數(shù)字視頻處理和計算機視覺領域的各種應用中,目標的檢測和跟蹤是一個重要的,也是最基本的任務.一些較流行的應用包括自治車輛導航,機器人控制,基于運動的識別,視頻壓縮,基于視覺的控制,人機接口,醫(yī)學成像,增強現(xiàn)實和視頻場景監(jiān)控.盡管在計算機視覺領域,目標的檢測和跟蹤技術(shù)已經(jīng)研究了十多年,但仍是一個活躍的研究領域.目前還沒有一個通用的,健壯的,精確的,高性能的和實時的目標檢測和跟蹤算法.由于人體固有的一些特性,應用場景的復雜性,人與人或人與環(huán)

2、境之間的相互影響,使得人體的檢測和跟蹤是計算機視覺研究領域中最難的一項挑戰(zhàn). 論文的重點及創(chuàng)新成果包括: 1.靜止攝像機情況下的自然場景中的行人檢測方法提出的行人檢測方法采用邊方向直方圖(Edge Orientation}tistogram:EOH)特征集和擴展的Haar-like特征集的混合特征集.用基于查找表(Look-Up Table:LUT)的GentleAdaBoost學習算法來訓練行人檢測器的每個節(jié)點分類器,

3、并提出一種基于級聯(lián)風險代價函數(shù)(Cascade risk cost function)的改進算法,自動根據(jù)級聯(lián)分類器的所需達到的總檢測目標來確定每個節(jié)點的訓練目標.用嵌套級聯(lián)(Nested Cascade)方法來學習行人檢測器的級聯(lián)結(jié)構(gòu),能提高檢測率并降低虛警率.根據(jù)這種方法得到的實驗結(jié)果表明了這種方法的健壯性和有效性.這種方法的檢測準確度高,檢測速度快.且能很好地把行人和其它運動目標區(qū)別開,如正在行駛的小汽車. 2.基于特征變

4、換和支持向量機的分級行人檢測方法在攝像機安裝在一個自由移動的平臺的環(huán)境里,如汽車,檢測行人變得非常困難,特別是當行人所處的場景比較復雜時.針對這種應用環(huán)境,提出了一種應用于單目移動攝像機的基于特征變換和支持向量機(support Vector Machine,簡稱SVM)的coarse-to-fine行人檢測方法.首先,用基于查找表(Look-up Table,簡稱LUT)的Gentle AdaBoostCascade學習算法訓練一個粗

5、級的行人檢測器.接著把粗級的行人檢測器的每一段分別作為一個特征,并用能通過粗級行人檢測器的正負樣本來訓練基于SVM的精密級行人檢測器,最后,采用基于顏色和空間信息的時序分析方法進一步提高行人檢測率和降低誤報率.從實驗結(jié)果可以看出本算法的高效性. 3.基于部位的行人檢測系統(tǒng)針對單目移動攝像機的情況,本論文還提出了一種coarse-to-fine的基于人體部位的行人檢測方法.本方法把一個人建模成人體自然部位的組裝,部位包括頭肩(he

6、ad-shoulder),軀干(torso),腿(leg).該行人檢測器采用絕對值Haar-like特征集和Edgelet特征集.在這些特征集上,用Soft Cascade學習算法訓練各個部位檢測器和全身檢測器(full-body).在本算法中,首先由full-body檢測器產(chǎn)生行人候選.然后,基于貝葉斯決策的組合算法進一步確定候選者中的行人.實驗結(jié)果表明本算法有很好的檢測性能. 4.基于IMM和級聯(lián)數(shù)據(jù)關(guān)聯(lián)的3D人體跟蹤提出了

7、一種基于3D特征的人群跟蹤算法.該算法由一個兩階段的3D特征點的分組算法和一個健壯的基于3D特征點的跟蹤算法組成.兩階段的3D特征點的分組算法用基于核的ISODATA方法,即使有的行人在監(jiān)控區(qū)域被部分遮擋,該方法也能精確地檢測人.基于3D特征點的跟蹤算法結(jié)合了一個基于自適應卡爾曼濾波的交互多模式(interacting multiple model:IMM)跟蹤算法和一個級連多信息數(shù)據(jù)關(guān)聯(lián)算法.IMM算法僅采用自適應卡爾曼濾波和兩個動力

8、學模型,能夠很好的跟蹤隨機走動的人.一個動力學模型是勻速直線模型(constant velocity model:CV),另一個是當前統(tǒng)計模型(currentstatistics model:CS).級連多信息數(shù)據(jù)關(guān)聯(lián)算法采用了距離最近假設,速度一致假設和灰度一致性假設,能夠很好地去除人群之間的相互作用對人跟蹤性能造成的影響,能夠處理人數(shù)不固定的問題.該跟蹤方法不僅能管理一條軌跡的產(chǎn)生和結(jié)束,而且能處理人與人之間的相互作用,并能跟蹤不規(guī)

9、則運動的人.用OMRON公司提供的圖像序列對本算法進行驗證,實驗結(jié)果表明所開發(fā)的算法對人與人之間的互相作用表現(xiàn)出了好的健壯性,且跟蹤準確,運算速度快,對幀采樣率變化不敏感,能跟蹤隨機行走的人,完全滿足于實時應用場景. 5.基于IMM和多假設跟蹤的多個三維人體跟蹤算法提出了一種基于IMM和多假設跟蹤的多個三維人體跟蹤算法.采用交互多模式方法(interacting multiple model:IMM)進行人體狀態(tài)的預測,并采用多

10、假設跟蹤算法(multiple hypothesis tracking:MHT)把檢出的人體與已存在的軌跡進行正確關(guān)聯(lián),能夠自動地為新進入監(jiān)控區(qū)的人產(chǎn)生新的人體軌跡,結(jié)束已走出監(jiān)控區(qū)的人的軌跡.同時,在MHT算法中融入人體的速度連續(xù)性約束和灰度一致性約束來確定人體軌跡關(guān)聯(lián)區(qū)域和計算假設的置信度,能夠減少產(chǎn)生的假設數(shù)目,減少計算時間.實驗結(jié)果表明所開發(fā)的算法對人與人之間的互相作用表現(xiàn)出了好的健壯性,且跟蹤準確,運算速度快,對幀采樣率變化不

11、敏感,能跟蹤隨機行走的人,能適用于人群密集環(huán)境下的多人體跟蹤. 6.移動攝像機情況下的基于MCMC和IMHT的行人跟蹤在計算機視覺中,為了實現(xiàn)對數(shù)目可變的行人進行自動跟蹤,就首先應該準確地檢測圖像序列中的行人.然而,由于行人檢測中存在的難點,如行人的姿勢,輪廓和外貌的多樣性及所處的雜亂背景和照明的影響,使得行人檢測結(jié)果并不十分好,存在著大量的漏檢和虛警.同時,行人之間,行人與場景之間有時出現(xiàn)的部分遮擋或遮擋,對行人跟蹤而言也是一

12、個極大地挑戰(zhàn).為了解決上述問題,采用了一種結(jié)合top-down和bottom-up的跟蹤方法,能自動完成軌跡的初始化和終止.首先對行人進行top-down跟蹤,即用基于Kalman particle filter(KPF)和Markov Chain Monte Carlo(MCMC)的方法估計行人的后驗狀態(tài)；然后,用bottom-up的方法進行跟蹤,即把檢測到的行人與存在的軌跡進行基于多假設數(shù)據(jù)跟蹤方法(imultiple.hypoth