紅外人體目標(biāo)檢測和跟蹤方法研究.pdf

1、與可見光成像相比，紅外成像（特別是遠(yuǎn)紅外成像）具有顯著的優(yōu)點(diǎn)。由于紅外圖像是熱成像，可不依賴于外界光線條件。即使在黑暗和煙霧環(huán)境，也可獲得在可見光波段無法成像的感興趣的目標(biāo)。
　　由于人體目標(biāo)是場景中最活躍和最有價值的要素，對場景中人體目標(biāo)進(jìn)行檢測和跟蹤一直以來是大家比較關(guān)心的問題?；诩t外成像的人體目標(biāo)檢測和跟蹤系統(tǒng)幾乎可以在任何環(huán)境下進(jìn)行全天候工作，而且在很多應(yīng)用場合具有不可替代的作用，具有良好的應(yīng)用前景。
　　從技術(shù)角

2、度，紅外圖像中的人體目標(biāo)的檢測和跟蹤是一個具有挑戰(zhàn)性的課題，內(nèi)容涉及紅外圖像分割，人體目標(biāo)的特征提取、特征描述和分類識別，非剛體復(fù)雜目標(biāo)的運(yùn)動跟蹤等問題。要面對的主要困難有：
　　（1）由于成像設(shè)備差異和環(huán)境因素變化造成的紅外圖像本身分辨率低，動態(tài)范圍小，成像質(zhì)量差等特點(diǎn)使得圖像分割算法魯棒性差；
　?。?）由于紅外圖像是灰度圖像，無色彩信息可用，并且成像模糊，紋理細(xì)節(jié)少，而人體目標(biāo)是非剛體目標(biāo)，姿態(tài)復(fù)雜多變，目標(biāo)大小不一，

3、因此如何有效地提取和描述紅外圖像中人體目標(biāo)的特征，對目標(biāo)和干擾進(jìn)行分類識別困難很大；
　　（3）人體目標(biāo)的運(yùn)動主觀隨意性強(qiáng)，無固定規(guī)律，并且目標(biāo)的運(yùn)動伴隨著姿態(tài)和狀態(tài)的改變，剛體目標(biāo)的跟蹤方法不適于人體目標(biāo)的跟蹤，同時由于紅外人體目標(biāo)用于跟蹤的有效特征較少，可見光圖像中一些優(yōu)秀的基于顏色和紋理特征的人體目標(biāo)跟蹤方法不能直接使用。
　　在對現(xiàn)有紅外及可見光人體目標(biāo)檢測跟蹤方法和紅外圖像中人體目標(biāo)的成像特征進(jìn)行分析后，本文提出了

4、一套解決方案：
　?。?）對于一般的紅外圖像，從紅外成像的機(jī)理出發(fā)，提出了基于直方圖多聚類分析的圖像分割閾值選取方法，使用K-均值聚類中心分析法實(shí)現(xiàn)閾值快速選取；對于極性反轉(zhuǎn)的紅外圖像采取傳統(tǒng)的Mean Shift方法進(jìn)行圖像分割；對于發(fā)生互相遮擋粘連的人體目標(biāo)，提出一種基于模板圖像空間相對位置 Mean Shift聚類分析的分割方法，后續(xù)的目標(biāo)跟蹤方法中采用了與這個算法類似的思想。
　　（2）圖像分割結(jié)束后根據(jù)得到目標(biāo)的二

5、值化模板特征選取候選目標(biāo)。對因目標(biāo)紅外成像特征不一致而造成的目標(biāo)模板缺損破碎現(xiàn)象，提出一種增強(qiáng)型的候選目標(biāo)選取方法。初次候選目標(biāo)選取完成后對剩余的模板圖像使用圖像距離變換，根據(jù)距離約束特征重新選取可能存在的目標(biāo)區(qū)域并結(jié)合二次閾值選取算法，分割出潛在的候選目標(biāo)。
　?。?）對于候選目標(biāo)，提出了基于網(wǎng)格劃分的局部特征提取和特征描述方案。具體包括兩個方法：局部梯度方向直方圖描述方法和局部最大方向能量直方圖描述方法。使用RBF—SVM分類

6、器對候選目標(biāo)進(jìn)行分類識別，判斷其是否為人體目標(biāo)。
　?。?）對人體目標(biāo)的跟蹤，提出了一種基于粒子Mean Shift遷移的跟蹤方法，實(shí)現(xiàn)了對人體目標(biāo)任意復(fù)雜運(yùn)動形態(tài)的可靠跟蹤。設(shè)計(jì)跟蹤系統(tǒng)時采用面向?qū)ο蟮姆椒ǎ瑢δ繕?biāo)的特征進(jìn)行封裝，突出了跟蹤問題本身。引入目標(biāo)的有限狀態(tài)機(jī)，結(jié)合目標(biāo)檢測算法，完成對新目標(biāo)產(chǎn)生，目標(biāo)隱藏、遮擋、消失等目標(biāo)狀況的處理。
　　作者對方案各環(huán)節(jié)提出的算法進(jìn)行了技術(shù)實(shí)現(xiàn)和實(shí)驗(yàn)驗(yàn)證，通過系統(tǒng)集成，設(shè)計(jì)了“