智能視頻監(jiān)控中運動人體檢測與跟蹤的研究.pdf

1、運動人體的檢測與跟蹤一直是計算機(jī)視覺系統(tǒng)的一項重要研究內(nèi)容，涉及了模式識別、人工智能以及圖像處理等多個學(xué)科的知識，在智能監(jiān)控系統(tǒng)、安全控制等方面有著廣泛的應(yīng)用前景。由于人體目標(biāo)的非剛性、衣著服飾、顏色等影響，人體檢測與跟蹤技術(shù)仍然具有相當(dāng)大的難度。本文主要研究了靜態(tài)背景下的運動人體檢測與跟蹤技術(shù)。在分析了人體目標(biāo)檢測與跟蹤技術(shù)的方法和特點后，對已有的方法中存在的缺陷進(jìn)行研究和改進(jìn)，研究出了一套適合本文環(huán)境下的運動人體檢測與跟蹤算法。

2、r>　　在圖像去噪方面，針對傳統(tǒng)的中值濾波算法對噪聲面積較大的圖像去噪效果不理想的缺陷，本文使用了一種閾值中值濾波算法。該算法在傳統(tǒng)的中值濾波算法基礎(chǔ)上插入了閾值判斷，較傳統(tǒng)的中值濾波算法的去噪效果更理想，同時對圖像中含有較大面積的椒鹽噪聲也有很好的去噪效果。
　　在運動目標(biāo)檢測方面，本文研究了一種基于三幀差分相乘與邊緣檢測相結(jié)合的運動目標(biāo)檢測算法。該算法與傳統(tǒng)幀差法相比，能夠減小光線和環(huán)境噪聲等對運動目標(biāo)檢測結(jié)果帶來的影響，同時

3、使提取出的目標(biāo)輪廓更加精確。在人體目標(biāo)的識別方法上，以人體的頭肩部特征作為識別人體的特征，使用了一種基于頭肩特征Hu矩陣的運動人體識別方法。由于人體頭肩部分的特征在運動過程中性質(zhì)穩(wěn)定，所以使用該算法比用人體的“高寬比”特征進(jìn)行人體識別方法的識別率更高，更具可靠性。
　　在人體目標(biāo)的跟蹤方面，本文對傳統(tǒng)的卡爾曼預(yù)測算法中的卡爾曼增益系數(shù)進(jìn)行調(diào)整，大大減少了跟蹤的計算量，提高了算法的跟蹤效率。同時使用了一種自動調(diào)整窗口位置和大小的卡爾