基于Kinect彩色圖像及深度信息的人體檢測研究.pdf

1、隨著計算機科學技術的迅猛發(fā)展，人體識別檢測技術在人們如今的日常生活中變得越來越重要。人體檢測研究的初期是以彩色圖像為媒介的檢測方式，但極容易受到人體姿態(tài)變動、服裝差異、光照強弱以及復雜背景環(huán)境的影響。本文的研究是以微軟的Kinect攝像頭為硬件設備，利用其所同步產生的彩色以及深度數據信息對人體目標進行檢測，以此來獲得對復雜環(huán)境的更強魯棒性。具體工作包括以下幾個部分：
　　1、對Kinect深度信息進行預處理，采集并建立人體檢測系統(tǒng)

2、所需的樣本數據庫。首先，運用HSL顏色空間對Kinect深度數據進行彩色渲染，將傳統(tǒng)偽灰度深度圖像替代為更加直觀的彩色圖像。其次，基于Kinect自帶彩色及深度攝像頭，建立了實驗所需的彩色和深度訓練樣本庫，以及一般環(huán)境、復雜環(huán)境和弱光環(huán)境條件下的彩色和深度測試樣本數據庫。
　　2、基于局部二值模式(LBP)、方向梯度直方圖(HOG)等圖像特征，運用分層金字塔空間理論對其進行改進，提出了分層特征融合算法PHOG-LBP。首先通過定義

3、不同大小的檢測區(qū)塊對圖像目標的整體以及區(qū)域輪廓特征進行分層式的提取，其次運用等價局部二值模式提取圖像的紋理特征，最后將多層輪廓特征以及紋理特征的特征向量進行L2-Hys歸一化處理，并聯接形成最終的特征描述向量。本文在實驗中將幾種特征描述子經同一樣本訓練后，在一組與訓練樣本無任何相關性的測試樣本中對其性能進行了評價，并繪制和計算了相應特征描述子的受試者工作特征(ROC)曲線以及AUC(Area Under ROC Curve)值。經實驗綜

4、合對比表明，該方法能夠在人體識別中取得更好的效果。
　　3、基于決策模板(DT)算法，實現對Kinect彩色和深度圖像檢測結果的有效融合。首先，提取深度和彩色的訓練樣本集的HOG特征，完成對彩色和深度分類器的訓練并得到其分類模型。隨后，將各自訓練所用的正負樣本放入分類器中獲得相應的DT模板，并將測試樣本放入分類器獲得分類支持度并構建輪廓模板(DP)。最后，以平方歐式距離為衡量標準，將DP模板矩陣與DT模板矩陣作相似度對比并輸出最終