智能視頻監(jiān)控中行人檢測及外貌特征分析關(guān)鍵技術(shù).pdf

1、行人檢測是當(dāng)前目標(biāo)檢測領(lǐng)域的難點(diǎn)和熱點(diǎn)問題，在智能視頻監(jiān)控、視頻分析、智能交通和無人駕駛等領(lǐng)域中有著廣泛的應(yīng)用。行人的外貌多樣性和結(jié)構(gòu)非剛性等特點(diǎn)加大了行人檢測的難度，并且在刑偵和安防等應(yīng)用場景復(fù)雜的視頻監(jiān)控系統(tǒng)中，需要行人的面部特征和穿著服裝的色彩等更為詳細(xì)的外貌特征對行人進(jìn)行分析，為行人追蹤、跨區(qū)域行人再識別等研究提供充足的判斷依據(jù)。本文主要研究了基于視頻監(jiān)控的行人檢測及外貌特征分析技術(shù)，針對行人檢測、行人面部外貌特征分析和行人服裝

2、外貌特征分析三個(gè)部分進(jìn)行研究和實(shí)現(xiàn)，主要工作如下:
　　(1)研究和實(shí)現(xiàn)了基于可變形部件模型（Deformable Part Models，DPM）的行人檢測算法。DPM使用改進(jìn)HOG（Histogram of Oriented Gradient）特征作為行人目標(biāo)的描述特征，相較于原始HOG特征維度更低，對形狀變化和光照影響的魯棒性更高;使用Latent SVM學(xué)習(xí)在行人整體和行人身體各區(qū)域上提取的改進(jìn)HOG特征，建立可用于行人檢

3、測和行人身體各區(qū)域定位的人體星型模型。使用人體星型模型對行人頭部、軀干和腿部區(qū)域的定位，為后續(xù)的行人面部外貌特征分析和行人服裝外貌特征分析奠定了基礎(chǔ)。
　　(2)提出了行人面部外貌特征分析方法，該方法包括基于人體星型模型的人臉檢測和面部特征點(diǎn)定位算法。根據(jù)人體星型模型中頭部模型的位置確定出行人頭部所在區(qū)域，在該區(qū)域上使用Haar特征和Adaboost級聯(lián)分類器進(jìn)行人臉檢測確定出人臉區(qū)域，在人臉區(qū)域上使用隨機(jī)森林提取局部二值特征，將

4、所有的局部二值特征組合起來進(jìn)行全局線性回歸，確定面部特征點(diǎn)位置?；谌梭w星型模型的人臉檢測和特征點(diǎn)定位算法，減少了檢測過程中對圖像進(jìn)行遍歷和縮放的時(shí)間，提高了人臉檢測和面部特征點(diǎn)定位的速度。
　　(3)提出了行人服裝外貌特征分析方法，該方法包括基于人體星型模型的行人服裝區(qū)域分割和色彩識別算法。將人體星型模型中的多個(gè)部件模型進(jìn)行組合，確定人體軀干模型組和腿部模型組。在模型組確定的軀干區(qū)域和腿部區(qū)域上使用GrabCut方法對行人前景服

5、裝圖像進(jìn)行分割，減小背景區(qū)域圖像對行人服裝色彩識別的影響。GrabCut方法使用高斯混合模型描述前景服裝區(qū)域中所有像素的RGB色彩均值和方差，根據(jù)像素的色彩均值和數(shù)量在HSV色彩空間中對行人的服裝區(qū)域進(jìn)行色彩識別。
　　本文在DPM行人檢測算法的基礎(chǔ)上，使用人體星型模型對面部輪廓、眼睛、鼻子和嘴巴等面部外貌特征以及穿著的服裝色彩等服裝外貌特征進(jìn)行檢測和識別，將行人檢測、人臉檢測、面部特征點(diǎn)定位、圖像分割和色彩識別算法進(jìn)行了融合，更