基于視頻序列的行人計(jì)數(shù)算法研究與實(shí)現(xiàn).pdf

1、行人目標(biāo)的檢測(cè)與跟蹤作為計(jì)算機(jī)視覺(jué)的一個(gè)熱點(diǎn)和難點(diǎn)，被眾多學(xué)者和研究機(jī)構(gòu)作為重要的課題進(jìn)行研究。該課題的應(yīng)用范圍也得到了推廣，目前較常見(jiàn)的應(yīng)用場(chǎng)合如智能監(jiān)控，人體異常行為監(jiān)控和人流量統(tǒng)計(jì)等，都是以該課題為理論基礎(chǔ)做研究的，其中，人流量的統(tǒng)計(jì)在實(shí)際中有很重要的研究?jī)r(jià)值，本文主要就該課題在行人計(jì)數(shù)方面的應(yīng)用做了研究。
　　針對(duì)行人運(yùn)動(dòng)目標(biāo)而言，其作為一個(gè)特殊的非剛性的運(yùn)動(dòng)目標(biāo)，在目標(biāo)檢測(cè)中有其獨(dú)有的難點(diǎn)，比如說(shuō)人體目標(biāo)的非剛性，還有運(yùn)

2、動(dòng)場(chǎng)景的復(fù)雜性，以及目標(biāo)檢測(cè)共同需要面對(duì)的難題等等，如光照的變化和目標(biāo)之間不可避免的互相之間的遮擋問(wèn)題等，都決定了傳統(tǒng)的背景差分法難以滿足其在精確度方面的要求，而精確度較高的梯度方向直方圖法(Histograms ofOriented Gradients)，文章中以后簡(jiǎn)稱HOG特征提取法，又由于其計(jì)算度復(fù)雜而難以滿足實(shí)際應(yīng)用中的實(shí)時(shí)性要求。所以，本文在綜合以上兩個(gè)問(wèn)題的基礎(chǔ)上，提出了混合高斯背景建模法和梯度方向直方圖法相結(jié)合的算法優(yōu)化方

3、法，該方法既解決了單純利用混合高斯背景建模法的精確度低的問(wèn)題，同時(shí)也提高了梯度方向直方圖法的檢測(cè)速度，通過(guò)實(shí)驗(yàn)驗(yàn)證，證明該算法的改進(jìn)方法取得了一定的效果。
　　在行人計(jì)數(shù)過(guò)程中，除了需要進(jìn)行行人目標(biāo)檢測(cè)以外，檢測(cè)后的跟蹤問(wèn)題也是需要解決的一大難題，論文首先對(duì)常見(jiàn)的跟蹤算法進(jìn)行了介紹，其中主要說(shuō)明了Camshift算法的原理以及優(yōu)缺點(diǎn)，并以該算法為基礎(chǔ)提出適合本文場(chǎng)景的改進(jìn)算法。研究發(fā)現(xiàn)，該算法主要的缺點(diǎn)是初始化時(shí)需要手動(dòng)選定跟蹤目

4、標(biāo)，其次存在多個(gè)目標(biāo)相互遮擋嚴(yán)重時(shí)很容易出現(xiàn)目標(biāo)跟丟現(xiàn)象。本文的改進(jìn)算法也主要是做這兩方面的優(yōu)化。首先，本文的跟蹤是基于目標(biāo)檢測(cè)的跟蹤，所以初始化目標(biāo)即為檢測(cè)過(guò)程中的標(biāo)注目標(biāo)，而對(duì)跟丟現(xiàn)象，本文提出了自適應(yīng)的搜索窗口函數(shù)參數(shù)，該方法可以自適應(yīng)的調(diào)整搜索窗口，抑制將會(huì)對(duì)跟蹤產(chǎn)生影響的噪聲。具體做法是:當(dāng)目標(biāo)消失時(shí)，首先對(duì)目標(biāo)的運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè)，當(dāng)目標(biāo)重新出現(xiàn)時(shí)，將能夠繼續(xù)完成對(duì)該目標(biāo)的跟蹤工作。
　　最后，在以上算法研究的基礎(chǔ)上，設(shè)