信號(hào)交叉口行人流量檢測(cè)系統(tǒng)設(shè)計(jì).pdf

1、基于視頻的行人檢測(cè)與跟蹤是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究重點(diǎn)，其在智能視頻監(jiān)控、車輛智能駕駛和機(jī)器人等領(lǐng)域有著廣泛的應(yīng)用。目前，基于視頻的行人檢測(cè)與跟蹤技術(shù)在智能交通領(lǐng)域中的應(yīng)用也得到了極大的關(guān)注，用于協(xié)調(diào)人車關(guān)系、解決交通擁堵、保證道路運(yùn)行通暢和保護(hù)行人安全等。本文是將信號(hào)交叉口或人行通道的行人檢測(cè)與跟蹤作為研究對(duì)象，開(kāi)發(fā)基于視頻的信號(hào)交叉口行人流量檢測(cè)系統(tǒng)，并通過(guò)實(shí)際視頻對(duì)系統(tǒng)的性能進(jìn)行測(cè)試，完成對(duì)運(yùn)動(dòng)行人的檢測(cè)識(shí)別、跟蹤和計(jì)數(shù)。
　　

2、本文主要研究?jī)?nèi)容如下：
　　(1)闡述了本課題研究的目的和意義，分析了行人流量檢測(cè)的發(fā)展與研究現(xiàn)狀，對(duì)課題中相關(guān)的圖像理論基礎(chǔ)做了概述，對(duì)本文的信號(hào)交叉口行人流量檢測(cè)系統(tǒng)進(jìn)行了總體設(shè)計(jì)，且分為攝像頭傾斜和垂直的兩種情況。
　　(2)對(duì)于可拍攝到行人整體輪廓的攝像頭傾斜情況，完成了基于運(yùn)動(dòng)模型的行人流量檢測(cè)算法的設(shè)計(jì)，該算法分為運(yùn)動(dòng)目標(biāo)檢測(cè)、行人識(shí)別、行人跟蹤和計(jì)數(shù)等模塊；在運(yùn)動(dòng)目標(biāo)檢測(cè)中，采用ViBe背景建模提取運(yùn)動(dòng)目標(biāo)前景

3、，并對(duì)提取的運(yùn)動(dòng)前景經(jīng)過(guò)形態(tài)學(xué)的腐蝕膨脹處理去除噪聲，接著對(duì)前景提取輪廓畫(huà)出外接矩形并合并；在行人識(shí)別中，先在線下對(duì)行人樣本提取HOG特征進(jìn)行SVM分類器的訓(xùn)練，再對(duì)待檢測(cè)前景圖像進(jìn)行檢測(cè)識(shí)別，判斷是否為行人；在跟蹤階段中，采用卡爾曼濾波對(duì)行人進(jìn)行跟蹤；在行人計(jì)數(shù)中，設(shè)置檢測(cè)框，行人在框外邊和里邊分別標(biāo)記為1和-1，通過(guò)標(biāo)記符號(hào)的兩次變化進(jìn)行計(jì)數(shù)。
　　(3)對(duì)于可拍攝到行人頭部互不遮擋的攝像頭垂直情況，完成了基于人頭的行人流量檢

4、測(cè)算法的設(shè)計(jì)，該算法分為行人頭部檢測(cè)、行人頭部跟蹤和計(jì)數(shù)等模塊；在行人頭部檢測(cè)中，先線下分別對(duì)人頭樣本進(jìn)行訓(xùn)練得到基于LBP特征和基于HOG特征的兩種AdaBoost分類器；在檢測(cè)時(shí)，先讓人頭圖像通過(guò)基于LBP特征的AdaBoost分類器排除一些非人頭區(qū)域，再通過(guò)基于HOG特征的AdaBoost分類器對(duì)人頭進(jìn)行再次篩選；在人頭跟蹤階段，采用卡爾曼濾波方法對(duì)人頭進(jìn)行跟蹤；在行人計(jì)數(shù)中，通過(guò)設(shè)置多邊形檢測(cè)框統(tǒng)計(jì)人頭個(gè)數(shù)。
　　(4)利