基于序列圖像的行人檢測與跟蹤方法研究.pdf

1、運動目標檢測與跟蹤是計算機視覺領域和模式識別領域中研究的熱點，廣泛應用于視頻監(jiān)控、運動分析、機器人導航、異常檢測、視頻會議、智能交通等領域。但由于受到目標本身、算法及環(huán)境干擾等因素的影響，如何實現穩(wěn)定、準確、快速的視覺跟蹤仍是一個挑戰(zhàn)。本文從具體應用展開研究，研究了基于雙目視覺傳感器 Kinect的俯視行人檢測、跟蹤及計數算法，即利用kinect設備同時獲取同一場景的彩色圖像及深度圖像，并對彩色圖像及深度信息進行綜合分析，檢測密集場景下

2、的人群目標，進而實現俯視行人的跟蹤與計數。主要研究工作如下：
　　首先，對圖像進行預處理，包括彩色圖像校正、深度圖像修補、運動目標提取及形態(tài)學處理。針對彩色圖像與深度圖像在空間位置上的不匹配問題，即由于 Kinect三個鏡頭空間位置分布不同而引起的圖像差異，本文采用三對三仿射變換進行補償，以達到期望的結果。針對深度圖像中存在的空洞問題，即深度圖像中存在很多像素不確定的點，本文利用改進的聯合雙邊濾波器對深度圖像進行修補，以獲得更為真

3、實的、準確的深度圖像。再利用背景差分算法提取運動目標，最后進行形態(tài)學處理，從而保證運動目標檢測與跟蹤的精度。
　　其次，本文針對深度圖像中俯視行人的特點，分別采用非極大值抑制算法（Non-Maximum Suppression，NMS）、隨機霍夫圓變換（RandomHough Transform，RHT）、快速徑向對稱變換（Radial Symmetry Transform，RST）來檢測俯視人頭的潛在位置。同時利用基于深度圖像的

4、局部直方圖分割俯視人頭，然后以人頭幾何中心為圓心，對人頭進行半徑展開圖變換。本文提出了一種結合人頭半徑展開圖的方向梯度直方圖（Histogram of Oriented Gradient，HOG）特征提取和支持向量機（Support Vector Machine，SVM）分類器的人頭判別算法，最終得到人頭準確位置。
　　第三，本文介紹了基于卡爾曼濾波預測（Kalman Filter，KF）和K-最鄰近（K-Nearest Neig

5、hbor，KNN）的數據關聯匹配的多目標跟蹤算法。并在此基礎上，根據俯視行人檢測結果，提出了一種基于運動目標的位置信息、身高信息、直方圖信息和形狀信息的多特征融合的數據關聯匹配算法，進而實現俯視行人的跟蹤與計數，并基于上述跟蹤結果，運用了一種改進的離散-連續(xù)多目標跟蹤軌跡優(yōu)化算法，進一步提高跟蹤的準確性。
　　最后，在Microsoft Visual Studio2013開發(fā)平臺上設計了一個基于MFC和開源計算機視覺庫Opencv

6、2.4.9的目標跟蹤演示系統(tǒng)，該系統(tǒng)主要包括了俯視行人檢測模塊、行人跟蹤及計數模塊等幾個功能模塊。結合實驗分析，驗證了本算法的可行性。
　　本文算法不受光照變化、陰影干擾等問題影響，并且采用俯視采樣法,不存在樣本遮擋問題，克服了傳統(tǒng)的多目標檢測方法的缺點。實驗結果表明，采用上述方法不但能夠較為準確的對俯視行人進行跟蹤和計數，而且在消除誤檢、漏檢和誤配等這些固有問題方面，效果也很明顯。因此，本文算法能夠有效提高跟蹤的準確性、穩(wěn)定性和