實(shí)時(shí)視頻中的人頭檢測(cè)方法研究.pdf

1、隨著中國(guó)經(jīng)濟(jì)社會(huì)的不斷更新，城市化建設(shè)取得了顯著成績(jī)，在不斷改善人們?nèi)粘Ｉ畹耐瑫r(shí)也加劇了公共安全隱患等社會(huì)矛盾。城市化建設(shè)使得城市人口過(guò)快增長(zhǎng)，常導(dǎo)致單位區(qū)域人流量或人群密度瞬間攀升，引發(fā)的公共安全事件屢見(jiàn)不鮮。作為安防監(jiān)控的有效技術(shù)，計(jì)算機(jī)視覺(jué)中的實(shí)時(shí)視頻中的人頭檢測(cè)方法對(duì)于人流量或人群密度統(tǒng)計(jì)分析起著關(guān)鍵性作用。
　　本文分析了前沿的人頭檢測(cè)技術(shù)，學(xué)習(xí)并總結(jié)前人的研究成果，改進(jìn)和優(yōu)化了部分不足之處，旨在實(shí)現(xiàn)視頻場(chǎng)景中的行人人

2、頭的精準(zhǔn)檢測(cè)，并為人流量統(tǒng)計(jì)分析等實(shí)際應(yīng)用方面提供更可靠的檢測(cè)方法。具體工作如下:
　　1.將卡爾曼濾波建模法用于本文的行人運(yùn)動(dòng)的背景模型的建立。針對(duì)傳統(tǒng)的固定卡爾曼增益模式下的建模法對(duì)于行人運(yùn)動(dòng)時(shí)無(wú)規(guī)律的多樣性運(yùn)動(dòng)狀態(tài)建模時(shí)造成行人的丟失問(wèn)題，提出了Kg動(dòng)態(tài)更新的改進(jìn)的措施，降低了行人的多樣性運(yùn)動(dòng)狀態(tài)時(shí)引起的目標(biāo)丟失的可能。
　　2.HOG特征對(duì)于提取區(qū)域的邊緣或局部的梯度結(jié)構(gòu)分布，可較好的表達(dá)。然而該特征本身不具有尺度不

3、變性，實(shí)際應(yīng)用中僅能檢測(cè)出與樣本圖片大小相差不大的目標(biāo)對(duì)象，提出一種多尺度協(xié)同的人頭檢測(cè)方法。利用線性支持向量機(jī)在分類決策方面的優(yōu)勢(shì)，與提取的HOG特征結(jié)合作分類器的離線訓(xùn)練。實(shí)時(shí)的目標(biāo)檢測(cè)階段，對(duì)輸入的視頻幀序列進(jìn)行多尺度分析，得到不同分辨率下的待檢測(cè)幀，在不同的尺度空間進(jìn)行人頭檢測(cè)并存儲(chǔ)結(jié)果，之后對(duì)各尺度的檢測(cè)結(jié)果融合及標(biāo)定。以此流程提高精確度及檢測(cè)效率。
　　3.多尺度協(xié)同的人頭檢測(cè)系統(tǒng)中，傳統(tǒng)的梯度方向直方圖應(yīng)用于高清視頻

4、監(jiān)控領(lǐng)域時(shí)常因特征提取時(shí)的海量計(jì)算而不能滿足實(shí)時(shí)性要求，提出一種基于GPU_CPU異構(gòu)并行加速的人頭檢測(cè)方法，GPU端負(fù)責(zé)HOG特征提取時(shí)龐大的密集型區(qū)塊的并行計(jì)算，CPU端負(fù)責(zé)檢測(cè)過(guò)程中其它模塊的執(zhí)行。以此異構(gòu)并行的方法，可充分發(fā)揮CPU及GPU的性能。
　　4.傳統(tǒng)的并行歸約算法應(yīng)用于HOG特征提取時(shí)的時(shí)間復(fù)雜度不夠理想，提出改進(jìn)的并行歸約計(jì)算方式，通過(guò)“下掃”的并行計(jì)算方式，減少節(jié)點(diǎn)被計(jì)算的次數(shù)，降低了HOG特征提取時(shí)的時(shí)間