復(fù)雜交通環(huán)境下的運(yùn)動(dòng)人體檢測(cè)研究.pdf

1、運(yùn)動(dòng)人體檢測(cè)是視覺(jué)人體運(yùn)動(dòng)分析中的關(guān)鍵技術(shù),是進(jìn)行各種后續(xù)處理如運(yùn)動(dòng)人體識(shí)別、運(yùn)動(dòng)人體跟蹤的前提和基礎(chǔ),在高級(jí)人機(jī)交互、視頻會(huì)議、智能視頻監(jiān)控等方面具有廣泛的應(yīng)用前景和潛在價(jià)值,成為近年來(lái)國(guó)內(nèi)外眾多學(xué)者研究的熱點(diǎn)問(wèn)題。在其部分應(yīng)用領(lǐng)域中,如智能交通客流檢測(cè)等,為了防止人體目標(biāo)的遮擋和覆蓋情況,大多采用垂直向下的俯拍。在這類(lèi)俯拍視頻圖像中人體的頭部信息相對(duì)完整,被廣泛地作為人體的局部特征用于人體檢測(cè)。本文緊密?chē)@復(fù)雜交通環(huán)境下俯視圖像中運(yùn)

2、動(dòng)人體檢測(cè)問(wèn)題,首先提出了基于改進(jìn)的脈沖耦合神經(jīng)網(wǎng)絡(luò)模型的視頻濾波預(yù)處理方法,然后以不同分辨率下的視頻序列為研究對(duì)象,分別提出了適用于較低分辨率的基于灰度特征的運(yùn)動(dòng)人體頭部區(qū)域檢測(cè)方法和適用于較高分辨率的基于輪廓特征的運(yùn)動(dòng)人體頭部檢測(cè)方法。
　　 在視頻濾波預(yù)處理方面,針對(duì)脈沖耦合神經(jīng)網(wǎng)絡(luò)簡(jiǎn)化模型在圖像濾波中存在的問(wèn)題,運(yùn)用反證法證明其對(duì)椒噪聲檢測(cè)失效,采用分而治之法對(duì)其進(jìn)行改進(jìn),利用改進(jìn)模型檢測(cè)圖像的污染程度、確定噪聲的具體位

3、置、自適應(yīng)地確定中值濾波窗口的大小,實(shí)現(xiàn)視頻圖像濾波預(yù)處理。實(shí)驗(yàn)結(jié)果表明,此方法對(duì)不同密度的椒鹽噪聲都具有較好的濾波性能,提高了后續(xù)運(yùn)動(dòng)人體檢測(cè)的檢測(cè)質(zhì)量。
　　 在運(yùn)動(dòng)人體檢測(cè)方面,針對(duì)復(fù)雜交通環(huán)境下俯視圖像中運(yùn)動(dòng)人體檢測(cè)存在的誤檢漏檢問(wèn)題,以不同分辨率下的視頻序列為研究對(duì)象,分別提出了適用于較低分辨率的基于灰度特征的運(yùn)動(dòng)人體頭部區(qū)域檢測(cè)方法和適用于較高分辨率的基于輪廓特征的運(yùn)動(dòng)人體頭部檢測(cè)方法。前者根據(jù)人體頭部的灰度特征,對(duì)

4、雙閾值法進(jìn)行改進(jìn),利用改進(jìn)后的雙閾值法檢測(cè)目標(biāo)所在區(qū)域,采用區(qū)域生長(zhǎng)法分割出目標(biāo),使得此方法在出現(xiàn)慢速運(yùn)動(dòng)的人體頭部目標(biāo)以及背景中出現(xiàn)光照變化和異物干擾等情況下均具有較好的檢測(cè)能力。后者根據(jù)人體頭部目標(biāo)的輪廓特征,用分塊對(duì)稱(chēng)差分法對(duì)背景進(jìn)行實(shí)時(shí)更新,結(jié)合對(duì)稱(chēng)差分法和背景消減法提取運(yùn)動(dòng)目標(biāo),用基于梯度的隨機(jī)Hough快速圓檢測(cè)方法對(duì)運(yùn)動(dòng)人體頭部進(jìn)行檢測(cè),較好地解決了出現(xiàn)強(qiáng)烈的光照變化、非人體頭部目標(biāo)以及禿頂、帶帽或衣服顏色與頭頂顏色近似的