復雜視覺場景下的行人檢測與跟蹤方法研究.pdf

1、行人檢測和跟蹤技術(shù)在智能視覺監(jiān)控、智能輔助駕駛、行為動作語義分析、機器人控制等許多領(lǐng)域具有廣泛的應(yīng)用前景和研究價值,盡管目前已有許多行人檢測和跟蹤的研究成果,但由于場景的復雜性以及人體的固有特性,很多問題沒有得到很好的解決,仍然需要進一步的研究。本文在深入理解計算機視覺相關(guān)原理的基礎(chǔ)上,針對視覺場景感興趣區(qū)域分析、行人分類檢測技術(shù)以及目標跟蹤技術(shù)進行了研究,本文的主要研究工作和成果體現(xiàn)在以下幾個方面:
　　首先,提出一種基于視覺顯

2、著性的感興趣區(qū)域檢測算法。對于復雜場景分析,傳統(tǒng)的運動檢測、邊緣分割等方法難以發(fā)揮作用。對此,本文提出一種融合顏色、深度和運動三種特征的顯著融合模型,將運動和深度特征的顯著性融合到最終的計算模型中,有效地降低背景區(qū)域的顯著值,增加對前景和運動目標的凸顯能力。提出的融合模型具有較低的計算復雜度,提供接近實時的視頻圖像處理能力。
　　其次,設(shè)計和實現(xiàn)一種分級的快速行人檢測算法。采用粗—精兩級的分類器結(jié)構(gòu),粗分類器是基于無結(jié)構(gòu)HOG特征

3、的級聯(lián)分類器,使用加權(quán)費舍爾線性判別將多維特征投影到低維,進而利用GAB實現(xiàn)級聯(lián)分類器的訓練。精密級分類器采用多部件的LatentSVM算法。算法實現(xiàn)中,采用積分直方圖、圖像金字塔優(yōu)化和多尺度特征估計作進一步的優(yōu)化。本文算法具有以下特點:1.采用由粗到精的分級檢測結(jié)構(gòu),具有較高的檢測率和較低的虛警率;2.兩級分類器中沒有引入新的特征計算;3.采用了一系列優(yōu)化加速方法,具有較快的檢測速度。
　　再者,研究了基于模板匹配的目標跟蹤方法

4、,提出一種結(jié)合顏色和SURF特征的粒子濾波跟蹤算法。針對SURF這種稀疏性未知分布特征,提出一種快速觀測概率計算模型,采用基于特征不確定性的融合方式計算SURF和顏色直方圖的聯(lián)合觀測概率。同時針對目標可能的視角和結(jié)構(gòu)變化,提出SURF特征模板集的更新策略,避免了跟蹤過程中SURF匹配數(shù)下降和不穩(wěn)定的現(xiàn)象。實驗證明,該方法對光照和遮擋具有很好的魯棒性,對目標的外觀變化具有一定的適應(yīng)能力。
　　最后,基于前述研究成果,設(shè)計實現(xiàn)一個全自