基于頭肩輪廓特征的人頭檢測系統(tǒng)的研究.pdf

1、行人檢測和識別是智能視頻分析領(lǐng)域一項重要的研究課題。在智能安防監(jiān)控、人機交互、虛擬現(xiàn)實等有著廣泛的應(yīng)用。現(xiàn)實條件下由于攝像機安裝的位置和角度受到限制，經(jīng)常存在拍攝的圖像中人體區(qū)域不完整、人體間產(chǎn)生相互遮擋的情況，所以人的頭肩部位則成了行人檢測難題的突破口。本文利用了頭肩輪廓呈現(xiàn)比較固定的特點，對監(jiān)控視頻中的人頭檢測進行了新的探索和研究。
　　 本文著重研究了復(fù)雜場景視頻中行人的運動檢測算法，以及構(gòu)建基于頭肩輪廓特征的人頭分類器并

2、對目標(biāo)進行檢測識別。論文的主要內(nèi)容和創(chuàng)新點如下：
　　 首先，對采集到的原始圖像進行了預(yù)處理操作，采用了快速中值濾波去除噪聲和灰度值拉伸以增加對比度，使圖像能夠在后續(xù)的處理中保證好的質(zhì)量。
　　 其次，為了縮短掃描時間，先進行運動目標(biāo)的檢測，將包含行人的前景分割出來。建立了codebook模型進行運動檢測，同時考慮到判別準(zhǔn)則和像素的亮度直接相關(guān)，改進了經(jīng)典的模型將RGB空間轉(zhuǎn)換到Y(jié)UV空間，使檢測效果得到了提升。

3、　　 然后，設(shè)計了‘兩個級聯(lián)式分類器，分別采用基于類Haar特征和HOG特征進行先粗略后精細(xì)兩級過濾的檢測機制。特別地，由于頭肩對稱性的特點，提出了Joint HOG(組合Block的HOG)的特征提取算法，并選取多尺寸Block以增加基礎(chǔ)特征，克服了傳統(tǒng)HOG特征單一、計算耗時的缺點。其中HOG分類器的設(shè)計結(jié)合SVM和AdaBoost算法對樣本進行訓(xùn)練，用線性SVM作為弱學(xué)習(xí)算法構(gòu)造Joint HOG的弱分類器，再將這些分類器通過C