開題報告--監(jiān)控系統(tǒng)中的行人檢測算法的實現(xiàn)

1、<p>　　畢業(yè)設(shè)計（論文）開題報告</p><p>　　一、綜述本課題國內(nèi)外研究動態(tài)，說明選題的依據(jù)和意義</p><p>　　科學(xué)技術(shù)的快速發(fā)展，在給人帶來利益和便利的同時，也給人帶來了安全隱患。如為保護某些具有較高的經(jīng)濟價值或技術(shù)優(yōu)勢的核心技術(shù)及機密而設(shè)立的禁區(qū)，交通工具的快速行駛等都會給人們帶來安全隱患。因此，監(jiān)控系統(tǒng)（特別是智能監(jiān)控系統(tǒng)）越來越受到人們的重視?？v觀各種影

2、響社會安全穩(wěn)定的事件，給人們帶來嚴重損失的除不可控因素（地震、火山噴發(fā)等）外，主要是人的行為。因此，在監(jiān)控系統(tǒng)中實現(xiàn)行人檢測將可以避免巨大的人身、經(jīng)濟等損失，也成為了國內(nèi)外研究的熱點。</p><p>　　目前，清華大學(xué)、浙江大學(xué)、上海交通大學(xué)計算機實驗室以及中國科學(xué)院自動化研究所等是國內(nèi)在行人檢測研究上比較著名的高校或研究機構(gòu)。而且，中國科學(xué)院自動化研究所的生物識別與安全技術(shù)研究中心開發(fā)的人臉識別系統(tǒng)已經(jīng)投入使

3、用（2008 年北京奧運會和 2010 年上海世博會等重大活動）。浙江大學(xué)人工智能研究所采用了單目視覺的方法，中科院的李和平、胡占義等提出基于監(jiān)督學(xué)習(xí)的異常檢測和行為建模算法。國外著名的智能監(jiān)控系統(tǒng)有IBM的智能監(jiān)控系統(tǒng)和以色列的IOImage</p><p>　　公司推出的智能監(jiān)控系統(tǒng)。另外，卡耐基梅隆大學(xué)開發(fā)的 NabLab.10 系統(tǒng)已經(jīng)應(yīng)用于汽車的檢測系統(tǒng)。雖然國內(nèi)的監(jiān)控系統(tǒng)行業(yè)近些年發(fā)展較快，但是和國外

4、相比仍有一定的差距。</p><p>　　監(jiān)控系統(tǒng)中行人檢測技術(shù)研究至今，比較成熟的算法主要有Leibe等人基于 “局部特性的編碼”進行的行人檢測、Oliver等人利用邊緣圖像來對不同的形狀模型進行匹配(ASM)和Dalal與Triggs 提出的基于梯度直方圖 HOG+支持向量機SVM的行人檢測算法等。而在所有的行人檢測技術(shù)，基本都包括了運動目標檢測和運動目標識別兩個關(guān)鍵技術(shù)。</p><p&

5、gt;　　運動目標檢測是指通過比較視頻圖像中像素點的變化判斷是否有運動物體，并通過圖像處理技術(shù)將運動目標分割出來。運動目標的檢測是運動目標識別的前提和保障，目前主要有光流法和幀差法（包括對稱幀差法和背景減除法）。運動目標識別是對運動目標檢測階段獲得的運動目標進行處理，識別出其是行人還是其他的物體。目前主要有基于運動的方法、基于模板匹配的方法、基于統(tǒng)計學(xué)習(xí)方法[3]等。</p><p>　　OpenCV 是著名的開

6、源的計算機視覺的函數(shù)庫，由大量的 C 函數(shù)和 C++類構(gòu)成作為接口，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。而且OpenCV中的機器學(xué)習(xí)函數(shù)庫實現(xiàn)了機器學(xué)習(xí)研究領(lǐng)域中比較常見、應(yīng)用較為廣泛的學(xué)習(xí)方法，包括了貝葉斯分類器、K 鄰近算法、支持向量機、決策樹、Adaboost 算法以及神經(jīng)網(wǎng)路算法，基本上覆蓋了機器學(xué)習(xí)領(lǐng)域中的主流算法。因此，使用OpenCV能夠較靈活的實現(xiàn)行人檢測。</p><p>　　二、研究

7、的基本內(nèi)容，擬解決的主要問題：</p><p>　　監(jiān)控系統(tǒng)的行人檢測算法的實現(xiàn)主要包括運動目標檢測和運動目標識別兩個關(guān)鍵技術(shù)，在運動目標檢測階段可以采用幀差法，目標識別階段可以采用基于HOG特征的行人識別。</p><p><b>　　1）幀差法</b></p><p>　　幀差法是指通過當前幀與背景圖像相減得到的幀或連續(xù)的兩幀圖像的差值得到

8、</p><p>　　中間幀運動對象的輪廓。通過該方法可以獲得ROI（感興趣區(qū)域）區(qū)域，進一步縮小檢測區(qū)域。</p><p><b>　　2）HOG特征</b></p><p>　　HOG特征是在被稱為單元（cell）和塊（block）的網(wǎng)格內(nèi)進行密集計算得到的，其中有若干像素組成一個單元，若干相鄰的單元組成一個塊。HOG特征描述了圖像局部區(qū)域

9、的梯度強度和梯度方向的分布情況，該分布情況能對局部對象外觀和形狀進行很好的表征，適合于行人檢測中肢體的外形變化和自由移動。</p><p><b>　　3）OpenCV</b></p><p>　　監(jiān)控系統(tǒng)中行人檢測算法的實現(xiàn)使用OpenCV開發(fā)工具，OpenCV提供了大量的圖像處理方面的常用函數(shù)，而且是免費開源的，支持多種操作系統(tǒng)。 但是OpenCV并不支持所有的視

10、頻編碼格式。</p><p>　　三、研究步驟、方法及措施：</p><p>　　研究開始時，首先要學(xué)習(xí)視頻和行人的基本特性，了解OpenCV。接下來要查找文獻，了解現(xiàn)在行人檢測技術(shù)的發(fā)展，翻譯文獻，做出開題報告。然后確定算法流程，學(xué)習(xí)OpenCV工具。接著利用OpenCV工具實現(xiàn)行人檢測算。最后，撰寫論文，驗收成果并答辯。</p><p>　　本文擬采用的流程如下

11、圖2所示。</p><p>　　圖2 行人檢測流程圖</p><p>　　視頻輸入是將通過攝像機或相機等硬件設(shè)備采集到的圖像視頻信息作為信號輸入行人檢測系統(tǒng)中。預(yù)處理包括圖像編解碼、圖像處理、圖像分割等，該階段的目的是將感興趣區(qū)域ROI分割出來，作為下一步HOG特征提取的輸入信號。圖像分割又分為靜態(tài)的圖像分割和運動的圖像分割，前者適合使用背景減除幀差法，后者適合連續(xù)幀幀差法。HOG

12、特征提取部分是將感興趣區(qū)域重新編碼，輸出特征向量作為HOG特征，其主要思想是用梯度方向分布來表示行人形狀和直立垂直特性。行人識別階段是從其它目標中區(qū)分出行人，主要通過行人特定的特征匹配方法，或通過一般的分類方法，例如支持向量機、神經(jīng)網(wǎng)絡(luò)等來決定 ROIs 中是否包含行人。因支持向量機、神經(jīng)網(wǎng)絡(luò)等方法具有一定的難度，因此本文選用了基于HOG特征的行人識別。</p><p>　　在算法實現(xiàn)過程中，如何提取HOG特征是

13、關(guān)鍵。計算HOG特征大致可以分為如下圖3所示的五個步驟。</p><p>　　圖3 HOG特征提取流程圖</p><p>　　HOG特征具體計算過程如下 </p><p>　　假設(shè)用表示一幅圖像，表示圖像在像素點處的灰度值。</p><p>　?。?）像素點處的水平梯度和垂直梯度</p><p>　　（2）計

14、算梯度強度和梯度方向</p><p><b>　　=</b></p><p><b>　　=</b></p><p>　?。?）將每個ROI圖像分割成若干個單元（cell），如Dalal等人提出的HOG 特征是針對16×16 像素大小的block，每個 block又平均分為4個cell，即每個cell的大小為8&

15、#215;8 像素。每個cell 的特征是其內(nèi)部8×8個像素的特征向量之和。</p><p>　　（4）計算每個單元格的方向直方圖</p><p>　　假設(shè)將在[]區(qū)間劃分為個均勻的區(qū)間(bin)，表示像素點在第個梯度方向的幅度大小，則：</p><p><b>　　= 其中</b></p><p>　　那么

16、，像素點處的梯度特征就可以用一個N維向量表示。</p><p>　　（5）歸一化直方圖的每一塊（block）</p><p>　　假設(shè)每一個block內(nèi)有個cell，為了消除光照等影響，對block內(nèi)的cell進行歸一化：</p><p>　　表示在單元（cell）中，第個方向區(qū)間的累計強度在block中所占的比例，其中，是一個很小的數(shù)，避免分母為0。而每個cell

17、可以用N維向量表示，每個block由M個cell組成，那么，每一個block就可以用維向量表示。</p><p>　　（6）、將所有歸一化的Block串在一起構(gòu)成人體特征向量。</p><p><b>　　行人識別的計算方法</b></p><p>　　使用Bhattacharyya 距離公式計算圖像ROI區(qū)域和人的模板的HOG特征的相似度。&

18、lt;/p><p>　?。簶颖臼噶康趥€分量 </p><p><b>　?。耗０迨噶康趥€分量</b></p><p><b>　?。菏噶糠至康臄?shù)量</b></p><p>　　當該結(jié)果越大時，說明相似度越高，此時ROI區(qū)內(nèi)有行人。</p><p><b>　　四、研究工

19、作進度：</b></p><p><b>　　五、主要參考文獻：</b></p><p>　　[1] 張旭東.行人檢測技術(shù)研究[D].電子科技大學(xué)2011年碩士學(xué)位論文.第3頁</p><p>　　[2] 李和平，戶占義，吳毅紅等，基于班建東學(xué)習(xí)的行為建模與異常檢測[J].軟件學(xué)報,2007年3月,18(3):527-537<

20、/p><p>　　[3] 張海榮. 視頻圖像中的行人檢測算法研究與實現(xiàn)[D].東北大學(xué)2009年碩士學(xué)位論文.第6頁</p><p>　　[4] Chang, Shyang-LihYang, Fu-TzuWu, Wen-PoCho, Yu-AnChen, Sei-Wang. Nighttime Pedestrian Detection Using Thermal Imaging Based o

21、n HOG Feature. Proceedings of 2011 International Conference on System Science and Engineering, Macau, China - June 2011:694-698</p><p>　　[5] 張旭東.行人檢測技術(shù)研究[D].電子科技大學(xué)2011年碩士學(xué)位論文.第11頁</p><p>　　[6] 車

22、志富，苗振江，王夢思. 地鐵視頻監(jiān)控系統(tǒng)中的行人檢測研究與應(yīng)用[J]. 現(xiàn)代城市軌道交通.2010年2月：31-36</p><p>　　六、指導(dǎo)教師審核意見： </p><p>　　指導(dǎo)教師簽字： </p><p><b>　　年　　月　　日</b></p><p>　　七、系（教研室）評議

23、意見： </p><p>　　系（教研室）主任簽字： </p><p><b>　　年　　月　　日</b></p><p>　　八、開題小組評審意見：</p><p>　　開題小組負責人簽字：　　　　 </p><p><b>　　年　　月　　日</