行人檢測與跟蹤技術(shù)研究.pdf

1、隨著計算機技術(shù)和人工智能技術(shù)的快速發(fā)展，計算機視覺、模式識別等研究領(lǐng)域近幾年成為較熱門的研究課題。行人檢測與跟蹤技術(shù)是計算機視覺和模式識別領(lǐng)域的一個熱門研究方向，在智能交通、無人駕駛、公共安全監(jiān)控等許多方面都有著重要的研究價值和實際意義。本文主要對行人檢測與跟蹤技術(shù)進(jìn)行以下研究：
　　首先對行人感興趣區(qū)域的提取進(jìn)行了研究。早期的行人檢測大多針對像素較小的圖片，然而現(xiàn)在大多都是高清圖片像素較大，圖片包含的信息太多，會大大增加運算量，

2、使檢測很難達(dá)到實時性的效果。針對行人檢測速度較慢的問題，本文提出基于感興趣區(qū)域的行人檢測方法，分別針對單幀圖像和運動視頻序列圖像兩種情況的感興趣區(qū)域提取進(jìn)行了研究。對于單幀靜態(tài)圖像，使用Adaboost算法和級聯(lián)分類器，通過對級聯(lián)分類器每級中的檢測率下限和誤檢率上限合理設(shè)置，可以進(jìn)行快速行人區(qū)域提取；對于運動行人視頻序列圖像，針對傳統(tǒng)的對稱差分法容易產(chǎn)生邊緣空洞的現(xiàn)象，本文對其進(jìn)行了改進(jìn)，消除空洞的產(chǎn)生，準(zhǔn)確的得到了運動行人的輪廓，進(jìn)而

3、實現(xiàn)運動行人區(qū)域快速提取。實驗結(jié)果表明，本文算法能夠快速的找到行人感興趣區(qū)域，為后續(xù)的行人檢測大大縮小了檢測范圍，為實時性行人檢測提供了可能。
　　然后在行人感興趣區(qū)域的基礎(chǔ)上，對行人的精確檢測問題做了研究。研究發(fā)現(xiàn)在行人檢測所使用的特征中，HOG特征對行人的描述最好，因此本文使用HOG+SVM的行人檢測算法進(jìn)行行人精確檢測。對HOG特征的提取和SVM分類器分類原理進(jìn)行了研究，分析了HOG+SVM的行人檢測算法的優(yōu)點是具有較高的檢

4、測率，缺點是存在部分誤檢和檢測速度較慢。結(jié)合之前的行人感興趣區(qū)域的提取，進(jìn)行感興趣區(qū)域的行人檢測，實驗結(jié)果表明，本文所使用的方法在保持較高的檢測率的同時，降低了誤檢率，提高了檢測速度，使檢測時間從原來的每幀1.8s降低到0.19s。
　　最后在行人檢測的基礎(chǔ)上進(jìn)行行人跟蹤的研究。介紹了連續(xù)能量最小化方法的相關(guān)理論，對能量函數(shù)構(gòu)造模型進(jìn)行了研究，將行人目標(biāo)的觀測模型、動態(tài)模型、互斥模型、軌跡維持模型及軌跡修正模型構(gòu)建到一個能量函數(shù)中