不同人群密度环境下行人检测方法研究

摘要

行人检测和识别是智能视频分析领域中一项重要的研究课题。在智能安防监控、人机交互、虚拟现实等方面有着广泛的应用。现实条件下由于很多区域的人流量比较大，行人之间的遮挡问题比较严重，现有方法很难短时间内处理大量的数据，导致无法满足实时性的需求。头肩部位包含信息量相对较小，并且基本不受遮挡的影响。因此，头肩部分的检测可以作为不同人群密度环境下行人检测的突破口。特别是商场、车站等人流密集区域，利用头肩部位的特征能够很好的完成视频监控中行人的检测。
　　传统的行人检测方法检测过程花费时间较多，很难达到实时的效果，因此本课题的研究就是为了能够提升行人检测过程的整体速度，以求能够应用到实时系统中去。
　　本文的主要工作如下：
　　①主要研究了HOG特征，从具体概念、特征的提取方法、到模板匹配都做了详细的介绍。深入分析了支持向量机(SupportVectorMachine)、AdaBoost算法等可用于行人检测的分类算法。
　　②研究了基于二值化归一梯度特征的目标预检测方法，并在此基础上提出了基于图像金字塔的改进方法。通过对行人数据集进行实验，证实了改进方法是能够在保证目标检测效果不降低的情况下，相应地减少模板匹配的次数，从而能够快速地框出图像中包含行人的区域，为后续的行人检测抛去无用区域，达到提升检测速度的目的。
　　③HOG特征在行人检测领域应用非常广泛，当前经典的行人检测方法都会用到HOG特征。为了解决不同人群密度环境下的遮挡问题，采用基于头肩的HOG特征展开行人检测；本文在充分理解维奥拉.琼斯快速人脸检测方法的基础上利用头肩部HOG特征与AdaBoost算法进行行人的检测。本章的主要工作就是编码实现了上述行人检测系统。然后，通过大量的头肩与非头肩样本得到级联的分类器，通过实验测试结果可以看出该系统能够很好地检测出行人的头肩部位。另外，由于AdaBoost算法的使用，该系统误检情况比较少，为后续行人跟踪、行人计数以及人群行为分析打下基础。

目录

封面

中文摘要

英文摘要

目录

1 绪 论

1.1课题研究背景及意义

1.2国内外研究现状

1.3本文的研究内容与结构安排

2 相关理论知识

2.1行人检测特征描述

2.2模板匹配

2.3 支持向量机

2.4本章小结

3基于图像金字塔改进的二值化归一梯度特征目标预检测方法

3.1基于二值化的归一梯度特征的目标检测方法

3.2基于图像金字塔改进二值化的归一梯度特征的目标检测方法

3.3实验结果及对比分析

3.4本章小结

4不同人群密度环境下基于头肩HOG特征的行人检测系统

4.1特征的提取与计算

4.2AdaBoost算法概述

4.3系统开发环境与平台

4.4样本集准备与系统流程

4.5实验结果与分析

4.6本章小节

5总结和展望

5.1总结

5.2展望

致谢

参考文献