复杂背景下实时行人检测技术研究

摘要

本文提出利用相位一致性（Phase Congruency,PC）计算提取行人的边缘，结合局部能量与Log Gabor滤波器，在不同的图像尺度和滤波方向下，计算获得行人边缘的局部能量最大值和对应的相位值，利用计算HOG特征时的投影加权等方式，生成PC-HOG特征。通过AdaBoost算法训练获得强分类器，训练时间缩短为2.5小时。将分类器在INRIA数据库中进行测试，测试结果表明该算法提升了行人检测速度，较HOG+SVM速度提升40％以上，较HOG+AdaBoost提高了8%左右。对图像进行下采样处理后，PC-HOG+AdaBoost算法检测结果在行人正检数量和错检数量都有显著改善，较HOG+SVM在正检数量上提升12%，检测时间降低50%，320×240大小图片检测时间为0.07秒。
　　为了提高HOG特征在小像素图片检测中的正确率，本文利用帧差法，在不同阈值下提取视频图像中行人的运动前景二值图像，去除背景对行人轮廓特征的影响后，利用AdaBoost算法训练学习HOG特征。分类器可在MIT数据库中64×128图片大小实现98%以上的正检率，检测时间为4ms。
　　在动态场景下进行行人追踪与检测中，以颜色信息为基础，对H颜色分量进行逆投影变换，使用Mean Shift算法追踪目标，易出现追踪漂移和失败的结果。为改善此追踪结果，结合运动特征，利用帧差法和高斯混合模型提取运动前景，在Mean Shift算法基础上，融合连通域，粒子滤波算法进行目标追踪，并使用卡尔曼滤波器预测与校正目标位置。在运动区域采用行人分类器进行检测，检测时间均0.3ms，显著改善了行人检测速度。
　　通过对静态图片下行人特征的改进和视频图片中行人追踪算法的改善，本文实现了在复杂背景下的实时行人检测。

目录

声明

第1章 绪论

1.1 论文研究背景及意义

1.2 行人检测与追踪研究现状

1.3 本文主要工作与组织结构

第2章 行人特征概述

2.1 方向梯度直方图

2.2 相位一致性

2.3 本章小结

第3章 特征学习算法

3.1 AdaBoost算法简介

3.2 支持向量机

3.3 本章小结

第4章 行人运动前景提取与追踪算法

4.1 行人运动前景提取算法

4.2 行人追踪算法

4.3 本章小结

第5章 行人检测与追踪实验分析

5.1 静态图片中的行人检测

5.2 动态场景中的行人追踪与检测

5.3 本章小结

结论与展望

参考文献

致谢

附录A 攻读学位期间所发表的学术论文目录