基于多摄像机区域匹配和AdaBoost算法的运动人头检测

摘要

AdaBoost算法在现有的人头检测技术中，具有检测率高、检测速度快的优点。它采用矩形特征作为弱分类器，利用积分图快速计算特征值，将强分类器按照级联结构组合，从而提高算法检测速度。但AdaBoost算法本身也有训练时间长、单个弱分类器性能不强、无法避免误检等缺点，本文针对这些不足，采用了几种改进方法。
　　首先，针对传统算法使用单阈值作为弱分类器判断依据造成计算量大，不符合样本特征值分布的缺点，采用了使用双阈值判断弱分类器分类结果的方法。这样做，不仅可以大大减少构造弱分类器所需的时间，更可以提高单个弱分类器的分类性能，从而降低总的弱分类器数量。
　　其次，采用了弱分类器内部结构特征算法。针对弱分类器一旦训练结束就不在改变的现象，给弱分类器一个调整向量和偏移向量，利用遗传算法计算最佳的内部结构调整参数，并进行调整验证。给弱分类器第二次机会提高自身的分类性能的机会，从而提升整个级联分类器的检测效果。
　　再次，针对背景中出现大量误检子窗口的现象，采用了使用简单背景减法提取视频序列中的运动目标，再使用训练好的级联分类器对提取的运动区域进行检测，这样做，一来可以减少被检测区域，从而降低检测时间，二来可以去除背景对检测结果的干扰，降低误检率。
　　最后，针对出现在人体身上的误检区域，采用多摄像机同时拍摄，选取一个作为基准，检测出“人头”区域，利用区域匹配计算出其在其它对应图像中的位置，再对这些位置进行判断，只有被再次检测为“人头”的子窗口，才最终被认定为“人头”。
　　经过上面各种改进的结合，对比传统AdaBoost算法，本文的算法对于人头检测具有很高的检测率和较低的误检率。

目录

声明

摘要

1 绪论

1．1 课题研究的背景及意义

1．2 国内外相关技术发展与现状

1．2．1 多摄像机智能视频监控系统发展与现状

1．2．2 AdaBoost的发展与研究现状

1．3 AdaBoost检测运动目标存在的问题

1．4 论文主要工作和结构

1．4．1 论文主要工作

1．4．2 论文结构

2 AdaBoost的检测原理

2．1 AdaBoost算法描述

2．2 AdaBoost算法的理论分析

2．2．1 训练误差分析

2．2．2 泛化误差

2．3 检测特征的选取与计算

2．3．1 Haar-like特征

2．3．2 矩形特征数量计算

2．3．3 积分图

2．4 AdaBoost算法强分类器的训练

2．4．1 弱分类器的构造

2．4．2 训练强分类器

2．5 级联分类器

2．5．1 级联分类器的组成及分析

2．5．2 级联分类器的训练过程

2．6 本章小结

3 基于双阈值和内部结构调整的AdaBoost算法

3．1 基于双阈值的AdaBoost算法

3．1．1 单阈值构造弱分类器的缺点

3．1．2 双阈值构造弱分类器

3．1．3 实验分析

3．2 基于弱分类器内部结构调整的AdaBoost算法

3．2．1 弱分类器内部结构调整

3．2．2 内部结构调整最佳参数选择

3．2．3 调整验证

3．2．4 基于弱分类器内部结构调整的AdaBoost算法

3．2．5 实验分析

3．3 本章小结

4 基于运动目标提取和多摄像机区域匹配的AdaBoost算法

4．1 运动目标检测

4．1．1 帧差法

4．1．2 背景减法

4．1．3 光流法

4．1．4 几种运动目标检测算法的比较

4．2 基于简单背景减法和改进AdaBoost算法的人头检测

4．2．1 AdaBoost算法与运动目标检测结合的优势

4．2．2 基于简单背景减法与改进AdaBoost算法的人头检测算法

4．2．3 实验分析

4．3 区域匹配

4．4 基于运动目标提取和多摄像机区域匹配的AdaBoost人头检测

4．4．1 基于运动目标提取和多摄像机区域匹配的AdaBoost算法的具体流程

4．4．2 实验分析

4．5 本章小结

5 结论和展望

5．1 本文工作总结

5．2 研究展望

致谢

参考文献

附录