基于彩色图像和深度图像的人头跟踪

摘要

视频序列中的目标跟踪是计算机视觉研究领域的热点，在众多领域有着广阔的应用前景，比如精确制导，安全监控，视频压缩等。在当前安全监控越来越被重视的今天，在学校、图书馆、商场等场所，监控系统已成为必不可少的设施。实现监控智能化，不仅能将人力从机械化重复的工作中解脱出来，更可以提高监控的安全性。
　　经过多年的研究和发展，在目标跟踪领域已经有很多较为成熟的算法，但是遮挡问题一直是跟踪领域的难点。由于传统的2D图像深度信息的丢失，使得仅依赖于2D图像并不能从根本上解决跟踪过程中跟踪目标被遮挡的问题。但是传统的深度信息恢复算法和设备复杂，很难满足实时跟踪的需求。2010年微软公司推出的Kinect深度摄像机，可以实时的采集场景中的深度信息，为跟踪领域的研究提供了新的契机。考虑到在密集人群中人头被遮挡的概率低于人体，因此本文将人头定为被跟踪的对象。
　　本文提出了一个结合彩色图像和深度图像进行人头跟踪的算法，将人头跟踪建模为标记目标和候选目标的数据关联问题。本文方法首先利用深度图像提取出前景图像。然后使用预先训练好的分类器在提取出的前景中对人头进行检测定位。最后通过计算标记目标和检测到的候选目标之间的相似性来实现跟踪。本文利用位置信息和基于稀疏表示的纹理信息联合构成人头特征。由于深度信息可以很好的解决2D平面图像中深度模糊的问题，因此将深度信息作为建模的主要特征，将从RGB彩色图像中获得的位置信息和稀疏表示信息作为次特征，来确保跟踪的准确性。
　　本文提出的算法可以有效地解决跟踪领域一些难题，比如目标之间相互遮挡，消失目标重现，以及在拥挤场景下严重遮挡等问题。最后通过实验结果，展示本文提出的算法的有效性和鲁棒性。

目录

声明

摘要

1 绪论

1．1 计算机视觉概述

1．2 视频跟踪的应用

1．3 国内外研究现状

1．4 本论文的研究内容和结构安排

2 深度图像介绍

2．1 常用深度图像获取技术

2．2 Kinect介绍

2．2．1 Kinect的发展史

2．2．2 Kinect的硬件装置

2．2．3 Kinect深度图像的生成原理

2．2．4 Kinect工具

2．3 深度信息与实际距离的转换

2．4 本章小结

3 基于深度图像的前景提取和人头检测

3．1 深度图像的预处理

3．1．1 深度图像配准

3．1．2 深度图像滤波

3．1．3 深度图像的形态学操作

3．2 深度图像人头检测跟踪讨论

3．2．1 最优贝叶斯估计

3．2．2 重要性采样(SIS)算法

3．2．3 深度图像检测跟踪算法研究

3．3 前景提取

3．3．1 帧间差分法

3．3．2 背景差法

3．3．3 深度图像提取前景

3．3．4 深度图像前景提取法参数的设定

3．4 前景提取比较分析

3．5 人头检测

3．5．1 Harr特征

3．5．2 Adaboost算法

3．5．3 弱分类器的训练及选取

3．5．4 强分类器

3．5．5 级联分类器

3．6 分类器训练过程

3．7 本章小结

4 多特征目标跟踪算法

4．1 位置信息

4．2 稀疏表示特征

4．3 人头跟踪

4．4 实验结果和讨论

4．4．1 参数的设置和分析

4．4．2 基于数据统计的结果分析

4．4．3 基于视频序列的结果分析

4．5 本章小结

5 总结与展望

5．1 本文主要工作

5．2 展望

参考文献

附录A 实验编程环境的搭建

攻读硕士学位期间发表学术论文情况

致谢