智能视频监控系统中基于头肩部的行人检测

摘要

智能视频监控技术是当前计算机视觉领域中的研究热点和重点。其中，目标检测是整个智能视频监控系统中最基本的处理过程，其主要目的是快速和准确地检测出目标，并确定其位置。在大多数情况下，视频中最受关注的目标是行人。因此，本课题以智能视频监控系统中的行人检测作为主要研究内容。
　　本文针对传统的行人检测方法中存在的不足，提出了一种在复杂场景下能同时满足较高准确性和实时性的行人检测算法。该算法的主要内容和创新点如下:
　　(1)检测人体头肩部而非全身。本文选取人体头肩部代替行人全身作为检测目标。这样做一方面能减小系统的漏检率，相比人体的四肢和躯干，头肩部的形状具有更好的刚性，且能代表行人。即使视频图像帧中的行人存在部分被遮挡的情况，该方法也能适当地减小漏检的可能;另一方面可以提高检测系统的实时性，相比行人全身，头肩部包含的信息要少得多，所以提取特征的过程就相对简单了。
　　(2)提出LW-PGD方法快速确定待测窗口。不同于传统的滑动窗口搜索法，本文提出了基于头顶像素点梯度方向定位头肩部待测窗口的方法(Locating Windows Based on the Pixel Gradient Direction of the Top of Head,LW-PGD)。该方法利用人体头项像素点的梯度方向具有固定范围这一特性，在视频图像帧的前景中找到符合条件的像素点之后，根据这些像素点在原图中的坐标计算出人体头肩部区域的位置和大小，然后截取这些图像区域作为待测窗口。与传统的滑动窗口搜索法相比，该方法能够实现头肩部待测窗口的快速定位，并在较大程度上减少待测窗口的数量，从而有利于提高行人检测的实时性。
　　(3)提取头肩部的融合特征用于检测。在行人检测系统中，选取的特征一方面影响着目标分类和识别的精准效果;另一方面其提取过程的难易程度决定着系统效率的高低。由于梯度方向直方图HOG能有效地提取人体头肩部的边缘和轮廓信息，HSV颜色特征能快速识别和区分人体头部中脸部和头发的颜色，并且合适的融合特征要比单一特征的检测效果好。所以本文在检测人体头肩部时，融合了HOG特征和HSV颜色特征。
　　本文在论述了以上的创新方法后，采用支持向量机学习分类器对MIT和INRIA人体数据库进行训练得到分类决策器之后，以英国Gatwick国际机场的实际监控视频作为测试数据进行实验。实验结果表明了本文创新方法具有较好的可行性和有效性。

目录

声明

论文说明

摘要

第一章 绪论

1．1 选题背景和意义

1．2 国内外研究现状

1．3 常用的行人检测方法

1．3．1 基于统计学习的方法

1．3．2 背景相减法

1．3．3 帧间差分法

1．3．4 光流法

1．4 行人检测存在的难点

1．5 本文的研究内容和创新点

1．6 本文的章节安排

第二章 行人头肩部融合特征的提取

2．1 引言

2．2 常用的图像特征类型简介

2．3 人体头肩部的融合特征

2．3．1 本文采用的HOG+HSV融合特征

2．3．2 融合特征的提取方法

2．4 本章小结

第三章 基于融合特征和SVM的行人头肩部检测

3．1 引言

3．2 支持向量机分类器

3．3 基于融合特征的SVM分类器训练

3．3．1 行人头肩部公开数据集和评价标准

3．3．2 SVM分类器训练

3．4 行人头肩部检测实验

3．4．1 实验结果

3．4．2 实验分析

3．5 本章小结

第四章 视频中基于头肩部的快速行人检测

4．1 引言

4．2 视频图像帧处理

4．2．1 图像去噪

4．2．2 背景建模与前景提取

4．3 确定待测窗口

4．3．1 传统的滑动窗口搜索法

4．3．2 本文的LW-PGD方法

4．3．3 实验和比较分析

4．4 快速行人检测

4．4．1 SVM检测

4．4．2 定位行人全身

4．5 本章小结

第五章 总结及展望

5．1 本文的工作总结

5．2 展望

参考文献

致谢

攻读学位期间发表的学术论文

攻读硕士学位期间的科研项目