复杂场景中基于3D轨迹分析的目标检测识别算法研究

摘要

复杂场景中的目标检测识别算法研究是智能监控系统研究的重点，目前运动目标检测识别技术仍然存在一些问题，如对光照变化敏感、受目标遮挡影响以及拥挤情况下目标检测率低等。
　　本文采用了一种基于3D轨迹分析的目标检测识别算法，该算法的基本思想是检测-跟踪-识别。根据双目立体视觉原理，对双目相机进行双目标定，获取相机内外参数并得到深度图，根据深度图中目标高度与深度的对应关系，在深度图中采用寻找局部深度最大的方法，提取目标头部区域，实现对疑似目标的初步检测。利用卡尔曼滤波器对目标匹配搜索范围进行预测，采用多特征加权的匹配准则进行目标匹配，实现对疑似目标的稳定跟踪，得到其图像上的二维轨迹。通过对相机进行三维标定，将疑似目标的图像二维轨迹转换为世界坐标系下的三维轨迹，采用了三种不同的3D轨迹分析方法实现对目标的识别：基于检测面的3D轨迹分析与目标识别算法、基于朴素贝叶斯分类的3D轨迹分析与目标识别算法和基于AdaBoost分类的3D轨迹分析与目标识别算法。
　　在实际应用场景下，对本文中三种3D轨迹分析与目标识别算法进行了测试。实验结果表明，三种方法均满足实时性要求，在存在光照变化、目标遮挡以及拥挤的情况下，基于检测面的方法精度为91.4％，基于朴素贝叶斯分类的方法精度为94.84%，基于AdaBoost分类的方法对目标的识别精度最高，精度可达到96.93%。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 本文的研究背景及意义

1.2 国内外研究现状

1.3 研究难点

1.4 本文主要内容及工作安排

第二章 复杂场景中运动目标检测跟踪

2.1深度信息获取

2.2 运动目标检测算法

2.3 运动目标跟踪算法

2.4 本章小结

第三章 基于检测面的3D轨迹分析与目标识别

3.1 轨迹三维信息获取

3.2 基于检测面的3D轨迹分析

3.3 实验结果及分析

3.4 本章小结

第四章 基于朴素贝叶斯分类的3D轨迹分析与目标识别

4.1 朴素贝叶斯分类

4.2 朴素贝叶斯分类器训练

4.3 实验结果与分析

4.4 本章小结

第五章 基于AdaBoost分类的3D轨迹分析与目标识别

5.1 Adaboost分类

5.2 训练强分类器

5.3 实验结果与分析

5.4 本章小结

总结与展望

参考文献

攻读学位期间取得的研究成果

致谢