面向DSP实现的视频头肩检测与跟踪算法研究

摘要

行人检测与跟踪是智能视频分析领域中一个重要的研究课题。由于人体的头肩呈现比较固定的类似“Ω”形状和不易被遮挡等优点，为行人的准确检测和跟踪提供了先决条件。本文对运动人体目标的检测与跟踪问题在单个固定摄像头的场景下进行了研究与分析，其主要工作内容如下描述：
　　首先，提取运动目标方面，分析了几种典型的运动目标检测方法。对于视频监控系统中固定背景情形下，采用背景相减法提取运动目标。背景差分后，首先利用归一化颜色信息消除运动目标的阴影，然后使用数学形态学方法修复前景图像和去噪。
　　其次，头肩检测方面，针对单一特征辨识度较低和头肩尺度多样性问题，本文提出了使用梯度方向直方图(HOG）和局部二值模式（LBP）的串行融合特征来对头肩图像进行描述，融合后的特征送入支持向量机，并且通过Bootstrapping的方式对其进行训练，得到最终的头肩判别模型，该方法使检测效果得到了提升。
　　然后，头肩跟踪方面，本文选用了基于粒子滤波的跟踪算法使用了加权彩色直方图当作头肩的描述方式，其利用头肩区域直方图和中心点初始化滤波器，实现了对人体头肩的跟踪。
　　最后，针对DSP平台，借助OpenCV函数库中SVM离线训练的分类器进行了头肩检测算法的移植与优化的工作，取得阶段性成果。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 课题研究背景和意义

1.2 国内外研究现状

1.3 本文主要工作与组织安排

2 运动目标提取与处理

2.1 运动目标提取

2.2 阴影去除

2.3 形态学处理

2.4 本章小结

3 头肩检测的特征提取与机器学习方法

3.1 方向梯度直方图（HOG）特征

3.2局部二值模式（LBP）特征

3.3 支持向量机

3.4 本章小结

4 基于多特征融合的头肩检测

4.1 样本的HOG特征计算

4.2 样本的LBP特征计算

4.3 HOG和LBP串行特征融合

4.4 实验流程与分析

4.5 本章小结

5 基于粒子滤波的人体跟踪

5.1 粒子滤波理论

5.2 粒子滤波跟踪

5.3 粒子滤波头肩跟踪算法实现

5.4 本章小结

6 头肩检测的DSP移植与优化

6.1 软件开发平台介绍

6.2算法的DSP移植

6.3算法的DSP优化

6.4 本章小结

7 总结与展望

7.1 工作总结

7.2 展望

参考文献

攻读学位期间的研究成果

致谢