基于图像处理的复杂环境人形统计方法研究

摘要

随着经济全球化的迅速发展，公共安全成为人们生活中最重要的问题，智能安防系统不断的走进人们生活中，成为生活中不可缺少的一部分，而人形检测是智能安防系统的最前沿的课题，主要应用于智能家庭、智能交通、人体行为分析等领域。本文研究复杂环境下的人形统计方法，由于受场景不同、光线不同、拍摄角度不同、目标尺度变化、人体形态差异、伪装效应和动态背景等因素的影响，准确进行人形统计有很大难度，为此，本文做了以下主要工作：
　　通过分析基于肤色模型和AdaBoost算法的人脸检测的优点与弊端，改进了一种基于肤色信息的AdaBoost级联分类器算法，实现了肤色模型与级联结构的AdaBoost分类器算法的良好结合，提高了复杂场景中光照变化以及人脸姿态变化对人脸检测的精确性。
　　采用相机垂直架设的方法，利用HOG特征，获取人体头部特征信息，采取机器学习的方法进行人形检测；并采用增量学习的训练方法，获得最终的SVM分类器，解决了复杂场景中人形目标较多时人形目标相互遮挡的问题。
　　采用训练头肩检测器来作为人形检测的分类器，把提取Haar特征的级联结构AdaBoost算法分类器作为初级分类器，再将提取HOG特征的SVM分类器作为次级分类器，最终将两级分类器组成级联分类器用于头肩检测，提高了不同角度视频场景下的人形检测的准确性。
　　通过对以上算法的综合应用和实验，结果表明，本文算法不仅提高了复杂环境下人形检测的准确性，而且能够在实际场景中广泛应用。

目录

声明

第一章 绪论

§1.1本课题的研究背景及意义

§1.2国内外研究现状

§1.3 本文的主要工作

§1.4 本文章节安排

第二章 复杂背景下目标检测概述

§2.1形态学处理

§2.2 运动目标检测方法

§2.3本章小结

第三章 基于肤色特征与AdaBoost算法的人形检测

§3.1肤色特征解析

§3.2 AdaBoost算法检测

§3.3 OpenCV简介

§3.4 人形统计实验仿真

§3.5 本章小结

第四章 基于HOG特征与SVM分类器的人形检测

§4.1 引言

§4.2 HOG特征分析

§4.3 SVM分类器

§4.4 基于HOG特征的头部SVM分类器训练

§4.5 本章小结

第五章 基于AdaBoost与SVM算法的人形检测

§5.1 基于Haar特征的AdaBoost初级分类器

§5.2 基于HOG特征的SVM次级分类器

§5.3级联结构分类器的头肩检测

§5.4 本章小结

第六章 总结与展望

§6.1 总结

§6.2展望

参考文献

致谢

作者在攻读硕士期间主要研究成果