融合行人检测器和颜色模型的行人跟踪算法研究

摘要

随着科技的进步，人工智能的产品正在逐渐走入人们的生活。其中行人跟踪技术作为人工智能的一种重要应用在许多领域都起着不可替代的作用，并由此受到了人们的关注。现在许多汽车中都安装了行人防撞预警系统，而其中行人检测与跟踪技术便起着核心的作用。不仅如此，行人跟踪算法也在安防监控、行为识别、机器人智能中发挥了它的作用。总体来说，行人跟踪技术是一个涉及到数字图像处理、计算机视觉和模式识别多个学科的问题，虽然现在已经有了许多令人瞩目的研究成果，但仍有很多理论和技术问题需要解决。要进行长时间的行人跟踪,有很多问题需要解决：一个较好的跟踪算法必需能够处理尺度及光照变化、复杂背景、部分遮挡等问题；有时候目标还会发生一些变化，比如形变等情况，而这些变化会使原始的模型失效，使得整个跟踪问题将更加的复杂。最后，长时间的跟踪还需要解决目标丢失的问题，由于遮挡或目标移出画面等情况的出现不可避免，当目标再次出现在画面中时，算法必需有能力重新找回目标。当然，作为一个跟踪算法，算法的实时性也是非常非常重要的。
　　本文以提出一种可以实用的实时行人跟踪算法为目标，此算法可以较好的解决上文中提出的问题。为了达到这个目标，本文提出了一种融合了行人检测器和颜色模型的行人跟踪方法。主要研究内容包括以下几个方面：
　　1）基于中值光流法的目标跟踪器，并在跟踪的过程中加入了跟踪失败时的自检器。中值光流跟踪器会跟踪目标行人，并估计他的运动。跟踪过程中，自检器会估计那些被跟踪到的点的可靠性，然后选取那些可靠性较高的点来估计行人此刻的位置与尺度的变化。中值光流法和其它跟踪方法相比，在保证准确性的同时，还有运行速度快的优点，这对算法的实时性非常重要。
　　2）本文提出的行人检测算法由两部分组成，基于HOG特征的SVM行人检测器，和利用深度学习方法训练出的基于深度模型的行人检测器。前者拥有较快的速度，但存在准确率低、稳定性差等问题，而这些问题会使算法后面的处理出现问题。而后者拥有较高的精度，但由于计算过程中有大量卷积计算，使得整个检测过程耗时较长，对于算法的效率产生严重影响。根据以上两种算法各自的特点，我们将两种检测器用一种策略组合在一起，让算法可以在速度与精度方都有较好的表现。
　　3）本文提出了一个有辨识力的行人颜色模型，并且针对跟踪目标会出现姿态变化、背景复杂和遮挡等跟踪过程中不断变化等问题，提出了模型的更新策略，使算法可以不断适应目标的变化。在跟踪过程中，算法将目标跟踪器、行人检测器和有辨识力的颜色模型组合到一起，让它们相互借鉴、相互促进，从而达到对行人稳定跟踪的目标。实验结果表明，本文提出的算法在对应光照变化、背景复杂、目标形变和遮挡以及目标丢失情况时，都具有较好的稳定性和鲁棒性。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 研究背景及意义

1.2 目标跟踪与行人跟踪的研究和发展现状

1.3 行人跟踪的一般方法

1.4 行人跟踪中的难点

1.5 本文的研究工作及组织结构

第二章 中值光流法

2.1 引言

2.2 传统光流算法

2.3 本文跟踪部分涉及算法

2.4 本文提出的光流算法

2.5 本章小结

第三章 基于HOG特征和SVM的行人检测器

3.1 引言

3.2 传统行人检测方法

3.3 基于HOG和SVM的行人检测算法

3.4 基于HOG特征和支持向量机的行人检测

3.5 本章小结

第四章 基于深度模型的行人检测器

4.1 引言

4.2 深度模型简介

4.3 基于深度模型的行人检测器

4.4 组合行人检测器

4.5本章小结

第五章 融合行人检测器和颜色模型的行人跟踪方法

5.1 引言

5.2 颜色直方图

5.3 融合行人检测器和颜色模型的行人跟踪

5.4 实验结果分析

5.5 实验结果展示

5.6 本章小结

第六章 结论

6.1全文总结

6.2后续研究工作

致谢

参考文献

攻硕期间取得的研究成果