復(fù)雜環(huán)境下運動人體檢測與跟蹤算法研究.pdf

1、運動人體檢測與跟蹤技術(shù)是智能交通和計算機(jī)視覺領(lǐng)域的關(guān)鍵技術(shù)，近年來受到國內(nèi)外學(xué)者的廣泛關(guān)注與研究。運動人體檢測與跟蹤技術(shù)在電子監(jiān)控系統(tǒng)、智能交通管理、軍事等多個領(lǐng)域都有著廣泛的應(yīng)用。由于受到復(fù)雜場景下光照變化、遮擋等諸多因素的影響，現(xiàn)有的方法在實際應(yīng)用方面還面臨著許多困難，因此，研究可靠的運動人體檢測與跟蹤算法既具有挑戰(zhàn)性，又有著重大的意義。
　　 本論文在研究了計算機(jī)視覺相關(guān)理論的基礎(chǔ)上，對典型的運動人體檢測與跟蹤算法進(jìn)行了分

2、析，并提出了相關(guān)的改進(jìn)算法。本文主要完成了以下研究工作:
　　 針對運動人體檢測方面，提出了一種基于主成分分析梯度方向直方圖(HOG-PCA)和GentleAdaboost分類器的快速運動人體檢測算法。首先對圖像進(jìn)行分塊，提取其多尺度HOG特征，然后使用主成分分析(PCA)方法對HOG特征向量進(jìn)行降維，最后將HOG-PCA特征向量輸入GentleAdaboost分類器，實現(xiàn)目標(biāo)的準(zhǔn)確分類。相對于原始HOG特征提取方法，HOG-P

3、CA能夠有效的降低計算復(fù)雜度，而采用GentleAdaboost算法進(jìn)行分類器的訓(xùn)練能夠有效的提高訓(xùn)練效率。實驗結(jié)果表明，本文方法檢測的錯誤率更低，同時具有較快的檢測速度。
　　 針對運動人體跟蹤方面，由于傳統(tǒng)的MeanShift目標(biāo)跟蹤算法在背景和目標(biāo)顏色接近時魯棒性較差，本文提出了一種融合紋理特征和顏色特征的改進(jìn)MeanShift算法。首先利用Kalman濾波預(yù)測出運動人體在下一幀的可能出現(xiàn)位置，然后運用改進(jìn)的MeanShi