行人檢測(cè)與跟蹤方法研究.pdf

1、行人目標(biāo)檢測(cè)與跟蹤是智能視頻監(jiān)控領(lǐng)域的核心問(wèn)題?，F(xiàn)有的運(yùn)動(dòng)目標(biāo)檢測(cè)算法一般能將視頻圖像序列中的運(yùn)動(dòng)物體準(zhǔn)確檢測(cè)出，如果運(yùn)動(dòng)場(chǎng)景中存在動(dòng)態(tài)背景干擾，運(yùn)動(dòng)目標(biāo)檢測(cè)算法檢測(cè)出的運(yùn)動(dòng)物體中，不僅包括感興趣的運(yùn)動(dòng)目標(biāo)，而且還有運(yùn)動(dòng)的背景物體。在行人檢測(cè)與跟蹤中，行人檢測(cè)階段必須準(zhǔn)確檢測(cè)出行人目標(biāo)，以便后續(xù)目標(biāo)特征提取和目標(biāo)跟蹤的順利進(jìn)行。Camshift算法是基于目標(biāo)顏色信息的跟蹤算法，當(dāng)目標(biāo)被遮擋時(shí)，目標(biāo)顏色特征將會(huì)丟失，算法將無(wú)法跟蹤目標(biāo)。本

2、文主要對(duì)行人檢測(cè)與跟蹤中的上述問(wèn)題進(jìn)行研究，論文內(nèi)容包括以下三個(gè)方面。
　?。?）離線訓(xùn)練行人分類器。由于Opencv自帶的HOG行人檢測(cè)分類器的普適性有限，不能適用于各種不同的跟蹤場(chǎng)景。本文針對(duì)特定的跟蹤場(chǎng)景，從獲取到的視頻圖像序列中摳取行人正樣本和背景負(fù)樣本，提取樣本圖像的Haar特征，利用Adaboost算法訓(xùn)練正樣本和負(fù)樣本，得到適用于本文特定跟蹤場(chǎng)景中的行人檢測(cè)分類器。
　?。?）行人檢測(cè)方面，在存在動(dòng)態(tài)背景干擾的

3、情況下，三幀差算法從跟蹤場(chǎng)景中檢測(cè)的運(yùn)動(dòng)物體中不僅包括行人，可能還有汽車、晃動(dòng)的樹(shù)葉等非行人物體。為了精確的檢測(cè)行人目標(biāo)，首先利用三幀差方法獲得差分圖像，然后對(duì)該差分圖像進(jìn)行種子區(qū)域增長(zhǎng)，填補(bǔ)幀差圖像中運(yùn)動(dòng)變化區(qū)域中的“空洞”，得到比較完整的運(yùn)動(dòng)目標(biāo)，獲取運(yùn)動(dòng)目標(biāo)輪廓的外接矩形框作為運(yùn)動(dòng)變化區(qū)域。在矩形運(yùn)動(dòng)區(qū)域中加載訓(xùn)練得到的行人檢測(cè)分類器，實(shí)現(xiàn)對(duì)行人目標(biāo)的準(zhǔn)確檢測(cè)。
　?。?）行人跟蹤方面，針對(duì)Camshift算法在目標(biāo)被遮擋時(shí)

4、無(wú)法繼續(xù)跟蹤甚至丟失跟蹤目標(biāo)的情況，將Kalman濾波算法引入到Camshift跟蹤框架中。首先采用本文改進(jìn)行的行人檢測(cè)算法將行人目標(biāo)從運(yùn)動(dòng)物體中分割出來(lái)。當(dāng)行人被遮擋時(shí)，Kalman濾波器根據(jù)目標(biāo)在前一幀的運(yùn)動(dòng)狀態(tài)對(duì)目標(biāo)在當(dāng)前幀的位置進(jìn)行預(yù)測(cè)，Camshift算法以預(yù)測(cè)位置作為初始位置在當(dāng)前幀中進(jìn)行均值偏移迭代，直至滿足一定的收斂條件。最后將Camshift算法的結(jié)果作為觀測(cè)值對(duì)Kalman濾波器的參數(shù)和目標(biāo)運(yùn)動(dòng)狀態(tài)進(jìn)行修正，循環(huán)上述