论文摘要
行人检测和跟踪技术在智能视觉监控、智能辅助驾驶、行为动作语义分析、机器人控制等许多领域具有广泛的应用前景和研究价值，尽管目前已有许多行人检测和跟踪的研究成果，但由于场景的复杂性以及人体的固有特性，很多问题没有得到很好的解决，仍然需要进一步的研究。本文在深入理解计算机视觉相关原理的基础上，针对视觉场景感兴趣区域分析、行人分类检测技术以及目标跟踪技术进行了研究，本文的主要研究工作和成果体现在以下几个方面：首先，提出一种基于视觉显著性的感兴趣区域检测算法。对于复杂场景分析，传统的运动检测、边缘分割等方法难以发挥作用。对此，本文提出一种融合颜色、深度和运动三种特征的显著融合模型，将运动和深度特征的显著性融合到最终的计算模型中，有效地降低背景区域的显著值，增加对前景和运动目标的凸显能力。提出的融合模型具有较低的计算复杂度，提供接近实时的视频图像处理能力。其次，设计和实现一种分级的快速行人检测算法。采用粗—精两级的分类器结构，粗分类器是基于无结构HOG特征的级联分类器，使用加权费舍尔线性判别将多维特征投影到低维，进而利用GAB实现级联分类器的训练。精密级分类器采用多部件的Latent SVM算法。算法实现中，采用积分直方图、图像金字塔优化和多尺度特征估计作进一步的优化。本文算法具有以下特点：1．采用由粗到精的分级检测结构，具有较高的检测率和较低的虚警率；2．两级分类器中没有引入新的特征计算；3．采用了一系列优化加速方法，具有较快的检测速度。再者，研究了基于模板匹配的目标跟踪方法，提出一种结合颜色和SURF特征的粒子滤波跟踪算法。针对SURF这种稀疏性未知分布特征，提出一种快速观测概率计算模型，采用基于特征不确定性的融合方式计算SURF和颜色直方图的联合观测概率。同时针对目标可能的视角和结构变化，提出SURF特征模板集的更新策略，避免了跟踪过程中SURF匹配数下降和不稳定的现象。实验证明，该方法对光照和遮挡具有很好的鲁棒性，对目标的外观变化具有一定的适应能力。最后，基于前述研究成果，设计实现一个全自动的行人识别和跟踪系统。在模块设计、线程设计、多目标跟踪三方面给出了具体的实现方法。采用CUDA编程技术，将复杂的特征计算交GPU处理，缓解CPU压力的同时，有效的提高了系统的运行速度。
论文目录
中文摘要ABSTRACT第一章 绪论1.1 研究背景与意义1.2 研究现状和主要问题1.2.1 行人检测研究概况1.2.2 目标跟踪研究概况1.2.3 主要难点和问题1.3 国内外应用现状1.4 研究工作和创新点1.5 论文的主要内容和章节安排第二章 复杂场景的感兴趣区域检测算法2.1 引言2.2 视觉注意力模型和显著图2.2.1 视觉显著性的分类和研究概况2.2.2 显著性模型在不同视觉场景中的性能2.3 视觉显著融合模型及算法实现2.3.1 静态图像的颜色显著性计算2.3.2 基于深度的空间关系显著性2.3.3 基于运动特征的显著性分析2.3.4 多特征显著性融合2.4 算法流程设计2.5 实验分析2.5.1 显著性评价2.5.2 与运动检测方法的比较2.5.3 复杂度分析2.6 本章小结第三章 分级的快速行人检测算法3.1 引言3.2 基本概念3.2.1 支持向量机3.2.2 AdaBoost 学习算法3.3 可变形部件行人检测框架3.3.1 可变形部件行人模型3.3.2 目标函数及分析求解3.3.3 特征降维和模型初始化3.4 粗—精两级行人检测算法3.4.1 粗—精两级行人分类器设计3.4.2 粗分类器级联设计3.4.3 算法加速和优化3.4.4 非最大值抑制3.5 实验结果及分析3.5.1 行人检测时间3.5.2 检测性能比较3.6 本章小结第四章 基于颜色和 SURF 特征的粒子滤波跟踪算法4.1 特征评价4.2 粒子滤波理论4.2.1 蒙特卡罗法贝叶斯估计4.2.2 序列化重要性采样 SIS4.3 融合颜色和 SURF 特征的行人跟踪算法4.3.1 跟踪模型的建立4.3.2 观测概率和特征融合4.3.3 粒子权重更新4.3.4 目标状态估计4.3.5 特征模板更新策略4.4 跟踪算法流程4.5 实验结果及分析4.5.1 实验环境4.5.2 实验结果4.6 本章小结第五章 行人智能识别与跟踪系统设计及关键技术5.1 行人识别跟踪系统总体框架5.1.1 系统应用背景5.1.2 需求分析5.1.3 系统总体技术框架5.2 系统设计和关键技术5.2.1 多线程图像数据处理和通信5.2.2 多目标跟踪5.2.3 基于 CUDA 的图像处理加速5.2.4 系统开发环境5.2.5 系统实现结果5.3 本章小结第六章 总结与展望6.1 全文总结6.2 后期展望参考文献发表论文和参加科研情况说明致谢
相关论文文献
标签：行人检测论文; 视觉显著性论文; 两级分类器论文; 目标跟踪论文;
