红外人体目标检测和跟踪方法研究

论文摘要

与可见光成像相比,红外成像（特别是远红外成像）具有显著的优点。由于红外图像是热成像,可不依赖于外界光线条件。即使在黑暗和烟雾环境,也可获得在可见光波段无法成像的感兴趣的目标。由于人体目标是场景中最活跃和最有价值的要素,对场景中人体目标进行检测和跟踪一直以来是大家比较关心的问题。基于红外成像的人体目标检测和跟踪系统几乎可以在任何环境下进行全天候工作,而且在很多应用场合具有不可替代的作用,具有良好的应用前景。从技术角度,红外图像中的人体目标的检测和跟踪是一个具有挑战性的课题,内容涉及红外图像分割,人体目标的特征提取、特征描述和分类识别,非刚体复杂目标的运动跟踪等问题。要面对的主要困难有:（1）由于成像设备差异和环境因素变化造成的红外图像本身分辨率低,动态范围小,成像质量差等特点使得图像分割算法鲁棒性差;（2）由于红外图像是灰度图像,无色彩信息可用,并且成像模糊,纹理细节少,而人体目标是非刚体目标,姿态复杂多变,目标大小不一,因此如何有效地提取和描述红外图像中人体目标的特征,对目标和干扰进行分类识别困难很大;（3）人体目标的运动主观随意性强,无固定规律,并且目标的运动伴随着姿态和状态的改变,刚体目标的跟踪方法不适于人体目标的跟踪,同时由于红外人体目标用于跟踪的有效特征较少,可见光图像中一些优秀的基于颜色和纹理特征的人体目标跟踪方法不能直接使用。在对现有红外及可见光人体目标检测跟踪方法和红外图像中人体目标的成像特征进行分析后,本文提出了一套解决方案:（1）对于一般的红外图像,从红外成像的机理出发,提出了基于直方图多聚类分析的图像分割阈值选取方法,使用K-均值聚类中心分析法实现阈值快速选取;对于极性反转的红外图像采取传统的Mean Shift方法进行图像分割;对于发生互相遮挡粘连的人体目标,提出一种基于模板图像空间相对位置Mean Shift聚类分析的分割方法,后续的目标跟踪方法中采用了与这个算法类似的思想。（2）图像分割结束后根据得到目标的二值化模板特征选取候选目标。对因目标红外成像特征不一致而造成的目标模板缺损破碎现象,提出一种增强型的候选目标选取方法。初次候选目标选取完成后对剩余的模板图像使用图像距离变换,根据距离约束特征重新选取可能存在的目标区域并结合二次阈值选取算法,分割出潜在的候选目标。（3）对于候选目标,提出了基于网格划分的局部特征提取和特征描述方案。具体包括两个方法:局部梯度方向直方图描述方法和局部最大方向能量直方图描述方法。使用RBF—SVM分类器对候选目标进行分类识别,判断其是否为人体目标。（4）对人体目标的跟踪,提出了一种基于粒子Mean Shift迁移的跟踪方法,实现了对人体目标任意复杂运动形态的可靠跟踪。设计跟踪系统时采用面向对象的方法,对目标的特征进行封装,突出了跟踪问题本身。引入目标的有限状态机,结合目标检测算法,完成对新目标产生,目标隐藏、遮挡、消失等目标状况的处理。作者对方案各环节提出的算法进行了技术实现和实验验证,通过系统集成,设计了“红外人体目标检测系统”和“面向对象的红外人体目标跟踪系统”,在实际测试中取得了较为满意的结果。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题介绍
• 1.1.1 课题的应用背景
• 1.1.2 课题的学术意义
• 1.2 课题研究现状
• 1.2.1 国内外研究概况
• 1.2.2 红外人体检测与跟踪概述
• 1.3 本文的研究目的及内容
• 1.4 本章小结
• 2 红外人体图像分割及候选目标的选取
• 2.1 常用红外图像分割方法
• 2.2 直方图多聚类分析阈值选取算法
• 2.2.1 多聚类分析法依据及方法选择
• 2.2.2 K-均值聚类中心分析法阈值选取原理及实现
• 2.2.3 算法影响因素分析及性能优化
• 2.2.4 实际图像分割效果对比实验
• 2.3 Mean Shift 聚类红外图像分割法
• 2.3.1 算法提出的背景
• 2.3.2 Mean Shift 算法原理
• 2.3.3 算法性能的主要影响因素分析
• 2.3.4 Mean Shift 算法用于红外图像分割实验
• 2.4 遮挡目标分割技术
• 2.4.1 问题的提出及传统解决方法
• 2.4.2 空间位置Mean Shift 聚类分割算法
• 2.4.3 核函数带宽的影响分析
• 2.4.4 遮挡目标分割实验结果
• 2.5 候选目标选取方案
• 2.5.1 基于目标初级特征的目标选取
• 2.5.2 增强型候选目标选取方案
• 2.6 本章小结
• 3 静态红外人体目标识别的关键技术研究
• 3.1 人体目标识别的关键技术分析
• 3.2 基于局部特征描述的红外人体目标识别方案设计
• 3.2.1 常见静态人体目标检测识别方法及其特点
• 3.2.2 基于网格划分的局部特征描述方法的实现及优势
• 3.3 目标局部梯度特征描述方法
• 3.3.1 SIFT 描述方法及其改造
• 3.3.2 使用Steerable Filters 提高算法的鲁棒性
• 3.4 目标局部最大方向能量直方图描述方法
• 3.4.1 局部能量和最大方向能量
• 3.4.2 Gabor Filter 和Log –Gabor Filter
• 3.4.3 局部最大方向能量直方图计算及特征描述
• 3.5 人体目标识别的SVM 分类技术
• 3.6 本章小结
• 4 目标识别方案参数优化与检测系统集成
• 4.1 参数优化设计
• 4.1.1 参数优化评价指标
• 4.1.2 训练样本集的产生
• 4.2 特征提取的基本参数选择
• 4.2.1 特征向量归一化处理
• 4.2.2 最佳合并后方向数目的选取
• 4.2.3 网格划分数目的选择
• 4.3 SVM 分类器参数优化
• 4.4 几种参数优化结果特性测试及适用场合分析
• 4.5 检测系统集成与综合性能测试
• 4.5.1 系统集成设计
• 4.5.2 系统综合性能测试
• 4.6 本章小结
• 5 红外人体目标跟踪算法研究
• 5.1 红外人体目标跟踪的难点及对策分析
• 5.2 逐帧检测匹配的跟踪方法
• 5.2.1 逐帧检测匹配跟踪过程描述
• 5.2.2 图像序列跟踪测试
• 5.3 粒子 Mean Shift 迁移跟踪算法
• 5.3.1 Monte Carlo 方法和粒子滤波原理
• 5.3.2 粒子Mean Shift 迁移跟踪算法实现
• 5.3.3 粒子动态采样跟踪模型的建立
• 5.3.4 传播粒子产生及传播控制
• 5.4 复杂状态单目标跟踪实验
• 5.5 本章小结
• 6 面向对象的红外人体目标跟踪系统设计
• 6.1 面向对象的红外人体跟踪系统分析
• 6.1.1 面向对象方法介绍
• 6.1.2 系统功能分析及架构设计
• 6.1.3 类的属性、操作方法及事件设置
• 6.2 系统实施方案及关键处理方法
• 6.2.1 系统的实施方案
• 6.2.2 状态机的判断方法
• 6.2.3 跟踪结果校正方法
• 6.3 跟踪系统的实验结果
• 6.4 本章小结
• 7 结论及展望
• 7.1 主要结论
• 7.2 下一步工作展望
• 致谢
• 参考文献
• 附录