基于活动轮廓模型的行人检测方法研究

论文摘要

视频序列中的目标运动分析是计算机视觉技术领域的重要组成部分。运动分析包括运动目标的初始位置的确定、目标轮廓的提取、目标的检测和跟踪、目标的识别和理解等内容。运动目标初始位置的精确确定和目标轮廓的精确提取是接下来要进行的目标跟踪、目标识别以及目标理解的前提条件，对后续工作有至关重要的作用。运动序列中的行人检测是运动目标分析的一个重要方向，在智能监控、人体行为分析等领域有广泛的应用前景和经济效益。活动轮廓模型自1987年提出以来，得到了广泛的关注，在计算机视觉领域有广泛的应用。活动轮廓模型在对变形物体的研究方面有天然的优势，是因为它的轮廓曲线可以灵活的变化，是“活动的”。视频序列中的行人是典型的变形目标，利用活动轮廓模型的“活动的”独特之处，可以有效的实现对行人目标的检测。在本论文中，提出了利用改进的活动轮廓模型来检测视频序列中的行人。首先，我们利用背景差分法得到行人的初始化轮廓线代替手动标定，克服了手动标定存在的不稳定性等一系列问题。其次，对活动轮廓模型的内能项的计算方法加以改进。用轮廓曲线中所有相邻控制点之间距离的平均距离与控制点之间距离的平方这种方法来计算内能，而不是用传统的长度来表示内能，克服了现有方法控制点分布不均的缺点。并且创建局部能量窗口来寻找能量的最优解，利用这种算法既能加大图像力的作用范围，又可以获得较小的计算量，提高了活动轮廓模型的收敛速度。这种方法可以增强物体轮廓的连续性，并且使得控制点能够均匀分布，避免控制点的聚集现象。再次，贪婪算法的运用。提出了利用贪婪算法来获取最小能量，从而获得图像轮廓。而不是运用传统的变分方法。贪婪算法就是一种不需要得到最优解，只希望得到较为满意的解的方法。贪婪算法一般能够较为快速的得到较为满意的解，它省去了为找到最优解而要穷尽所有可能的解所必须耗费的大量时间。贪婪算法常以当前情况为基础作最优选择，而不考虑各种可能的整体情况，所以贪婪算法不要求回溯。相比较其他的能量最小化算法来说，贪婪算法具有可靠、稳定、允许添加外界约束等优点，而且算法的复杂度极大的降低。实验结果表明，这种方法在检测行人方面相对于其他目标检测方法或者是传统的活动轮廓模型都有更好的性能。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题研究背景及意义
• 1.1.1 应用背景
• 1.1.2 研究目的及意义
• 1.2 国内外研究现状
• 1.3 论文的主要创新点
• 1.4 本文所做的工作与论文的组织结构
• 2 运动目标检测方法
• 2.1 目标检测
• 2.1.1 边缘检测技术
• 2.1.2 轮廓提取和跟踪基本原理
• 2.2 运动目标检测
• 2.2.1 图像差分法
• 2.2.2 光流法
• 2.2.3 背景建模法
• 2.2.4 灰度特征法
• 2.3 基于活动轮廓的图像处理技术
• 2.4 本章小结
• 3 基于活动轮廓模型的目标检测方法
• 3.1 活动轮廓模型的基本思想
• 3.2 活动轮廓模型的基本理论
• 3.3 基本的活动轮廓模型行为
• 3.3.1 内部能量
• 3.3.2 图像力
• 3.3.3 能量最小化基本求解算法
• 3.4 活动轮廓模型的特点
• 3.5 典型的活动轮廓模型
• 3.5.1 Balloons Model
• 3.5.2 GVF 模型
• 3.6 本章小结
• 4 基于改进的活动轮廓模型的行人检测和跟踪
• 4.1 引言
• 4.2 初始化轮廓获取的优化算法
• 4.2.1 背景差分法
• 4.2.2 初始化轮廓区域
• 4.3 改进的活动轮廓模型
• 4.3.1 能量活动窗口算法计算弹性能量
• 4.3.2 Sobel 算法检测边界
• 4.4 改进的能力最小化算法
• 4.4.1 动态规划DP 算法
• 4.4.2 贪婪（Greedy）算法
• 4.5 卡尔曼滤波
• 4.5.1 卡尔曼滤波的基本原理
• 4.5.2 卡尔曼滤波的最优性
• 4.5.3 卡尔曼滤波与活动轮廓模型相结合的算法
• 4.6 本章小结
• 5 实验结果分析
• 5.1 背景一条件下的实验结果分析
• 5.2 背景二条件下的实验结果分析
• 5.3 与OpenCV 中自带函数实验结果的比较
• 6 结论与展望
• 参考文献
• 致谢
• 个人简历
• 发表的硕士论文