论文部分内容阅读
运动人体目标的检测与跟踪是当前图像处理和计算机视觉领域研究的热点之一,广泛应用于安保监控、海关缉私、反恐、军事等领域。运动人体目标的检测与跟踪按照实现的功能可划分成3个步骤:(1)运动目标的检测;(2)人体目标的识别;(3)目标的跟踪。本文专注于交通监控应用场合,从这三大步骤入手,分别对各部分实现的功能和常用的算法进行分析,并针对现行算法中存在的不足提出了相应的改进算法,最终完整的搭建了运动人体目标检测与跟踪系统的软、硬件平台。本文完成的主要工作和贡献有:1.在进行基于高斯核密度的运动目标检测中,针对现行背景建模方法无法区分背景中的运动目标和周期性干扰,从而导致建模不正确的问题提出了一种基于八邻域背景集的背景建模方法,该方法通过分析周期性干扰和运动目标产生的不同原因,将目标像素及其周围8邻域像素联合建立背景集合,通过判断当前帧像素的灰度值与背景集合的差分关系区分背景中存在的运动目标和周期性干扰。实验结果表明,该方法有效的区分背景中存在的运动目标和周期性干扰,可以为基于高斯核密度的运动目标检测提供良好的背景样本集。2.在进行人体目标识别算法地研究中,针对传统的Adaboost算法在进行样本训练时计算量过大的问题,提出了一种基于分类误差迭代的阈值检测方法(TDEI算法),该方法在计算每轮训练的分类误差时,首先将计算得到的特征值分正负样本进行排序,根据Adaboost上轮训练的训练误差将容错率之内的分类边缘特征排除,然后在剩余的特征值边缘区间内搜寻分类误差阈值。相比传统的Adaboost训练方法采用的穷尽搜索法,TDEI算法可以将分类误差阈值的搜索范围减小80%以上,极大的节省了在样本训练所需的时间。3.在利用Mean Shift算法进行目标跟踪时,针对传统的Mean Shift算法在目标大部分被遮挡或完全被遮挡时的目标丢失问题提出了一种基于差分信息的目标重新捕获算法,该算法在目标发生丢失时,首先采用线性预测机制对目标可能出现的区域进行判断,利用图像间的差分信息确定候选目标,最终通过Bhattacharyya系数判断出跟踪目标。4.在系统硬件平台搭建过程的图像预处理阶段,提出了一种基于FPGA的中值滤波方法,该方法根据FPGA读取数据的原理,将比较过程中得到的数据通过D触发器进行缓存,最终将3*3中值滤波的比较次数降低为13次,极大的节省FPGA的硬件资源和算法效率。