论文部分内容阅读
随着计算机科学技术的迅猛发展,人体识别检测技术在人们如今的日常生活中变得越来越重要。人体检测研究的初期是以彩色图像为媒介的检测方式,但极容易受到人体姿态变动、服装差异、光照强弱以及复杂背景环境的影响。本文的研究是以微软的Kinect摄像头为硬件设备,利用其所同步产生的彩色以及深度数据信息对人体目标进行检测,以此来获得对复杂环境的更强鲁棒性。具体工作包括以下几个部分:1、对Kinect深度信息进行预处理,采集并建立人体检测系统所需的样本数据库。首先,运用HSL颜色空间对Kinect深度数据进行彩色渲染,将传统伪灰度深度图像替代为更加直观的彩色图像。其次,基于Kinect自带彩色及深度摄像头,建立了实验所需的彩色和深度训练样本库,以及一般环境、复杂环境和弱光环境条件下的彩色和深度测试样本数据库。2、基于局部二值模式(LBP)、方向梯度直方图(HOG)等图像特征,运用分层金字塔空间理论对其进行改进,提出了分层特征融合算法PHOG-LBP。首先通过定义不同大小的检测区块对图像目标的整体以及区域轮廓特征进行分层式的提取,其次运用等价局部二值模式提取图像的纹理特征,最后将多层轮廓特征以及纹理特征的特征向量进行L2-Hys归一化处理,并联接形成最终的特征描述向量。本文在实验中将几种特征描述子经同一样本训练后,在一组与训练样本无任何相关性的测试样本中对其性能进行了评价,并绘制和计算了相应特征描述子的受试者工作特征(ROC)曲线以及AUC(Area Under ROC Curve)值。经实验综合对比表明,该方法能够在人体识别中取得更好的效果。3、基于决策模板(DT)算法,实现对Kinect彩色和深度图像检测结果的有效融合。首先,提取深度和彩色的训练样本集的HOG特征,完成对彩色和深度分类器的训练并得到其分类模型。随后,将各自训练所用的正负样本放入分类器中获得相应的DT模板,并将测试样本放入分类器获得分类支持度并构建轮廓模板(DP)。最后,以平方欧式距离为衡量标准,将DP模板矩阵与DT模板矩阵作相似度对比并输出最终的类别标签。为了验证检测的鲁棒性,本文将彩色图像检测、深度图像检测与DT融合检测在一般环境、复杂环境、弱光环境中进行了实验对比。实验结果表明,基于DT融合算法的人体检测结果最为优异。