论文部分内容阅读
随着经济社会的发展,各个领域对安全警戒的需求都在提升,基于可见光系统的视频监控作为一种十分重要的安全警戒手段已经被广泛应用,但这类系统固有的缺陷使其不能满足市场的需求。首先,现在市场上常见的监控系统不够智能化,还需要大量借助人工来辅助监控,缺乏实时性;其次,基于可见光的监控系统无法在视场环境不佳的情况下正常工作。因此,近年来基于红外的智能警戒系统得到越来越广泛的研究,但针对红外图像的人体目标检测、跟踪、识别的相关算法还不够成熟。本文主要针对“周扫式”红外警戒系统中人体目标的检测与识别展开研究。论文的主要研究成果如下:(1)为了增强图像的对比度,抑制红外图像的噪声,本文采用了一种快速图像增强算法,以消除图像中高亮度的噪声点和增强图像的对比度;针对“周扫式”红外警戒系统在转动过程中会使同一角度的前后两帧图像产生水平方向的平移偏差的问题,本文采用一种基于局部投影匹配算法的图像配准方法对同一角度的前后两帧图像进行配准。本文采用的快速图像增强算法,充分考虑到图像中各角度的背景图像相对固定,并且图像的灰度分布相对集中的特点,将不同温度条件下的背景图像的平均灰度作为标准因子,将图像中高于三倍标准因子的像素点用图像的均值代替,以消除图像中的“过亮点”,并将各像素点的灰度值与标准因子的比值作为增强各像素点的权值,以降低灰度较低点的灰度,提高灰度较高点的灰度。通过实验验证,这种简单的图像增强方法,能够根据系统自身的成像特点,对图像有效地进行降噪和对比度增强。由于在探测器在旋转过程中会产生抖动,使得图像在水平方向上发生全局偏移,在目标检测前需要先对图像进行配准,本文针对图像只在一个方向上有偏移的特点,采用垂直投影匹配的方法,并用对投影曲线“开窗”的方式,降低图像中存在运动目标对匹配的影响。经实验验证,该配准算法相较于经典的模板匹配算法运算速度更快、配准效果更好。(2)本文采用背景减除法对红外视频序列进行运动目标检测,在对背景建模之前,需要对背景进行初始化,传统的背景初始化方法是将第一帧图像或者前几帧图像的均值作为初始化图像,这容易积累误差,鉴于这一缺陷,本文将剔除目标后的单帧图像作为初始化背景,有效地提高了背景模型的准确性,本文提出了一种基于得分法自适应阈值和双向投影分割的单帧图像目标检测算法。本文对经典的自适应背景更新算法存在的缺陷进行了分析,提出了一种选择性分级自适应背景更新算法。本文将人体目标所在区域视为感兴趣区域(ROI),并采用基于FAST角点特征和CS-LBP纹理特征的ROI快速检测方法以确认目标分割的准确性。本文针对所提出的算法,进行了实验验证,实验结果表明,本文提出的红外图像中候选目标ROI检测算法能够快速、准确地提取出人体目标区域;本文提出的基于序列图像的目标检测算法,能够有效地克服经典自适应背景更新法在背景存在变化或者图像中存在慢速运动目标时容易产生“残影”的缺点,准确地构建背景模型并提取出图像中的运动目标。(3)由运动检测得出的ROI中,含有很多非人体目标的运动物体,需要对ROI进行分类,识别出人体目标,针对这一问题,本文研究了人体目标的分类识别方法,为了在保持低虚警概率的前提下提高目标的识别概率,并充分考虑到样本数据不足的缺点,本文采用多种特征并行分析的ROI分类识别的方法。本文提出了一种改进的Haar-like特征提取算法,将HOG特征融入到Haar-like特征,有效地增强了Haar-like对目标边缘的表征能力,同时能够有效地对目标的形体特征进行分析。文中,同时对CS-LBP纹理特征进行多分辨率提取(MR-LBP算法),利用目标的局部纹理特征对ROI进行分类。文中选择Adaboost分类器和SVM分类器分别对正负样本进行机器学习,充分利用了所提出的特征提取算法,并弥补了样本空间不足的缺点,能够将分割出的ROI准确地分为人体目标、汽车和其他目标三类,经实验验证,本文所构建的红外警戒系统对目标的检测概率达到95%以上,系统的虚警概率低于5%。