论文部分内容阅读
为了提高当代社会生活质量,近年来,人体目标检测技术在多个技术领域得到了广泛的应用,研究人员基于分类的人体目标检测算法框架,提出了许多优秀的特征提取算法和分类算法。这些算法取得了一定的效果,但人体目标检测技术依然存在着许多亟待解决的关键问题,例如人体非刚体特性、遮挡造成的人体目标模型多变,背景环境的多样性和光照的变化对检测造成的干扰问题等。这些问题干扰了算法对人体目标的精确建模,降低了人体目标检测的准确率。基于上述问题,本文基于判别式人体目标检测框架,在分析学术界较为流行的人体目标检测方法的基础上,提出了一种基于Omega形状特征的人体目标检测方法。具体方法内容包括三个部分:1.采用基于人体头-肩Omega形状特征的人体目标检测方法。这种方法与目前普遍采用的基于整体特征的人体目标检测方法相比,能够减少由于人体非刚体性形变和部分遮挡在实际应用中造成的严重误检和漏检。2.创新性地将结合梯度直方图(Histograms of Oriented Gradients,HOG)特征提取算法与正交非负矩阵分解(Orthogonal Non-negative Matrix Factorization,ONMF)算法引入基于Omega形状的人体目标检测中,对Omega形状进行快速有效的特征提取。本文通过对所需要检测的Omega形状进行特征提取的具体需求进行分析,选择了HOG特征对Omega形状进行表征,在描述目标轮廓的同时,有效抑制了光照变化和微小形变对检测造成的干扰。同时针对人体目标检测的几个关键问题,在HOG特征的基础上进行正交非负矩阵分解,利用样本库最为本质的特征对目标模型进行重构和表述,从算法层面降低了部分遮挡和复杂背景对检测的影响。3.与传统的在提取Omega形状特征后直接训练分类算法不同,本文采用了大间隔近邻(Large margin nearest neighbor,LMNN)方法对特征样本进行距离测度学习。这种距离测度学习方法有利于建立多模态的判别式表观模型,从特征分析的角度进一步提升特征模型的判别性。本文采用上述方法与传统方法进行对比实验。实验结果证明了本文所提出方法能够成功克服摄像机高空视角所造成的人体部分肢体遮挡的问题,并且能够对复杂背景和部分遮挡下的人体目标进行检测。从公共数据库的整体序列实验结果可以看出,与其他方法相比,本文提出方法能够提高人体目标检测的准确率,降低检测过程中产生的误检和漏检。并且本文方法能够在实际人体目标检测系统中得到较为鲁棒的检测结果。