论文部分内容阅读
小型无人机航拍系统下的视频目标检测技术在安全、防恐、军事追踪等领域有着重要的研究价值和广泛的应用前景。以行人为无人机航拍系统中的特定目标,利用视觉显著性和机器学习算法,研究不同场景下的行人检测技术。利用均值漂移算法,优化行人跟踪技术。以人脸为目标主要描述特征,研究特定行人的身份识别方法,从而完成小型无人机航拍系统下的特定目标检测。论文主要工作包括以下几个方面:1)针对无人机视频中的行人检测,将视觉显著性与基于机器学习的行人检测方法结合,提出基于图论显著性模型(Graph-based Visual Saliency,GBVS)和聚合通道特征(Aggregate Channel Features,ACF)的二阶段行人检测方法。第一阶段,针对行人检测,在GBVS模型构建时对方向特征和颜色空间的选择进行调整,并采用线性加权结合各特征通道形成总特征图,由此通过显著性检测得到行人候选区域,实验表明该候选区域可有效实现行人的初步定位,减少无关区域对后续阶段的干扰。第二阶段针对行人候选区域,采用ACF算法进一步分析,提取LUV、梯度幅值和梯度方向直方图作为行人特征,并通过AdaBoost训练建立强分类器,然后利用快速特征金字塔方法加速多尺度检测过程,判断候选区域中的目标是否为行人。实验表明,相比单独使用ACF算法,该方法具有更高的检测率和更少的误检情况。2)针对无人机视频中的行人跟踪,提出基于多特征融合和反向投影的均值漂移改进算法。首先采用多特征融合,联合颜色和纹理特征对目标进行特征建模,同时引入背景加权技术,增强特征模板的准确性和鲁棒性;针对无人机视频中行人大小变化的情况,首先通过反向投影判断行人大小的变化趋势,然后结合相似度比较进行二次判定,以确定是否依据变化趋势对跟踪窗口进行调整。PETS2009数据库以及无人机实拍视频的实验结果表明,该跟踪算法可以在行人大小变化情况下实现稳定的跟踪。3)针对无人机视频中的行人识别,通过人脸检测和识别技术实现基于正面人脸的身份识别。首先选用AdaBoost分类方法结合矩形特征对大量样本训练以建立分类器完成人脸初步检测,然后采用基于H-CgCr区域分割的高斯肤色模型对初步检测结果进行筛选。在人脸检测基础上,选择合适的方向和尺度构建Gabor滤波器组提取人脸的Gabor特征以增强对光照变化的鲁棒性,然后采用二维主成分分析方法(Two-dimensional Principal Component Analysis,2DPCA)提取特征主空间,基于样本在特征主空间投影系数的相似度比较实现人脸识别。