论文部分内容阅读
行人识别是行人行为动作分析的基础,在智能监控、智能交通、人机交互等领域具有重要的意义与应用前景。但由于行人外貌、姿态多样,所处的场景复杂多变,因此目前的识别方法仍具有较多的局限,无法很好的满足精度与实时性要求。本文针对识别过程中特征提取和分类器识别这两方面的难点问题进行了相关研究工作。针对行人形状描述困难,采用单一特征进行行人识别鲁棒性不强的问题,根据人体生理结构,将行人按部位划分为头肩、躯干、腿三部分,分别提取特征。为解决提取头肩部特征时引入大量背景干扰信息的问题,提出基于头肩部形状的HSCENTRIST(统计变化直方图)特征,剔除左右肩部上方的背景区域,并采用积分图像对特征提取过程进行加速处理。针对传统识别方法中描述行人的特征向量维数过高,分类器识别速度慢的问题,提出层次特征提取与层级分类器结合的行人识别方法。该方法首先提取HSCENTRIST特征,并针对该特征训练一个两层结构的分类器。第一层分类器利用HSCENTRIST特征进行初步识别,排除大量非行人区域,保证识别速度;第二层分类器在上一层确定的候选目标区域中进行更为精细的识别。若根据HSCENTRIST特征识别的结果可信度很高,则提取躯干部特征进行识别,若可信度较高,则提取腿部特征进行识别,否则判定为非行人区域,实现一种逐步提取特征的层次识别过程。实验表明,该方法在保证识别精度的同时,显著提高了识别速度。针对传统跟踪方法在目标遇到遮挡后容易丢失目标的问题,将层级识别方法应用到目标跟踪过程中。在目标识别过程中对视频进行逐帧处理,当前帧利用前一帧的识别结果进行行人识别。识别出目标后,利用帧间对象相似度层次评价方法判断是否为同一对象,实现目标跟踪。实验表明该方法具备较强的鲁棒性,实现了动态背景下抗遮挡的目标跟踪,并能够实时检测进入场景的新目标,进行跟踪。