论文部分内容阅读
当前的视频监控系统包括了巨量的摄像头,每个摄像头都监控一个相对固定的区域。通常,每个监控人员经过一定时间,通过切换不同的地点的视角来进行实时监控,或记录不同区域的监控信息作为事后调查的一种手段。通过结合行人检测、行为分析和视频监控多种技术,能为实时的智能安全监控提供了一种解决方案。对于安全领域来说,行人检测及行人数量的估计为安全预警及异常行为检测提供了一种手段。对于智能汽车领域来说,驾驶员辅助系统如能实时检测周边的环境,自动检测发现行人,提前警示驾驶员或者在紧急情况下对汽车进行制动,就能减少人员伤亡和财产损失。行人检测是当前计算机视觉领域和模式识别领域的一个重要组成部分,一般完整的行人检测系统包含两部分:第一部分感兴趣区域提取,静态场景下通常是利用运动目标检测提取感兴趣区域;第二部分扫描单幅图像,确定运动检测区域的行人。视频的行人检测方法和单幅图片相比,存在相邻帧的相关性,也即帧的时间相关性,通过这个特征可以缩小行人范围,提高检测速度。在本文中,描述了几种常用的运动目标检测方法,如高斯背景建模、差分法、光流法等,比较了它们的优缺点,本文在目标检测阶段着重研究了基于混合高斯模型的背景建模技术。混合高斯背景建模方法能减轻由于阴影、晃动的树叶及其监控器引起的重复性的运动造成的影响,具有很好的自适应性和优良的建模效果。但是存在前景图像融入背景过快,同时慢速运动物体会部分的被认为是背景的情况,不利于当前的行人检测。为解决该问题,提出一种改进的混合高斯背景建模方法模型。在计算机视觉开源库opencv的环境下,对该改进算法进行了编码实现,通过实验验证和原有混合高斯背景建模方法比较,能达到预期的实验效果,能获取更好的检测性能。当前行人检测方法主要策略是对行人进行特征提取,对提取的特征训练分类器,然后用分类器对特定的区域检测行人。同时,也有研究人员采用提取特征计算相似性距离的方法,提前统计出行人特征相关的度量,然后用计算当前图像与统计值的相似度。通常提取的简单特征有,目标的长宽比、占空比、物体的相对移动速度等,相对复杂些的特征有haar-like、hog、sift、shapelet特征。Haar-like特征首先被用于人脸的检测,取得了良好的效果,后引入进行行人的检测。梯度方向直方图(hog)特征的主体思想是在一副图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好的描述。如何设计并选择特征和分类器是当前的一个研究方向。本文提出了使用梯度方向直方图和Gabor的联合特征作为行人检测的特征描述,采用线性核函数的支持向量机进行训练,实现了对行人的检测。通过实验进行验证:梯度方向直方图和Gabor联合特征能更好的表征行人,训练得到的行人分类器模型具有更好的分类效果,具有更高的精度。同时,单个行人在检测时会出现多个检测窗口响应,本文设计了窗口融合算法对检测窗口进行加权融合,取得了不错的效果。实验结果表明,本文提出的基于改进混合高斯的运动目标检测方法能够更有效的检测出目标区域,在一定程度上了抑制慢速目标对检测效果的影响;而基于梯度方向直方图和Gabor特征的行人检测方法相比使用单个特征的方法具有更好的检测性能。