热红外视频监控下行人目标前景区域提取

发布时间：2024-06-02 06:30

　　在热红外视频监控环境下,针对热红外图像因周围环境温度变化而导致热红外图像灰度值反转的问题,提出了一种通过热红外图像的边界特征和运动特征的融合来提取行人目标前景区域的方法。首先,利用行人目标和周围环境存在的显著性差异来提取行人目标的边界特征,对所提取的边界特征进行边界填充,并利用热红外行人目标分类器来排除误检目标,从而获取最终的边界特征提取结果;其次,利用相邻帧之间的运动信息来获取行人目标的运动特征,对所获取的运动特征进行形态学处理,并利用热红外行人目标分类器来排除误检目标,从而获取最终的运动特征提取结果;最后,对所获取的边界特征提取结果和运动特征提取结果进行融合来获得最终的检测结果。实验证明,在公开的OSU和LSI热红外图像行人目标检测数据集中,所提方法能够有效地降低环境温度变化的不利影响,并提高行人目标前景区域提取的精度。

【文章页数】：9 页

【部分图文】：

图1行人目标前景区域提取的方法流程

其中,热红外行人目标分类器模型是在LSI热红外行人目标分类数据集[24]上使用文献[24]中的SVM线性模型进行训练得到的,在训练时所使用的行人正负样本比例是1∶4。本文方法总体流程如图1所示。2.1边界特征提取

图2边界特征提取的结果

式中:Iboundary(i,j)为图像在位置(i,j)处的边界信息;dxth(i,j)和dyth(i,j)分别为在图像位置(i,j)处经过阈值处理的水平方向和垂直方向的梯度信息。边界特征提取及行人目标分类器模型在边界特征提取过程中的各阶段结果如图2所示。图2(a)是输入的原始热....

图3运动特征提取的结果

图3(a)和图3(b)是视频序列中相邻2帧热红外图像数据;图3(c)是经帧差处理的结果,白色区域表示运动目标,黑色区域是背景;图3(d)为经形态学处理及行人目标分类器模型排除误检后的最终结果。3实验结果与分析

图4OSU热红外行人目标检测数据集实验效果

在图4中,第1行是原始图像,第2行是热红外图像所对应的GroundTruth,第3行是显著性检测方法[31]所得的实验结果,第4行是帧差法[13]所得的实验结果,第5行是本文方法的实验结果。从视觉效果上看,相比于显著性检测方法和帧差法,本文方法能够更准确地检测行人目标前景区域,尤....

本文编号：3986988