基于车载摄像头的行人检测技术的研究

发布时间：2020-11-08 20:41

　　 随着我国工业水平的提高和经济的发展,汽车已经成为人们出行的普通交通工具,同时造成城市交通拥堵和交通安全问题非常严重,行人由于没有任何防护,往往成为交通事故中最大的受害者。因此,开发一套汽车安全辅助驾驶系统就显得尤为重要,车载坏境下行人检测技术的研究为其提供了技术支撑。由于人体姿态各异,背景环境复杂多变,人与人相互影响;同时还有可能存在遮挡问题,因此在车载环境下,准确性、实时性高的行人检测技术成为了研究目标。本文主要研究内容分为行人的检测和跟踪两部分,首先分析了行人检测与跟踪技术研究的背景、意义及国内外研究现状;其次,深入研究行人检测与跟踪的基本理论和方法;最后对现有方法及相关算法进行改进,实现了基于人体部位的行人检测,以及基于粒子滤波算法和均值偏移算法融合的行人跟踪。本文提出一种基于人体部位的行人检测方法,首先将人体分为三个部位区域,用haar-like特征提取图像特征,接着使用Adaboost算法训练full-body检测器和头肩、躯干和腿等部位检测器;然后用full-body检测器产生行人候选目标区域,分别使用头肩、躯干和腿等部位检测器在相应部位区域进行检测,最后对部位检测结果进行组合分析,判定候选目标是否为行人。通过仿真实验得到的图像和数据表明本文提出的方法,与单个全身(full-body)检测器检测方法和Anuj Mohan等介绍了一种部位组合(Voting Combination Classifiers)的人体检测方法相比较,检测率有所提高,由于需要多部位检测,检测时间比单个全身检测器有所增加,但基本能保证实时性。本文提出了一种基于颜色特征和纹理特征融合的粒子滤波与均值偏移相结合的目标跟踪算法,首先研究了运动目标跟踪中比较流行的粒子滤波算法和均值偏移算法,粒子滤波目标跟踪算法和均值偏移目标跟踪算法均采用单一的颜色特征建立目标模型,当目标颜色与背景相近时将无法准确跟踪目标,随着跟踪时间变长且会出现粒子退化等问题。其次,行人目标在运动过程中会随着距离摄像头远近导致图像中的轮廓大小发生变化,传统的算法一般只针对大小不变的目标进行跟踪,行人目标大小变化时,导致定位不准确。针对以上问题,本文采用颜色纹理特征相融合建立目标模型,将均值偏移算法嵌入到粒子滤波算法中,使用均值偏移算法对跟踪过程的粒子集合进行聚类操作,使得粒子的权值增大,更加接近目标的真实位置,通常使用较少的粒子就能准确的跟踪目标,进而保证了跟踪的时效性。对城市道路不同交通场景进行测试,实验图像和数据表明本文提出改进的行人目标跟踪算法算法比粒子滤波行人目标跟踪算法和均值偏移行人目标跟踪算法的跟踪精度要高,且能适应目标大小改变,由于需要对粒子进行聚类,每帧图像处理时间与均值偏移算法相比有所增加,但能满足实时性跟踪。
【学位单位】：长春工业大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U463.6;TP391.41
【部分图文】：

耍琱aar 特征的矩形区域大小不定,在图像中的位置不定,特征值是通过计算相邻的两个矩形区域内的所有像素值的和,然后将两矩形区域的像素和相减。特征具体形式如图2-2 中相邻的白色矩形和黑色巨矩形。一幅图像中能够描述目标的 haar 特征的数量非常多,我们在对其进行分类时,通过引入“积分图”可以提高 haar 特征值的运算速度，且我们只需要对图像进行一次搜索计算,就可以在特定时间内计算出每一个特征，既能提高分类器训练的速度也能提高目标检测的速度。Papageorgiou 等人最开始是用 haar 特征描述人脸,后来,Viola 和 Jones 在Papageorgiou 提出的 haar 特征的基础上,对其进行了扩展,如图 2-2 所示：

第 2 章 基于人体部位的行人检测图 2-2 基本矩形特征原型Haar 特征经过扩展之后，被广泛应用于目标检测，引起了研究学者极大关，Lienhart R 等人又在上述特征原型进行了扩展，提出旋转 45 度特征原型 2-3 所示，下图是扩展之后的全部 haar-like 矩形特征。虽然矩形特征对于像边等一些简单图形结构非常的敏感，但是其仅能表示特定方向上（水平、垂直的特征。

第 2 章 基于人体部位的行人检测矩形区域组成一个特征原型。而且黑色矩形包含在白色矩形里面。 haar-like 特征原型形成过程。在特征值的计算过程中，1w 和2w 分黑色矩形的权重，1w 与2w 的符号相反，1Area 和2Area 分别代表白的面积，1221w / w Area/Area，矩形区域的权值与矩形区域的面积原型在行人检测窗口内的大小和位置任意选取，因此可以获得最佳征。
【相似文献】

相关期刊论文 前10条

1 张铁;马琼雄;;人机交互中的人体目标跟踪算法[J];上海交通大学学报;2015年08期

2 张大为;孙雷;刘迪;;基于粒子滤波的检测前目标跟踪算法[J];计算机仿真;2012年11期

3 曹洁;李延林;;基于信息融合的运动目标跟踪算法[J];电子测量与仪器学报;2011年03期

4 曹伟杰;童牧;唐明浩;;一种结合人工免疫的粒子滤波目标跟踪算法[J];计算机工程与应用;2011年28期

5 张晓伟;刘弘;;一种目标优化算法改进的粒子滤波跟踪方法[J];小型微型计算机系统;2014年06期

6 黄元捷;赵杰煜;程婷婷;陈普强;;一种检测范围自适应的目标跟踪算法[J];宁波大学学报(理工版);2015年04期

7 李春鑫;;基于中值移位的粒子滤波多目标跟踪算法[J];光电技术应用;2011年06期

8 陈姝;彭小宁;;基于粒子滤波和在线随机森林分类的目标跟踪[J];江苏大学学报(自然科学版);2014年02期

9 柴继贵;;改进的粒子滤波的视频图像目标跟踪技术[J];科技通报;2012年08期

10 周尚波;何革;柳玉炯;;一种改进的粒子滤波目标跟踪算法[J];计算机应用研究;2010年07期

相关博士学位论文 前10条

1 王书朋;视频目标跟踪算法研究[D];西安电子科技大学;2009年

2 卢建国;基于粒子滤波的视频目标跟踪算法研究[D];北京邮电大学;2011年

3 刘晴;基于区域特征的目标跟踪算法研究[D];北京理工大学;2014年

4 刘荣利;基于统计学习的视觉目标跟踪算法研究[D];上海交通大学;2014年

5 王赵琛;医学情境下基因检测的伦理学探究[D];北京协和医学院;2014年

6 赵运基;基于视觉的目标跟踪算法研究[D];华南理工大学;2012年

7 金加根;基于元数据的雷达目标检测和跟踪研究[D];武汉理工大学;2015年

8 张雷;复杂场景下实时目标跟踪算法及实现技术研究[D];中国科学院研究生院(长春光学精密机械与物理研究所);2016年

9 胡硕;基于小波理论的目标检测与快速目标跟踪算法研究[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2006年

10 李安平;复杂环境下的视频目标跟踪算法研究[D];上海交通大学;2007年

相关硕士学位论文 前10条

1 王磊;基于车载摄像头的行人检测技术的研究[D];长春工业大学;2018年

2 冯帆;复杂度可分级的目标跟踪算法研究[D];华中科技大学;2013年

3 张潍帆;基于粒子滤波的目标跟踪算法研究[D];天津理工大学;2015年

4 刘晓伟;视频监控中目标跟踪算法的研究[D];天津大学;2014年

5 李春兰;基于遮挡检测的粒子滤波行人目标跟踪算法研究[D];深圳大学;2017年

6 何慧尧;运动目标跟踪算法及应用研究[D];天津工业大学;2017年

7 苏高玲;智能视觉监控系统中的运动目标跟踪算法研究[D];沈阳建筑大学;2015年

8 陈家波;视频中运动目标跟踪算法的研究[D];苏州大学;2012年

9 董铭芳;基于图像显著性检测的目标跟踪算法研究[D];吉林大学;2015年

10 张春宇;基于运动特征的视频目标跟踪算法研究[D];深圳大学;2016年

本文编号：2875308