视频监控中的行人检测算法研究
发布时间：2021-12-22 17:46
视频监控中的行人检测一直都是计算机视觉领域一个热门并且关键的研究课题,行人检测的研究对人类发展的方方面面都具有重要的意义。现如今,在人工智能（Artificial Intelligence）的发展和智能视频监控系统的普及之下,视频监控中行人检测的应用也会越来越广泛。不仅人们在生活中可以应用得到,在农业、航海业、航空航天、军事以及国防安全等重大领域也都有着十分重要的作用。行人检测中,如何可以得到最准确的检测结果,这一直都是行人检测技术研究的关键问题。针对这一问题,本文的主要研究工作如下:本文概述了行人检测的研究背景、意义,以及国内外研究现状。本文对行人检测中,常见的特征提取算法进行介绍,并分析了它们的原理和实现步骤。重点介绍了梯度方向直方图（HOG）算法,HOG算法的特征原理是对图像局部区域的梯度方向直方图进行统计,并将统计的内容构成特征。接着,本文对常见的分类算法进行了介绍,重点介绍了支持向量机（SVM）算法,SVM算法是一种基于最优分类面的思想的分类器。本文介绍了超像素、超像素的分类以及简单线性迭代聚类（SLIC）算法。超像素代表着拥有相似特性的像素点的集合,它通常可以分为基于图论的...
【文章来源】：哈尔滨师范大学黑龙江省
【文章页数】：51 页
【学位级别】：硕士
【部分图文】：
HOG特征
第2章行人检测的相关算法8图2-2HOG算法原理图Fig.2-2HOGalgorithmschematicdiagramHOG算法将一幅图像分成若干个细胞单元(cell)，这些细胞单元是把像素当作基本单元的[20]。例如，细胞单元的大小是8×8像素，计算出所有细胞单元上的梯度方向直方图，再用加权投票的手法，获得各个细胞单元上的9维特征向量。把2×2细胞单元重组成一个块(block)，此时，细胞单元的像素就是16×16。要描述一个块内的HOG特征，可以将这个块内的所有特征向量的串联起来进行表示。创建滑动窗口，每步移动8个像素，照这样下去，就可获得整幅图像的HOG特征。1.Gamma校正与图像标准化，就是对图像实施灰度处理，将输入图像转变成灰度图像。这样可以便于后期的处理，减少工作量，提高对光照的鲁棒性；转换公式如下：21Hy,),(),(gammayxHxgamma(2-1)2.计算图像的像素梯度；计算梯度算子一般含有一维算子和而为算子，公式如下式：一维算子：]1,8,0,8,1[],1,0,1[],1,1[(2-2)二维算子：0110,1001yxGG(2-3)图像中像素点yx),(的梯度如公式(2-4)和(2-5)所示：HyxGyyxHx),1(),1(),(x(2-4)HyxGyyxHx)1,()1,(),(y(2-5)梯度幅值和方向如公式(2-6)和(2-7)所示：22GyxGyyxGx),(),(),(yx(2-6))),(),((tan),(221yxGyxGyxxy(2-7)8×8像素单元每步移动8像素图像16×16像素块64×128像素窗口
第2章行人检测的相关算法10(a)梯度投影方向(b)投影到相邻区域图2-4梯度方向幅值投影Fig.2-4Theamplitudeprojectionofthegradientdirection4.块内梯度直方图的归一化；由于图像局部阴影使得图像的各部分光照强弱不同，还存在图像前景背景对比差异，这使得梯度幅值会分布在一个较宽的范围内，因此合理的局部对比度归一化对性能检测是极其重要的。5.HOG特征向量集。实施归一化以后，对于每个块，都要计算出梯度方向直方图，这个梯度方向直方图是组成它的四个细胞单元中的梯度方向直方图。每个细胞单元均由9维特征向量表示，如此，一个块就由36维特征向量来表示。每105个这样的块组成了姨个窗口。各个块的特征向量都可以重组在一起，从而，整个窗口的特征向量就组合成了。由此可得，在最原始的HOG算法里，每个窗口是由一个3780维的特征向量表示的。2.1.1.3块大小可变的HOG特征NavneetDalal和BillTriggs等人所提出来的HOG特征中，其使用的块是选择了单一尺度的，这个尺度的像素是16×16。这种尺度的块相对较小，仅仅可以表示局部变化中的一小部分，不能表示较大区域内的信息变化。其实，较大的区域包含着大多数的有用信息[23]。NavneetDalal的论文中也提到了为了提高检测精度，可以使用多种尺度的块。以提高检测精度为目的，Zhu等人提出了一种更好实现提高检测精度目的的HOG特征，这种HOG特征块的尺度大小可变，建立级联分类器所也需要这种形式的HOG特征。这种方法中，不同尺度的块是通过更改每个块的大小和长宽比来获得的。对于一个检测窗口大小为64×128，在12×12和64×128之间范围里，要想到所有大小的块，同时对此范围内的块，采用三种大小不一、高宽比分别为1:1、1:2和2:1的块，分块之间是相互重叠的，相邻分块之间的间隔为4、6或者8
【参考文献】：
期刊论文
[1]基于多特征融合的高速路车辆多目标跟踪算法研究[J]. 胡随芯,常艳昌,杨俊,章振原. 汽车技术. 2020(09)
[2]平安城市视频监控系统网络安全研究[J]. 杜庆灵. 科技与创新. 2019(22)
[3]采用HOG特征和机器学习的行人检测方法[J]. 陈丽枫,王佳斌,郑力新. 华侨大学学报(自然科学版). 2018(05)
[4]一种基于HOG的行人检测算法[J]. 王力,刘子龙,张帅旗. 软件导刊. 2017(10)
[5]一种改进的快速SLIC分割算法[J]. 马军福,魏玮. 计算机工程与科学. 2017(02)
[6]图像分割方法综述研究[J]. 周莉莉,姜枫. 计算机应用研究. 2017(07)
[7]基于SVM的模糊图像识别[J]. 王小莹,易尧华. 包装工程. 2016(13)
[8]几种新超像素算法的研究[J]. 张晓平. 控制工程. 2015(05)
[9]基于PCA降维的HOG与LBP融合的行人检测[J]. 陈锐,王敏,陈肖. 信息技术. 2015(02)
[10]一种改进HOG特征的行人检测算法[J]. 田仙仙,鲍泓,徐成. 计算机科学. 2014(09)
博士论文
[1]图像中人体目标检测算法研究[D]. 王俊强.北京邮电大学 2012
硕士论文
[1]视频监控中运动行人检测算法研究及FPGA实现[D]. 司琦.西安理工大学 2019
[2]视频监控与行人检测系统设计[D]. 肖逸群.广西师范大学 2019
[3]基于视频的行人检测研究[D]. 李昭青.山东大学 2019
[4]视频监控中行人目标发现与跟踪研究[D]. 李得锋.河北农业大学 2018
[5]基于超像素分割的显著性目标检测算法研究[D]. 熊晓彤.西安电子科技大学 2017
[6]基于HOG和Haar联合特征的行人检测及跟踪算法研究[D]. 伍叙励.电子科技大学 2017
[7]基于PCA和BP神经网络的人脸识别方法研究[D]. 李昌.哈尔滨理工大学 2017
[8]基于HOG特征的行人检测系统的研究[D]. 刘文振.南京邮电大学 2016
[9]保持边缘的超像素分割算法研究[D]. 白宇.中国科学技术大学 2016
[10]基于多特征级联的行人检测方法研究[D]. 邹宽中.重庆邮电大学 2016
本文编号：3546815
【文章来源】：哈尔滨师范大学黑龙江省
【文章页数】：51 页
【学位级别】：硕士
【部分图文】：
HOG特征
第2章行人检测的相关算法8图2-2HOG算法原理图Fig.2-2HOGalgorithmschematicdiagramHOG算法将一幅图像分成若干个细胞单元(cell)，这些细胞单元是把像素当作基本单元的[20]。例如，细胞单元的大小是8×8像素，计算出所有细胞单元上的梯度方向直方图，再用加权投票的手法，获得各个细胞单元上的9维特征向量。把2×2细胞单元重组成一个块(block)，此时，细胞单元的像素就是16×16。要描述一个块内的HOG特征，可以将这个块内的所有特征向量的串联起来进行表示。创建滑动窗口，每步移动8个像素，照这样下去，就可获得整幅图像的HOG特征。1.Gamma校正与图像标准化，就是对图像实施灰度处理，将输入图像转变成灰度图像。这样可以便于后期的处理，减少工作量，提高对光照的鲁棒性；转换公式如下：21Hy,),(),(gammayxHxgamma(2-1)2.计算图像的像素梯度；计算梯度算子一般含有一维算子和而为算子，公式如下式：一维算子：]1,8,0,8,1[],1,0,1[],1,1[(2-2)二维算子：0110,1001yxGG(2-3)图像中像素点yx),(的梯度如公式(2-4)和(2-5)所示：HyxGyyxHx),1(),1(),(x(2-4)HyxGyyxHx)1,()1,(),(y(2-5)梯度幅值和方向如公式(2-6)和(2-7)所示：22GyxGyyxGx),(),(),(yx(2-6))),(),((tan),(221yxGyxGyxxy(2-7)8×8像素单元每步移动8像素图像16×16像素块64×128像素窗口
第2章行人检测的相关算法10(a)梯度投影方向(b)投影到相邻区域图2-4梯度方向幅值投影Fig.2-4Theamplitudeprojectionofthegradientdirection4.块内梯度直方图的归一化；由于图像局部阴影使得图像的各部分光照强弱不同，还存在图像前景背景对比差异，这使得梯度幅值会分布在一个较宽的范围内，因此合理的局部对比度归一化对性能检测是极其重要的。5.HOG特征向量集。实施归一化以后，对于每个块，都要计算出梯度方向直方图，这个梯度方向直方图是组成它的四个细胞单元中的梯度方向直方图。每个细胞单元均由9维特征向量表示，如此，一个块就由36维特征向量来表示。每105个这样的块组成了姨个窗口。各个块的特征向量都可以重组在一起，从而，整个窗口的特征向量就组合成了。由此可得，在最原始的HOG算法里，每个窗口是由一个3780维的特征向量表示的。2.1.1.3块大小可变的HOG特征NavneetDalal和BillTriggs等人所提出来的HOG特征中，其使用的块是选择了单一尺度的，这个尺度的像素是16×16。这种尺度的块相对较小，仅仅可以表示局部变化中的一小部分，不能表示较大区域内的信息变化。其实，较大的区域包含着大多数的有用信息[23]。NavneetDalal的论文中也提到了为了提高检测精度，可以使用多种尺度的块。以提高检测精度为目的，Zhu等人提出了一种更好实现提高检测精度目的的HOG特征，这种HOG特征块的尺度大小可变，建立级联分类器所也需要这种形式的HOG特征。这种方法中，不同尺度的块是通过更改每个块的大小和长宽比来获得的。对于一个检测窗口大小为64×128，在12×12和64×128之间范围里，要想到所有大小的块，同时对此范围内的块，采用三种大小不一、高宽比分别为1:1、1:2和2:1的块，分块之间是相互重叠的，相邻分块之间的间隔为4、6或者8
【参考文献】：
期刊论文
[1]基于多特征融合的高速路车辆多目标跟踪算法研究[J]. 胡随芯,常艳昌,杨俊,章振原. 汽车技术. 2020(09)
[2]平安城市视频监控系统网络安全研究[J]. 杜庆灵. 科技与创新. 2019(22)
[3]采用HOG特征和机器学习的行人检测方法[J]. 陈丽枫,王佳斌,郑力新. 华侨大学学报(自然科学版). 2018(05)
[4]一种基于HOG的行人检测算法[J]. 王力,刘子龙,张帅旗. 软件导刊. 2017(10)
[5]一种改进的快速SLIC分割算法[J]. 马军福,魏玮. 计算机工程与科学. 2017(02)
[6]图像分割方法综述研究[J]. 周莉莉,姜枫. 计算机应用研究. 2017(07)
[7]基于SVM的模糊图像识别[J]. 王小莹,易尧华. 包装工程. 2016(13)
[8]几种新超像素算法的研究[J]. 张晓平. 控制工程. 2015(05)
[9]基于PCA降维的HOG与LBP融合的行人检测[J]. 陈锐,王敏,陈肖. 信息技术. 2015(02)
[10]一种改进HOG特征的行人检测算法[J]. 田仙仙,鲍泓,徐成. 计算机科学. 2014(09)
博士论文
[1]图像中人体目标检测算法研究[D]. 王俊强.北京邮电大学 2012
硕士论文
[1]视频监控中运动行人检测算法研究及FPGA实现[D]. 司琦.西安理工大学 2019
[2]视频监控与行人检测系统设计[D]. 肖逸群.广西师范大学 2019
[3]基于视频的行人检测研究[D]. 李昭青.山东大学 2019
[4]视频监控中行人目标发现与跟踪研究[D]. 李得锋.河北农业大学 2018
[5]基于超像素分割的显著性目标检测算法研究[D]. 熊晓彤.西安电子科技大学 2017
[6]基于HOG和Haar联合特征的行人检测及跟踪算法研究[D]. 伍叙励.电子科技大学 2017
[7]基于PCA和BP神经网络的人脸识别方法研究[D]. 李昌.哈尔滨理工大学 2017
[8]基于HOG特征的行人检测系统的研究[D]. 刘文振.南京邮电大学 2016
[9]保持边缘的超像素分割算法研究[D]. 白宇.中国科学技术大学 2016
[10]基于多特征级联的行人检测方法研究[D]. 邹宽中.重庆邮电大学 2016
本文编号：3546815
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3546815.html
