人体再识别算法研究

发布时间：2017-08-18 02:29

  本文关键词：人体再识别算法研究

  更多相关文章： 人体再识别 行人检测 头肩HOG特征 支持向量机 颜色校正

【摘要】：智能视频监控系统作为计算机视觉领域的一项研究热点,广泛应用于公共安防、交通安全、智能车辆等领域。人体再识别是智能监控系统中的核心技术,研究其相关的算法具有重要的学术意义,更有巨大的应用价值。为了实现监控场景下的准确人体身份再识别,本文从算法入手分析了行人检测算法、底层特征提取算法和基于属性的人体再识别算法,并基于以上算法形成了一套具有较好准确性的人体再识别系统。针对以上系统,本文主要完成了以下工作：首先设计并实现了运动检测算法和基于头肩HOG特征检测的人体检测算法,采用多模式均值模型作为背景模型完成前景掩码的提取,并采用关联滤波法进行后期处理完成运动目标的提取。随后构建基于人体头肩HOG特征的级联Adaboost分类器进行多尺度人体检测,有效解决了人体遮挡问题。然后,本文基于人体检测的结果对人体目标进行底层特征提取。提取之前,使用动态阈值法对图像整体进行颜色校正,避免色差影响颜色特征的提取。随后利用颜色空间分布和人体轮廓对人体进行分区,为特征提取做前期准备。之后本文采用加权颜色直方图提取颜色特征,以降低检测误差对特征提取的影响。利用不同参数的Gabor滤波器组和Schmid滤波器组提取纹理特征,对人体特征实现了良好的表达。最后,采用基于属性的再识别方式实现人体再识别的核心功能。首先分析了属性的选择方法,随后对训练集进行处理,避免正负样本比例不均带来的影响,再利用处理后的训练集训练SVM分类器。得到分类模型之后提取属性信息,将属性特征和底层特征加权融合后利用融合特征进行匹配。本文对人体再识别算法在实验中进行了交叉验证实验,表明其具有良好的准确性和实时性。
【关键词】：人体再识别 行人检测 头肩HOG特征 支持向量机 颜色校正
【学位授予单位】：东南大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP391.41;TN948.6
【目录】：

• 摘要5-6
• Abstract6-10
• 第一章 绪论10-18
• 1.1 研究背景与意义10-11
• 1.2 国内外研究现状11-13
• 1.2.1 运动目标检测技术研究现状11
• 1.2.2 人体检测技术研究现状11-12
• 1.2.3 人体再识别技术研究现状12-13
• 1.3 主要研究内容13-15
• 1.3.1 研究目标13-14
• 1.3.2 行人检测14
• 1.3.3 人体底层特征提取14
• 1.3.4 基于人体属性的再识别14
• 1.3.5 技术难点14-15
• 1.4 论文工作及章节结构15-18
• 第二章 行人检测算法18-34
• 2.1 运动目标检测算法18-24
• 2.1.1 运动目标检测算法概述18-19
• 2.1.2 图像预处理19-20
• 2.1.3 背景建模20-23
• 2.1.4 后期处理23-24
• 2.2 人体检测算法24-30
• 2.2.1 人体检测算法概述24-26
• 2.2.2 人体检测特征提取26-27
• 2.2.3 分类器的选择与训练27-29
• 2.2.4 多尺度空间检测29-30
• 2.3 实验结果及分析30-32
• 2.3.1 实验测试环境30-31
• 2.3.2 运动目标检测实验31-32
• 2.3.3 人体检测实验32
• 2.4 本章小结32-34
• 第三章 人体底层特征提取34-52
• 3.1 人体底层特征提取概述34-36
• 3.1.1 底层特征概述34-35
• 3.1.2 视觉特征的局限性35-36
• 3.1.3 底层特征提取算法设计36
• 3.2 颜色校正36-40
• 3.2.1 数字成像原理36-37
• 3.2.2 颜色校正综述37-38
• 3.2.3 动态阈值法38-39
• 3.2.4 实验结果与分析39-40
• 3.3 人体区域划分40-42
• 3.3.1 人体区域划分概述40
• 3.3.2 区域划分算法40-42
• 3.3.3 实验与结果分析42
• 3.4 颜色特征提取42-47
• 3.4.1 颜色空间42-43
• 3.4.2 加权颜色直方图43-44
• 3.4.3 颜色编码44-47
• 3.5 纹理特征提取47-50
• 3.5.1 纹理特征提取综述47
• 3.5.2 滤波器简介47-49
• 3.5.3 特征提取49-50
• 3.6 本章小结50-52
• 第四章 基于属性的人体再识别52-68
• 4.1 基于属性的再识别概述52-53
• 4.1.1 基于底层特征的解决方案52
• 4.1.2 基于属性的解决方案52-53
• 4.1.3 基于属性的方案的优越性53
• 4.2 属性的选择53-56
• 4.2.1 人体特征的层级53
• 4.2.2 属性选择策略53-55
• 4.2.3 样本属性标记55-56
• 4.3 属性的提取56-60
• 4.3.1 分类器概述56-57
• 4.3.2 SVM分类器57-58
• 4.3.3 分类器训练58-60
• 4.4 特征匹配策略60-62
• 4.4.1 与底层特征的融合60
• 4.4.2 属性加权60-61
• 4.4.3 搜索策略61-62
• 4.5 实验结果与分析62-66
• 4.5.1 分类器训练和测试62-63
• 4.5.2 基于纯属性特征再识别63
• 4.5.3 底层特征融合与加权63-65
• 4.5.4 属性条件搜索65-66
• 4.6 本章小结66-68
• 第五章 总结与展望68-70
• 5.1 总结68-69
• 5.2 展望69-70
• 参考文献70-74
• 致谢74-76
• 作者在攻读硕士学位期间发表的论文和成果76

【参考文献】

中国期刊全文数据库 前8条

1 何烈云;;帧间差分法车速测算技术误差分析与处理[J];中国人民公安大学学报(自然科学版);2014年01期

2 王冰;康增建;吕晓军;;铁路客运站视频监控系统中的行人逆行异常事件检测算法研究[J];铁路计算机应用;2012年04期

3 朱守刚;;智能视频监控技术研究及应用[J];数字技术与应用;2012年01期

4 刘莉;陈秀宏;梁久祯;;基于条件正定核的SVM人脸识别[J];计算机工程与应用;2010年33期

5 杨琳;苗振江;;一种人群异常行为检测系统的设计与实现[J];铁路计算机应用;2010年07期

6 盛旭锋;朱方文;李校祖;庄俊;;基于三帧时间差分法的独居老人运动检测[J];计算机工程与应用;2010年13期

7 吴玲;;基于数字图像去噪的方法分析[J];科技信息;2010年06期

8 史真惠,朱守真,郑竞宏,王光,曲祖义,王刚;改进BP神经网络在负荷动静比例确定中的应用[J];中国电机工程学报;2004年07期

，

本文编号：692299