基于视觉传感器的行人检测关键算法研究

发布时间：2017-04-18 11:19

  本文关键词：基于视觉传感器的行人检测关键算法研究，由笔耕文化传播整理发布。

【摘要】：本文提出一种联合动态和静态特征的行人检测方法,用于运动背景下的行人检测。运动背景下检测的难点在于背景与目标的分离,本文方法采用一种改进的二阶差分光流算法Nagel-a计算图像的光流场,该光流算法通过改进速度场分量的拉普拉斯算子估计值,在求解速度场的迭代公式中引入前次迭代的速度分量,此举抑制了光流场中边界点对非边界点的影响,提高了光流场对微弱运动的敏感性。文中方法从Nagel-a光流场中提取行人的运动学特征MBH (Motion boundary histograms)和IMH (Internal motion histograms),强化MBH和IMH特征向量中包含鉴别信息的有益冗余,提高了该特征的鉴别能力。实验中使用LIBSVM训练基于运动学特征的线性SVM (Support vector machine)分类器,使用Mean shift算法优化分类结果。实验在TUD数据库上获得98%的识别率,证明该方法可以在具备运动背景的图像序列上获得较出色的检测效果。针对现有障碍物检测和行人检测方法计算复杂度较高的问题,本文提出一种新颖的针对车载系统的快速障碍物和行人检测算法。该方法采用表面视差映射代替深度图匹配,可以快速生成遮挡图并在图中提取包含障碍物和行人的感兴趣区域。由于表面视差映射算法具备较低的计算复杂度,并且主要的计算任务在初始化阶段完成,因此大幅提高了算法的整体效率。为了测试文中方法在真实路况中的可靠性,实验组在市区道路上利用车载摄像头拍摄了包括六种常见路况条件下的视频和图像,整理并建立HENU数据库。实验证明本文提出的方法在柏油路面,草坪路面,泥土路面,上下坡,夜间道路和雨天道路环境下都具备较高的准确度和可靠性。本文同时提出一种多尺度的行人检测器,采用本文提出的增强的梯度方向直方图作为分类器特征,检测过程中不需要调整输入图像的尺寸,提高检测效率的同时也显著提高了检测准确率。实验在三个公开数据库和HENU数据库上证明本文提出的方法在消耗相同时间的前提下,性能要优于现有的行人检测器。更重要的,当本文所提出的检测器处理小尺度行人目标时,检测性能会较原尺度进一步提高。本文针对红外图像的特点和行人的形状特征提出一种快速高效的红外行人检测算法。算法采用基于对比度直方图的方法提取红外图像的显著性映射图,按照显著值分布和局部邻域尺寸提取图像中的关注点,根据关注点的显著值计算自适应阈值分割红外图像中的行人目标。本文针对行人姿势的多样性,结合样本先验概率构建基于形状的级联人体模板匹配树,在根据显著性关注点理论分割后的红外图像上依据模板的匹配结果验证待检测区域是否包含行人目标。实验在OTCBVS的红外行人数据库上对比现有的几种红外行人检测算法,实验结果表明本文所提算法在精度和检测速度两方面都优于对比算法。
【关键词】：行人检测 二阶梯度光流法 运动学特征 支持向量机 均值漂移 障碍物检测 Adaboost 立体视觉 红外图像处理 显著性分割 关注点 模板匹配
【学位授予单位】：南京理工大学
【学位级别】：博士
【学位授予年份】：2015
【分类号】：TP391.41;TP212
【目录】：

• 摘要5-7
• Abstract7-12
• 1 绪论12-27
• 1.1 前言12-13
• 1.2 行人检测技术的研究与发展13-14
• 1.3 行人检测算法14-20
• 1.3.1 行人检测算法综述14-15
• 1.3.2 行人检测算法的主要步骤15-16
• 1.3.3 传感器类型16-18
• 1.3.4 行人检测特征18-20
• 1.4 行人检测算法使用的数据库20-21
• 1.5 评价标准21-24
• 1.5.1 行人定位算法的评价标准22-23
• 1.5.2 行人分类器的评价标准23-24
• 1.6 本文研究工作概述24-25
• 1.7 本文的内容安排25-27
• 2 基于运动学特征的行人检测算法27-47
• 2.1 引言27
• 2.2 八种常用的光流算法27-34
• 2.2.1 一阶差分光流算法28-32
• 2.2.2 二阶差分光流算法32-33
• 2.2.3 局部匹配光流算法33-34
• 2.3 Nagel-a二阶差分光流34-37
• 2.4 运动学特征37-40
• 2.4.1 运动边界直方图MBH37-38
• 2.4.2 内部运动直方图IMH38-39
• 2.4.3 改进的运动学特征39-40
• 2.5 实验结果与分析40-46
• 2.6 本章小结46-47
• 3 基于立体视觉的行人检测算法47-72
• 3.1 引言47-48
• 3.2 行人检测中的立体视觉方法48-52
• 3.2.1 三维重建48-49
• 3.2.2 基于Stixel的障碍物检测算法49-51
• 3.2.3 基于SFM的路面参数估计51-52
• 3.3 基于SPM的障碍物检测和ROI提取52-60
• 3.3.1 表面视差映射SPM52-57
• 3.3.2 SPM的实时修正57-60
• 3.4 实验结果与分析60-71
• 3.4.1 SPM算法的计算速度60-61
• 3.4.2 SPM算法的定位准确度61-63
• 3.4.3 SPM算法的可靠性63-71
• 3.5 本章小结71-72
• 4 红外图像中的行人检测72-88
• 4.1 引言72-74
• 4.1.1 红外图像的优点72
• 4.1.2 红外图像中的人体特征72-73
• 4.1.3 红外图像增强73-74
• 4.2 红外图像中行人与背景分割74-79
• 4.2.1 基于人体形态学特征的分割算法74-75
• 4.2.2 基于高斯混合模型的背景建模75-77
• 4.2.3 基于柯西分布的背景建模77-79
• 4.3 基于显著性关注点的红外图像分割79-82
• 4.4 实验结果与分析82-86
• 4.5 本章小结86-88
• 5 行人检测器的设计88-102
• 5.1 引言88
• 5.2 支持向量机88-90
• 5.3 Adaboost90-91
• 5.4 Boosted Histogram of Gradient Direction91-98
• 5.4.1 BHGD特征提取93-94
• 5.4.2 BHGD特征在多尺度上的近似94-96
• 5.4.3 实验结果与分析96-98
• 5.5 级联人体模板匹配98-101
• 5.5.1 构建模板树99-100
• 5.5.2 训练模板树100-101
• 5.6 本章小结101-102
• 结束语102-104
• 致谢104-105
• 参考文献105-115
• 附录115

【共引文献】

中国期刊全文数据库 前10条

1 赵文哲;秦世引;;一种高精度视频目标检测与分割新方法[J];北京航空航天大学学报;2010年12期

2 彭源;杨娜;吴建国;田秀霞;;图像中基于滑动窗口的行人检测框架[J];上海电力学院学报;2011年01期

3 徐X;徐佩霞;;一种基于改进Adaboost的人体检测算法[J];电子技术;2009年11期

4 田广;戚飞虎;;移动摄像机环境下基于特征变换和SVM的分级行人检测算法[J];电子学报;2008年05期

5 苏松志;李绍滋;陈淑媛;蔡国榕;吴云东;;行人检测技术综述[J];电子学报;2012年04期

6 左航;杨波;高琳;盛鹏;王俊峰;;基于行走拓扑结构分析的行人检测[J];光电子.激光;2010年05期

7 练士龙;李强;赵蓓蕾;;视频监控系统中的行人及其面部侦测研究[J];电子设计工程;2012年19期

8 杨洋;潘静;庞彦伟;;基于概率密度增强的高效多角度物体检测[J];电子测量技术;2013年10期

9 张春凤;宋加涛;王万良;;行人检测技术研究综述[J];电视技术;2014年03期

10 绳慧;杨耀;徐超;;基于多级粒子窗的目标检测算法研究[J];半导体光电;2014年02期

中国重要会议论文全文数据库 前1条

1 Longfei Wu;Hao Sun;Kefeng Ji;Yaxiang Fan;Ying Zhang;;Multiview Image Classification via Nonnegative Least Squares[A];2015年中国智能自动化学术会议论文集（第一分册）[C];2015年

中国博士学位论文全文数据库 前10条

1 汤义;智能交通系统中基于视频的行人检测与跟踪方法的研究[D];华南理工大学;2010年

2 李娟;城市交通系统中行人交通视频检测的理论与方法[D];北京交通大学;2010年

3 聂方彦;图像阈值化与目标分割方法中的若干问题研究[D];重庆大学;2010年

4 汪中;面向变化场景的行人分类检测方法研究[D];中国科学技术大学;2011年

5 卢岩;交通监控中的运动人体目标检测与跟踪[D];中国科学院研究生院（长春光学精密机械与物理研究所）;2011年

6 田广;基于视觉的行人检测和跟踪技术的研究[D];上海交通大学;2007年

7 杜春华;人脸特征点定位及识别的研究[D];上海交通大学;2008年

8 许言午;面向行人检测的组合分类计算模型与应用研究[D];中国科学技术大学;2009年

9 罗大鹏;基于在线学习理论的目标检测技术[D];华中科技大学;2010年

10 王俊强;图像中人体目标检测算法研究[D];北京邮电大学;2012年

中国硕士学位论文全文数据库 前10条

1 禹果;基于全景相机的视频图像分析[D];浙江大学;2011年

2 秦秋梅;睡眠呼吸系统中病人异常行为视频监测[D];河北科技大学;2011年

3 李倩倩;关节式物体检测识别及应用[D];复旦大学;2011年

4 王永志;视频场快速行人动态检测算法与实现[D];山东大学;2011年

5 刘梦飞;智能监控若干技术研究[D];安徽大学;2011年

6 徐萍;基于图像处理的夜间行人检测系统应用研究[D];安徽理工大学;2010年

7 周家骥;智能教室中基于视觉的人体姿态估计[D];上海交通大学;2011年

8 吴长侠;低空对地运动车辆检测与运动特性分析[D];中国科学技术大学;2011年

9 况梦杰;视频序列运动人体检测方法研究[D];燕山大学;2012年

10 康战波;灾难现场的人体检测技术研究[D];哈尔滨工程大学;2011年

  本文关键词：基于视觉传感器的行人检测关键算法研究，，由笔耕文化传播整理发布。

本文编号：314783