視頻監(jiān)控中的行人檢測算法研究
發(fā)布時間：2021-12-22 17:46
視頻監(jiān)控中的行人檢測一直都是計算機視覺領域一個熱門并且關鍵的研究課題,行人檢測的研究對人類發(fā)展的方方面面都具有重要的意義�，F(xiàn)如今,在人工智能（Artificial Intelligence）的發(fā)展和智能視頻監(jiān)控系統(tǒng)的普及之下,視頻監(jiān)控中行人檢測的應用也會越來越廣泛。不僅人們在生活中可以應用得到,在農(nóng)業(yè)、航海業(yè)、航空航天、軍事以及國防安全等重大領域也都有著十分重要的作用。行人檢測中,如何可以得到最準確的檢測結果,這一直都是行人檢測技術研究的關鍵問題。針對這一問題,本文的主要研究工作如下:本文概述了行人檢測的研究背景、意義,以及國內外研究現(xiàn)狀。本文對行人檢測中,常見的特征提取算法進行介紹,并分析了它們的原理和實現(xiàn)步驟。重點介紹了梯度方向直方圖（HOG）算法,HOG算法的特征原理是對圖像局部區(qū)域的梯度方向直方圖進行統(tǒng)計,并將統(tǒng)計的內容構成特征。接著,本文對常見的分類算法進行了介紹,重點介紹了支持向量機（SVM）算法,SVM算法是一種基于最優(yōu)分類面的思想的分類器。本文介紹了超像素、超像素的分類以及簡單線性迭代聚類（SLIC）算法。超像素代表著擁有相似特性的像素點的集合,它通�？梢苑譃榛趫D論的...
【文章來源】：哈爾濱師范大學黑龍江省
【文章頁數(shù)】：51 頁
【學位級別】：碩士
【部分圖文】：
HOG特征
第2章行人檢測的相關算法8圖2-2HOG算法原理圖Fig.2-2HOGalgorithmschematicdiagramHOG算法將一幅圖像分成若干個細胞單元(cell)，這些細胞單元是把像素當作基本單元的[20]。例如，細胞單元的大小是8×8像素，計算出所有細胞單元上的梯度方向直方圖，再用加權投票的手法，獲得各個細胞單元上的9維特征向量。把2×2細胞單元重組成一個塊(block)，此時，細胞單元的像素就是16×16。要描述一個塊內的HOG特征，可以將這個塊內的所有特征向量的串聯(lián)起來進行表示。創(chuàng)建滑動窗口，每步移動8個像素，照這樣下去，就可獲得整幅圖像的HOG特征。1.Gamma校正與圖像標準化，就是對圖像實施灰度處理，將輸入圖像轉變成灰度圖像。這樣可以便于后期的處理，減少工作量，提高對光照的魯棒性；轉換公式如下：21Hy,),(),(gammayxHxgamma(2-1)2.計算圖像的像素梯度；計算梯度算子一般含有一維算子和而為算子，公式如下式：一維算子：]1,8,0,8,1[],1,0,1[],1,1[(2-2)二維算子：0110,1001yxGG(2-3)圖像中像素點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像素單元每步移動8像素圖像16×16像素塊64×128像素窗口
第2章行人檢測的相關算法10(a)梯度投影方向(b)投影到相鄰區(qū)域圖2-4梯度方向幅值投影Fig.2-4Theamplitudeprojectionofthegradientdirection4.塊內梯度直方圖的歸一化；由于圖像局部陰影使得圖像的各部分光照強弱不同，還存在圖像前景背景對比差異，這使得梯度幅值會分布在一個較寬的范圍內，因此合理的局部對比度歸一化對性能檢測是極其重要的。5.HOG特征向量集。實施歸一化以后，對于每個塊，都要計算出梯度方向直方圖，這個梯度方向直方圖是組成它的四個細胞單元中的梯度方向直方圖。每個細胞單元均由9維特征向量表示，如此，一個塊就由36維特征向量來表示。每105個這樣的塊組成了姨個窗口。各個塊的特征向量都可以重組在一起，從而，整個窗口的特征向量就組合成了。由此可得，在最原始的HOG算法里，每個窗口是由一個3780維的特征向量表示的。2.1.1.3塊大小可變的HOG特征NavneetDalal和BillTriggs等人所提出來的HOG特征中，其使用的塊是選擇了單一尺度的，這個尺度的像素是16×16。這種尺度的塊相對較小，僅僅可以表示局部變化中的一小部分，不能表示較大區(qū)域內的信息變化。其實，較大的區(qū)域包含著大多數(shù)的有用信息[23]。NavneetDalal的論文中也提到了為了提高檢測精度，可以使用多種尺度的塊。以提高檢測精度為目的，Zhu等人提出了一種更好實現(xiàn)提高檢測精度目的的HOG特征，這種HOG特征塊的尺度大小可變，建立級聯(lián)分類器所也需要這種形式的HOG特征。這種方法中，不同尺度的塊是通過更改每個塊的大小和長寬比來獲得的。對于一個檢測窗口大小為64×128，在12×12和64×128之間范圍里，要想到所有大小的塊，同時對此范圍內的塊，采用三種大小不一、高寬比分別為1:1、1:2和2:1的塊，分塊之間是相互重疊的，相鄰分塊之間的間隔為4、6或者8
【參考文獻】：
期刊論文
[1]基于多特征融合的高速路車輛多目標跟蹤算法研究[J]. 胡隨芯,常艷昌,楊俊,章振原. 汽車技術. 2020(09)
[2]平安城市視頻監(jiān)控系統(tǒng)網(wǎng)絡安全研究[J]. 杜慶靈. 科技與創(chuàng)新. 2019(22)
[3]采用HOG特征和機器學習的行人檢測方法[J]. 陳麗楓,王佳斌,鄭力新. 華僑大學學報(自然科學版). 2018(05)
[4]一種基于HOG的行人檢測算法[J]. 王力,劉子龍,張帥旗. 軟件導刊. 2017(10)
[5]一種改進的快速SLIC分割算法[J]. 馬軍福,魏瑋. 計算機工程與科學. 2017(02)
[6]圖像分割方法綜述研究[J]. 周莉莉,姜楓. 計算機應用研究. 2017(07)
[7]基于SVM的模糊圖像識別[J]. 王小瑩,易堯華. 包裝工程. 2016(13)
[8]幾種新超像素算法的研究[J]. 張曉平. 控制工程. 2015(05)
[9]基于PCA降維的HOG與LBP融合的行人檢測[J]. 陳銳,王敏,陳肖. 信息技術. 2015(02)
[10]一種改進HOG特征的行人檢測算法[J]. 田仙仙,鮑泓,徐成. 計算機科學. 2014(09)
博士論文
[1]圖像中人體目標檢測算法研究[D]. 王俊強.北京郵電大學 2012
碩士論文
[1]視頻監(jiān)控中運動行人檢測算法研究及FPGA實現(xiàn)[D]. 司琦.西安理工大學 2019
[2]視頻監(jiān)控與行人檢測系統(tǒng)設計[D]. 肖逸群.廣西師范大學 2019
[3]基于視頻的行人檢測研究[D]. 李昭青.山東大學 2019
[4]視頻監(jiān)控中行人目標發(fā)現(xiàn)與跟蹤研究[D]. 李得鋒.河北農(nóng)業(yè)大學 2018
[5]基于超像素分割的顯著性目標檢測算法研究[D]. 熊曉彤.西安電子科技大學 2017
[6]基于HOG和Haar聯(lián)合特征的行人檢測及跟蹤算法研究[D]. 伍敘勵.電子科技大學 2017
[7]基于PCA和BP神經(jīng)網(wǎng)絡的人臉識別方法研究[D]. 李昌.哈爾濱理工大學 2017
[8]基于HOG特征的行人檢測系統(tǒng)的研究[D]. 劉文振.南京郵電大學 2016
[9]保持邊緣的超像素分割算法研究[D]. 白宇.中國科學技術大學 2016
[10]基于多特征級聯(lián)的行人檢測方法研究[D]. 鄒寬中.重慶郵電大學 2016
本文編號：3546815
【文章來源】：哈爾濱師范大學黑龍江省
【文章頁數(shù)】：51 頁
【學位級別】：碩士
【部分圖文】：
HOG特征
第2章行人檢測的相關算法8圖2-2HOG算法原理圖Fig.2-2HOGalgorithmschematicdiagramHOG算法將一幅圖像分成若干個細胞單元(cell)，這些細胞單元是把像素當作基本單元的[20]。例如，細胞單元的大小是8×8像素，計算出所有細胞單元上的梯度方向直方圖，再用加權投票的手法，獲得各個細胞單元上的9維特征向量。把2×2細胞單元重組成一個塊(block)，此時，細胞單元的像素就是16×16。要描述一個塊內的HOG特征，可以將這個塊內的所有特征向量的串聯(lián)起來進行表示。創(chuàng)建滑動窗口，每步移動8個像素，照這樣下去，就可獲得整幅圖像的HOG特征。1.Gamma校正與圖像標準化，就是對圖像實施灰度處理，將輸入圖像轉變成灰度圖像。這樣可以便于后期的處理，減少工作量，提高對光照的魯棒性；轉換公式如下：21Hy,),(),(gammayxHxgamma(2-1)2.計算圖像的像素梯度；計算梯度算子一般含有一維算子和而為算子，公式如下式：一維算子：]1,8,0,8,1[],1,0,1[],1,1[(2-2)二維算子：0110,1001yxGG(2-3)圖像中像素點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像素單元每步移動8像素圖像16×16像素塊64×128像素窗口
第2章行人檢測的相關算法10(a)梯度投影方向(b)投影到相鄰區(qū)域圖2-4梯度方向幅值投影Fig.2-4Theamplitudeprojectionofthegradientdirection4.塊內梯度直方圖的歸一化；由于圖像局部陰影使得圖像的各部分光照強弱不同，還存在圖像前景背景對比差異，這使得梯度幅值會分布在一個較寬的范圍內，因此合理的局部對比度歸一化對性能檢測是極其重要的。5.HOG特征向量集。實施歸一化以后，對于每個塊，都要計算出梯度方向直方圖，這個梯度方向直方圖是組成它的四個細胞單元中的梯度方向直方圖。每個細胞單元均由9維特征向量表示，如此，一個塊就由36維特征向量來表示。每105個這樣的塊組成了姨個窗口。各個塊的特征向量都可以重組在一起，從而，整個窗口的特征向量就組合成了。由此可得，在最原始的HOG算法里，每個窗口是由一個3780維的特征向量表示的。2.1.1.3塊大小可變的HOG特征NavneetDalal和BillTriggs等人所提出來的HOG特征中，其使用的塊是選擇了單一尺度的，這個尺度的像素是16×16。這種尺度的塊相對較小，僅僅可以表示局部變化中的一小部分，不能表示較大區(qū)域內的信息變化。其實，較大的區(qū)域包含著大多數(shù)的有用信息[23]。NavneetDalal的論文中也提到了為了提高檢測精度，可以使用多種尺度的塊。以提高檢測精度為目的，Zhu等人提出了一種更好實現(xiàn)提高檢測精度目的的HOG特征，這種HOG特征塊的尺度大小可變，建立級聯(lián)分類器所也需要這種形式的HOG特征。這種方法中，不同尺度的塊是通過更改每個塊的大小和長寬比來獲得的。對于一個檢測窗口大小為64×128，在12×12和64×128之間范圍里，要想到所有大小的塊，同時對此范圍內的塊，采用三種大小不一、高寬比分別為1:1、1:2和2:1的塊，分塊之間是相互重疊的，相鄰分塊之間的間隔為4、6或者8
【參考文獻】：
期刊論文
[1]基于多特征融合的高速路車輛多目標跟蹤算法研究[J]. 胡隨芯,常艷昌,楊俊,章振原. 汽車技術. 2020(09)
[2]平安城市視頻監(jiān)控系統(tǒng)網(wǎng)絡安全研究[J]. 杜慶靈. 科技與創(chuàng)新. 2019(22)
[3]采用HOG特征和機器學習的行人檢測方法[J]. 陳麗楓,王佳斌,鄭力新. 華僑大學學報(自然科學版). 2018(05)
[4]一種基于HOG的行人檢測算法[J]. 王力,劉子龍,張帥旗. 軟件導刊. 2017(10)
[5]一種改進的快速SLIC分割算法[J]. 馬軍福,魏瑋. 計算機工程與科學. 2017(02)
[6]圖像分割方法綜述研究[J]. 周莉莉,姜楓. 計算機應用研究. 2017(07)
[7]基于SVM的模糊圖像識別[J]. 王小瑩,易堯華. 包裝工程. 2016(13)
[8]幾種新超像素算法的研究[J]. 張曉平. 控制工程. 2015(05)
[9]基于PCA降維的HOG與LBP融合的行人檢測[J]. 陳銳,王敏,陳肖. 信息技術. 2015(02)
[10]一種改進HOG特征的行人檢測算法[J]. 田仙仙,鮑泓,徐成. 計算機科學. 2014(09)
博士論文
[1]圖像中人體目標檢測算法研究[D]. 王俊強.北京郵電大學 2012
碩士論文
[1]視頻監(jiān)控中運動行人檢測算法研究及FPGA實現(xiàn)[D]. 司琦.西安理工大學 2019
[2]視頻監(jiān)控與行人檢測系統(tǒng)設計[D]. 肖逸群.廣西師范大學 2019
[3]基于視頻的行人檢測研究[D]. 李昭青.山東大學 2019
[4]視頻監(jiān)控中行人目標發(fā)現(xiàn)與跟蹤研究[D]. 李得鋒.河北農(nóng)業(yè)大學 2018
[5]基于超像素分割的顯著性目標檢測算法研究[D]. 熊曉彤.西安電子科技大學 2017
[6]基于HOG和Haar聯(lián)合特征的行人檢測及跟蹤算法研究[D]. 伍敘勵.電子科技大學 2017
[7]基于PCA和BP神經(jīng)網(wǎng)絡的人臉識別方法研究[D]. 李昌.哈爾濱理工大學 2017
[8]基于HOG特征的行人檢測系統(tǒng)的研究[D]. 劉文振.南京郵電大學 2016
[9]保持邊緣的超像素分割算法研究[D]. 白宇.中國科學技術大學 2016
[10]基于多特征級聯(lián)的行人檢測方法研究[D]. 鄒寬中.重慶郵電大學 2016
本文編號：3546815
本文鏈接：http://www.sikaile.net/kejilunwen/xinxigongchenglunwen/3546815.html
