在民用环境下,视频目标的识别和跟踪主要用在监控领域。例如,街道十字路口的车辆的实时监测,可以从中得到关于车辆交通的很多有意义的参数,像车流量密度,车速等。还有在小区、校园宿舍区这些关键的地方也能对晚上半夜以后的时间段进行有力的监控。最近流行起来的kinect,xtion这些体感设备,其中也都用到了人体检测的技术。总的来说,现在人民的生活也开始和图像处理息息相关了。
另一方面,在军用情况下,有了良好的对目标识别和跟踪的算法,可以在无人侦察机,战场上发挥巨大的作用,使得导弹制导,火炮控制的自适应性得到进一步的提高,同时,在识别到目标的情况下,人工智能也能根据目标的具体参数做出更好的反应。
1.2 研究背景及意义
1.3 研究现状
1.4本文主要工作及内容
本论文,主要对人体检测和跟踪这一方面的方法进行了基本的介绍和实践。第二章对现在在人体检测这一方向流行的hog+svm算法进行了简单的介绍,并给出了图像hog化之后的结果,同时选择一定的正样本和负样本hog化后,输入到svm训练器中进行训练。并将训练到的结果用到了人体检测的图片中,给出了直观的结果。
第三章和第四章,对在进行人体跟踪时的算法进行了介绍和分析,给出了相应算法的数学模型,并通过通俗易懂的语言将算法的过程表达出来,同时在每章的最后,都利用opencv实现了算法,给出了在视频序列跟踪中的结果截图。
最后本论文在第五章中总结了人体检测和跟踪算法的特点,并对均值漂移和粒子滤波算法的缺点进行了讨论,同时给出了今后继续工作的方向。
2 人体检测技术
文献[11-12]中讲了人体目标的检测的任务就是要把像人体的区域从视频图像中提取出来。只有正确的把目标分割出来,才能使后面的跟踪过程有更好的效果,所以人体的检测对跟踪是起着至关重要的作用。其中对于把运动目标分割出来的方法有很多种,常见的有光流法,相邻帧差法,背景减法,但是这些方法一般针对的是运动的目标,对于人体也是可行的,但是必须要确保在整个视场中基本只有人体是运动的才能有较好的检测效果。对于背景里其他运动的物体也会产生错误的判断,所以在背景比较单一的情况下可以选用这些方法。
2.1 方向梯度直方图
文献[16-20]介绍了检测行人的方法。Histogram of oriented gradients(HOG),也就是方向梯度直方图,方向梯度直方图通过对目标进行特征描述从而能在机器视觉和图像处理中进行目标检测。方向梯度直方图简单的来说就是一种将目标对象转化为一种数据结构,这种数据结构在表达人体模型时能取得很好的效果。
2.2 方向梯度直方图的基本原理及算法
在进行图像到方向梯度直方图的转化时,为了降低运算的复杂性可以先将图像转化为灰度图。其中将RGB图像转化为灰度图可以采用公式2-1:
Gray=R*0.299+G*0.587+B*0.114 (2-1)文献综述
但是在实际编程时由于计算机对浮点数的运算没有整数快,所以可以采用公式2-2:
Gray=(R*30+G*58+B*11)/100 (2-2)
在一般的图像转化中都会做图像的去噪处理,但是在HOG中,根据Dalal等人在论文实验中的数据指出,不对图像进行预处理能得到最好的跟踪效果,他们猜测可能由于去噪处理会降低边缘信息的对比度,从而使图像中的有效信息量减少导致了检测效果变差。