论文部分内容阅读
随着生活智能化理念的发展,智能视频监控、智能辅助驾驶和智能家居等概念得到了广泛的关注,而行人检测与跟踪算法作为其核心技术,也得到了越来越多的研究者的重视。本文旨在实现一个鲁棒的基于学习的行人检测与跟踪系统,首先对人脸和人体这两个重要的行人特征进行准确快速的检测,自动初始化行人目标后启动对该目标的跟踪。本文着重研究了基于Adaboost的检测算法和基于Online Boosting的跟踪算法,并针对其存在的问题,分别对检测和跟踪算法进行改进。本文主要研究内容如下:在检测方面,本文首先实现了基于Haar特征的Adaboost人脸检测和基于HOG的Adaboost人体检测。为了解决检测目标发生旋转,光照发生变化时漏检率较高和检测时间较长等问题,将描述特征更换为LBP特征。并在LBP特征提取过程中,将基于矩形的LBP特征与具有旋转不变性的LBP算子相结合,使改进后的LBP更加具有描述性。人脸检测结果的漏检率从10.8%降低为7.5%,人体检测结果的误检率从14.5%将低为5.5%。同时极大程度的降低了人脸和人体检测所消耗的时间。在跟踪方面,本文首先将Haar特征更换为LBP特征,其次在分类器更新时将原有分类器的权值也进行更改,使各个分类器的权值达到最优,然后将粒子滤波与Online Boosting算法结合起来,Online Boosting强分类器检测到目标对应的特征值作为模板,与各个粒子对应的特征值进行比较以计算相似度,从而计算各个粒子权重。使跟踪的漂移现象得到改善,跟踪更加准确。与传统的Online Boosting算法相比,改进后算法的平均中心误差由13.6降为7.9,所用时间由588ms缩短到183ms。在以上研究内容的基础上,本文实现了一个完整的行人检测与跟踪系统,在目标较近的场景中基于Haar和LBP特征的Adaboost算法能够检测人脸。当目标距离较远时基于HOG和LBP特征的Adaboost能够实现人体的检测。同时系统集成了基于Online Boosting和嵌入粒子滤波的Online Boosting跟踪算法,根据具体应用可以选择跟踪算法。读入视频后系统能够自动检测并初始化目标进行跟踪。实验证明该系统能够较为准确的将图像中行人的脸部或者人体检测出来,并进行稳定的跟踪。