论文部分内容阅读
基于视频的行人检测与跟踪是计算机视觉领域的研究重点，其在智能视频监控、车辆智能驾驶和机器人等领域有着广泛的应用。目前，基于视频的行人检测与跟踪技术在智能交通领域中的应用也得到了极大的关注，用于协调人车关系、解决交通拥堵、保证道路运行通畅和保护行人安全等。本文是将信号交叉口或人行通道的行人检测与跟踪作为研究对象，开发基于视频的信号交叉口行人流量检测系统，并通过实际视频对系统的性能进行测试，完成对运动行人的检测识别、跟踪和计数。本文主要研究内容如下：(1)阐述了本课题研究的目的和意义，分析了行人流量检测的发展与研究现状，对课题中相关的图像理论基础做了概述，对本文的信号交叉口行人流量检测系统进行了总体设计，且分为摄像头倾斜和垂直的两种情况。(2)对于可拍摄到行人整体轮廓的摄像头倾斜情况，完成了基于运动模型的行人流量检测算法的设计，该算法分为运动目标检测、行人识别、行人跟踪和计数等模块；在运动目标检测中，采用ViBe背景建模提取运动目标前景，并对提取的运动前景经过形态学的腐蚀膨胀处理去除噪声，接着对前景提取轮廓画出外接矩形并合并；在行人识别中，先在线下对行人样本提取HOG特征进行SVM分类器的训练，再对待检测前景图像进行检测识别，判断是否为行人；在跟踪阶段中，采用卡尔曼滤波对行人进行跟踪；在行人计数中，设置检测框，行人在框外边和里边分别标记为1和-1，通过标记符号的两次变化进行计数。(3)对于可拍摄到行人头部互不遮挡的摄像头垂直情况，完成了基于人头的行人流量检测算法的设计，该算法分为行人头部检测、行人头部跟踪和计数等模块；在行人头部检测中，先线下分别对人头样本进行训练得到基于LBP特征和基于HOG特征的两种AdaBoost分类器；在检测时，先让人头图像通过基于LBP特征的AdaBoost分类器排除一些非人头区域，再通过基于HOG特征的AdaBoost分类器对人头进行再次筛选；在人头跟踪阶段，采用卡尔曼滤波方法对人头进行跟踪；在行人计数中，通过设置多边形检测框统计人头个数。(4)利用Visual Studio2008和OpenCV2.4.2编程实现了行人流量检测系统。