学位论文 > 优秀研究生学位论文题录展示

基于深度与视觉信息融合的行人检测与再识别研究

作　者: 祝博荟
导　师: 丁永生
学　校: 东华大学
专　业: 控制理论与控制工程
关键词: 行人再识别行人检测深度图像信息融合免疫进化
分类号: TP391.41
类　型: 博士论文
年　份: 2013年
下　载: 127次
引　用: 0次
阅　读: 论文下载

内容摘要

视频监控系统中,监控视频中出现的人都是其重点关注的对象,因此智能监控系统需要拥有对行人进行检测,再识别,跟踪的能力,以便进一步对行人目标的行为进行分析。这就要求监控系统拥有可靠的行人检测以及行人再识别技术。然而由于行人姿态复杂多变、尺度变化明显并且应用场景易受背景、光照、阴影、摄像头参数等应用环境的干扰,使得行人检测以及行人再识别技术目前尚无在可靠性和速度方面都令人满意的解决方案。本论文针对这一情况,利用深度图像不受光照变化影响以及同一物体空间信息的一致性,通过研究背景消除、人体分割、深度与视觉信息融合,视角识别,关键帧选择等问题,建立了基于深度与视觉信息融合的行人检测与再识别模型。首先本文针对行人检测易受遮挡以及光照变化干扰的问题,提出了融合深度与视觉信息的行人检测方法。利用深度图像不受光照影响的特性将其引入行人检测,避免检测过程中来自照明变化的干扰。将行人检测问题转换为对行人头部的检测,减少了遮挡与姿势变化对检测结果的影响。在深度图像与彩色图像上分别建立头部检测器,并通过决策级信息融合得到漏检率更低的头部检测器。利用同一物体表面深度信息连贯性,提出了基于图论的人体提取方法,使得待检测行人只要头部能够检测到就能用其提取全身像素,将行人与背景分离。实验证明了该方法提高了应对遮挡以及人体姿态变化干扰的能力。然后利用人体曲面上两点间的测地距离不变特性以及人体骨骼所含的语义及空间信息,提出了基于人体骨骼的空间距离特征,并设计了基于此特征的人体部位识别算法。最后通过实验对该算法的可行性进行了验证。接下来针对现有的人体外貌模型易受人体姿势以及摄像机视角变化的干扰导致行人再识别错误的问题,从人体各个部位分别提取外貌特征,并将其与基于骨骼的空间特征相结合,建立了基于深度和视觉信息融合的人体外貌模型,提高外貌模型的鲁棒性与可区分度,从而实现行人再识别性能的提高；提出了基于再识别概率最大化准则的行人相似度函数训练方案,运用免疫进化算法得到最优的相似度函数,并通过实验验证运用该准则训练得到行人再识别方案要优于基于其他训练方法的的行人再识别方法。最后,对多镜头行人再识别技术进一步分析,提出了基于支持向量机的行人视角识别,从而解决视角变化对行人再识别的干扰；针对多镜头下图像冗余的问题,进一步提出了基于人体骨架的关键帧提取技术,实现对不同姿态行人的选择；建立了包含全局特征与周期性局部特征的新型人体外貌模型。实验结果验证了该模型能提高行人再识别的识别率与鲁棒性。文章末尾总结了总结了论文的研究内容,指出了研究中存在的不足,展望了下一步的研究方向。

全文目录

摘要  5-7
ABSTRACT  7-13
第一章绪论  13-24
  1.1 研究背景及意义  13-20
  1.2 论文的研究内容  20-21
  1.3 论文的创新点  21-22
  1.4 论文的章节安排  22-24
第二章行人检测与行人再识别相关技术的研究综述  24-43
  2.1 行人检测技术的研究现状  24-30
    2.1.1 宏观行人检测的研究现状  24-25
    2.1.2 微观行人检测的研究现状  25-30
  2.2 行人再识别技术的研究现状  30-38
  2.3 深度图像相关技术  38-42
    2.3.1 深度图像获取  38-39
    2.3.2 深度图像的表示  39-41
    2.3.3 深度图像的校正  41-42
  2.4 小结  42-43
第三章基于深度与视觉信息融合的行人检测技术研究  43-60
  3.1 引言  43-44
  3.2 基于双层高斯混合模型的感兴趣区域提取  44-47
  3.3 头部检测  47-53
    3.3.1 Haar特征  47-48
    3.3.2 积分图像  48-50
    3.3.3 AdaBoost算法  50-51
    3.3.4 级联分类器  51-52
    3.3.5 基于深度与彩色图像检测结果融合的人头检测  52-53
  3.4 基于图论的人体提取  53-56
  3.5 实验结果与分析  56-59
  3.6 小结  59-60
第四章基于深度图像的人体部位识别技术研究  60-72
  4.1 引言  60
  4.2 人体部分识别的总体框架  60-61
  4.3 基于骨骼的测地距离特征的提取  61-64
    4.3.1 欧式距离的测量  61
    4.3.2 测地距离的测量  61-62
    4.3.3 基于人体骨骼的测地距离特征  62-64
  4.4 基于支持向量机的人体部位识别  64-66
  4.5 实验结果与分析  66-70
    4.5.1 实验数据  66-68
    4.5.2 实验结果  68-70
  4.6 小结  70-72
第五章基于深度与视觉信息融合的行人再识别研究  72-88
  5.1 引言  72-73
  5.2 常用特征  73-77
    5.2.1 颜色特征  73-75
    5.2.2 纹理特征  75-77
  5.3 融合深度信息与视觉信息的人体外貌模型  77-78
    5.3.1 融合深度与视觉信息的特征  77-78
    5.3.2 基于骨骼的空间特征  78
  5.4 基于免疫进化算法的行人再识别  78-83
  5.5 实验结果与分析  83-87
  5.6 小结  87-88
第六章基于深度与视觉信息融合的多镜头行人再识别研究  88-102
  6.1 引言  88-89
  6.2 行人视角识别  89-91
  6.3 基于骨骼的关键帧选择  91-92
  6.4 多镜头特征提取  92-93
  6.5 基于免疫进化算法的多镜头行人再识别  93-94
  6.6 实验结果与分析  94-101
    6.6.1 行人视角识别  95-96
    6.6.2 行人视角识别对于行人再识别的影响  96-97
    6.6.3 关键帧与周期性局部特征的设置  97-99
    6.6.4 多镜头行人再识别  99-101
  6.7 小结  101-102
第七章总结与展望  102-104
  7.1 总结  102-103
  7.2 展望  103-104
参考文献  104-113
附录A 攻读博士学位期间完成的学术成果  113-114
附录B 攻读博士学位期间所参与的项目  114-115
附录C 攻读博士学位期间获得的奖励和荣誉  115

基于深度与视觉信息融合的行人检测与再识别研究

内容摘要

全文目录

相似论文