学位论文 > 优秀研究生学位论文题录展示

基于Latent SVM的人体目标检测与跟踪方法研究

作　者: 胡振邦
导　师: 蔡之华
学　校: 中国地质大学
专　业: 地学信息工程
关键词: Latent SVM 级联Latent SVM 均值飘移算法差分演化自组织映射背景分离算法 RJMCMC
分类号: TP391.41
类　型: 博士论文
年　份: 2013年
下　载: 277次
引　用: 0次
阅　读: 论文下载

内容摘要

人体目标检测与跟踪算法是计算机视觉的研究热点,其在智能交通、城市安防、人机交互、智能机器人、视频图像分析和电子娱乐等方面都有着广泛的应用。近年来,随着城市物联网的发展,人体目标检测与跟踪算法得到了越来越多的关注。本文将人体目标检测与跟踪问题分解为图像检测、背景分离、图像跟踪与路径优化等四个方面展开讨论。在图像检测方面,本文的主要研究方法是Latent SVM图像检测方法。在Latent SVM的模型训练过程中,首先对训练样本进行聚类,然后根据样本的聚类结果构建多视角的观测模型。另外,不同于一般的SVM模式识别算法,Latent SVM在一般SVM模型的基础上自动生成隐变量特征并添加到模型。隐变量具有位移和外观双重属性,因此在人体目标检测问题中,训练获取的Latent SVM检测模型可包含多个隐变量。由于隐变量可以近似地理解为人体的局部外观特征,如头部、躯体和四肢等。多模型的构建与隐变量的自动生成使得Latent SVM成为目前最好的图像检测算法之一。本文对Latent SVM方法的研究包括训练模型与检测流程两个方面。背景分离算法是视频图像检测与跟踪系统中的一种辅助方法。该方法可以提升整个系统的处理速度和精度。背景分离算法的作用是有效地去除视频图像序列的背景区域。背景部分是指图像序列中相对静止的部分,例如摇曳的树叶、转动的风扇以及移动目标的阴影等部分。在使用Latent SVM进行图像检测时,需要计算整张图像的梯度方向直方图(HOG)特征金字塔图。由于目标检测耗时与扫描区域成倍增长,因此对于一些实时性要求较高的视频图像检测系统,可以利用时间上相邻的图像相关信息快速剔除掉大部分的背景区域,减小扫描区域以提升检测速度。由于仅在前景移动区域内检测,因此该方法能极大地减小误检率。本文先后介绍了多种背景分离算法,如多元高斯混合模型算法、编码法、以及自组织映射背景分离算法。综合这些方法的优点,本文提出了改进算法。与图像检测算法相比较,图像跟踪除了需要确定跟踪目标的位置,还需要画出跟踪目标的移动轨迹。此外,图像跟踪算法还具有一定的连续性和自动性,能够弥补图像检测算法中的一些遗漏检测。本文提出了一种改进的Mean-Shift图像跟踪算法。该算法与背景分离算法结合,能够精确定位目标的跟踪位置并提升处理速度,且仅需要带入初始跟踪区域即可自动完成图像跟踪。当跟踪目标的位置发生堆叠或遮挡时,图像跟踪算法不可避免地会产生跟踪错误或丢失。跟踪路径优化算法就是要消除这些错误。结合初始跟踪对象的位置、外观信息,可以通过设计优化函数进行函数优化,从而实现多目标跟踪轨迹优化。本文提出一种改进的基于可逆转跳变马尔科夫链的蒙特卡洛优化多目标跟踪算法(reversible jump Markov chain Monte Carlo-RJMCMC)能够在较高检测正确率的情况下有效地对初始跟踪路径进行优化。初始目标跟踪轨迹由图像跟踪算法获取。在使用跟踪路径优化算法之前,首先需使用背景分离算法获取前景移动区域,然后分别对场景中的前景区域进行Latent SVM检测并对检测结果进行验证获得跟踪对象。这种处理方式能够最大化地减少误检率,并极大地简化了跟踪路径优化问题。综上所述,本文设计并尝试实现了一套完整的人体目标检测与跟踪方案,并针对各个组成模块的缺陷与不足进行了改进研究。本文的主要工作概括如下：1) Latent SVM模型训练算法的改进。由于人体目标图像具有多变性,因此隐变量的自动生成对模型的训练至关重要。在原始的Latent SVM模型训练方法中,首先根据样本图像的HOG特征由SVM算法获得简单的分类模板,然后再对分类模板使用贪心算法自动生成隐变量。为了获得更好的训练模型,本文提出一种结合Mean-shift与差分演化的图像分割算法自动生成隐变量特征。本文提出的新方法综合考虑了样本集图像的纹理分布特性自动搜索局部特征隐变量,从而获得更好的检测模型并最终提升检测性能。2) Latent SVM人体目标检测算法的改进。原始Latent SVM图像检测算法在进行目标检测时首先需构建待检测图像的HOG特征金字塔,然后将检测模型与HOG特征金字塔分别进行卷积运算,最后通过卷积得分与金字塔层数确定检测目标位置。级联Latent SVM图像检测算法是在原始Latent SVM图像检测算法的基础上进行的改进。首先使用PCA对样本集HOG特征进行分析,同时对检测模型与待检测图像的HOG特征金字塔进行降维。采用级联Latent SVM进行目标检测,再将降维后的检测模型和特征金字塔进行卷积,然后仅选择大于指定阈值的特定位置进行后续判断,即后续判断则是对原始检测模型和特征金字塔的卷积得分进行判断。级联Latent SVM方法的优点是能够快速的过滤掉图像中的非人体目标。为了进一步提升级联方法的性能,本文提出使用LDA方法分析样本集HOG特征并获得降维向量。另外,改进了级联Latent SVM提出一种改进的隐变量局部搜索策略,最后提出对隐变量进行网格颜色相似性特征提取,并建模对检测结果进行2次判定,以降低检测虚警率。3)提出一种新的自组织映射背景分离算法。经典的多元高斯混合模型及其改进的编码法都以图像中的每一个像素点为基本处理单元,这类方法中的相邻像素间没有任何相关处理,难以适应场景中存在的变化,分离结果具有较大的虚警。而自组织映射有效地解决了场景中各个像素之间的信息关联,并对场景具有较好的适应能力。但是该方法编码长度固定,需要人工干预指定编码长度,当场景突变时无法对码本进行即时修改。为此,本文提出一种结合编码法与自组织映射将相邻像素进行关联的新方法,该方法中每一个像素的背景编码长度能够根据具体情况进行自动变换,最后该方法为基础对红外线数据和彩色影像数据进行了融合,并对阴影进行了有效的去除。4)将Mean Shift算法与背景分离算法相结合给出了图像序列中多个移动目标—行人跟踪的新算法。结合背景分离算法对经典的Mean Shift算法进行了两点改进：第一,提取移动目标的有效区域,然后使用特征向量的相关函数作为跟踪对象的定位标准；第二,结合背景分离结果对跟踪区域进行快速修正。在多目标跟踪问题中,与经典的Mean-Shift算法相比,改进算法在耗时、鲁棒性和跟踪精度方面均有更好的性能。5)提出一种改进多目标跟踪路径优化算法。即使在极高检测正确率的情况下,当跟踪目标的位置发生堆叠或遮挡时,图像跟踪算法不可避免地会产生跟踪错误或丢失。本文设计的人体目标检测与跟踪系统首先使用背景分离算法获取前景移动区域,再采用级联Latent SVM进行目标检测,再由颜色相似性判定分类获取检测结果集合：最后将检测结果集合与本文提出的改进的Mean Shift算法结合获取初始跟踪轨迹。此时的初始跟踪结果能够确保极高的跟踪位置精度。针对这种情况,本文提出的改进的多目标跟踪路径优化算法对一般的优化算法进行了简化,主要包括优化公式的简化与优化策略的简化。简化后的优化算法不再采用裁剪、增长、添加、移出等策略对跟踪对象的移动轨迹进行等优化,仅采用分割、合并策略对跟踪轨迹进行优化。综上所述,本文概述并分析了人体目标检测与跟踪相关算法,并指出了各组成模块的不足。重点研究了基于Latent SVM的模型优化算法、级联Latent SVM图像检测算法、自组织映射背景分离算法、Mean-Shift图像跟踪算法、RJMCMC多目标跟踪优化算法。在研究中通过试验证明了各方法的有效性。

全文目录

作者简介  7-9
摘要  9-12
ABSTRACT  12-19
第一章绪论  19-31
  §1.1 论文的研究背景  19-21
  §1.2 人体目标检测所面临的挑战  21-22
  §1.3 人体目标检测国内外研究现状  22-26
    1.3.1 模式识别相关方法  22-24
    1.3.2 图像处理相关算法  24-26
  §1.4 人体目标跟踪所面临的挑战  26-27
  §1.5 人体目标跟踪国内外研究现状  27-28
  §1.6 论文的研究内容与组织结构  28-30
    1.6.1 论文的主要研究内容  28
    1.6.2 论文的组织结构  28-29
    1.6.3 论文的主要创新点  29-30
  §1.7 本章小结  30-31
第二章基于改进多模型的Latent SVM人体目标检测算法  31-62
  §2.1 引言  31-32
  §2.2 SVM人体目标检测  32-39
    2.2.1 HOG图像特征  32-34
    2.2.2 支持向量机概述  34-36
    2.2.3 基于HOG特征与SVM的人体目标检测  36-39
  §2.3 Latent SVM人体目标检测  39-56
    2.3.1 背景介绍  39-42
    2.3.2 Latent SVM模型概述  42-43
    2.3.3 Latent SVM整体模型定义  43-45
    2.3.4 Latent SVM局部特征模型-隐变量定义  45-47
    2.3.5 Latent SVM隐变量模型参数初始化  47-49
    2.3.6 Latent SVM隐变量计算与图像检测  49-52
    2.3.7 Latent SVM模型训练-随机梯度优化算法  52-56
  §2.4 Latent SVM改进的隐变量初始化算法  56-60
    2.4.1 基于Mean-Shift的图像分割算法  56-58
    2.4.2 基于差分演化的图像分割算法  58-60
  §2.5 本章小结  60-62
第三章改进的级联Latent SVM检测算法  62-75
  §3.1 基于级联的Latent SVM图像检测算法  62-65
  §3.2 改进的级联Latent SVM检测算法  65-69
    3.2.1 优化的局部特征检测顺序  65
    3.2.2 改进的局部特征搜索策略  65-66
    3.2.3 基于LDA的网格特征降维算法  66-69
  §3.3 基于Latent SVM与颜色相似性特征的目标判定算法  69-71
  §3.4 实验结果与分析  71-74
  §3.5 本章小结  74-75
第四章候选检测区域的快速选取-背景分离算法  75-91
  §4.1 基于多元高斯混合模型的背景分离算法  75-76
  §4.2 基于编码法的背景分离算法  76-78
  §4.3 基于自组织映射的背景分离算法  78-80
  §4.4 基于概率人工神经网络与信息融合的背景分离算法  80-81
  §4.5 基于自组织映射与SVM的背景分离算法  81-85
    4.5.1 改进的自组织映射背景分离算法  82-84
    4.5.2 基于线性SVM的信息融合背景分离算法  84-85
  §4.6 实验结果与分析  85-90
  §4.7 本章小结  90-91
第五章人体目标跟踪算法  91-107
  §5.1 基于Cam-shift的图像跟踪算法  91-92
  §5.2 基于Mean-Shift的图像跟踪算法  92-94
  §5.3 结合Mean Shift算法与背景分离技术的图像跟踪算法  94-96
    5.3.1 改进的跟踪定位标准一相关函数  94-96
    5.3.2 跟踪区域自适应修正  96
  §5.4 改进的RJMCMC多目标跟踪算法与多摄像头关联跟踪  96-100
  §5.6 实验结果与分析  100-105
  §5.7 本章小结  105-107
第六章全文总结及今后工作展望  107-109
  §6.1 全文总结  107-108
  §6.2 今后工作展望  108-109
致谢  109-110
附录  110-126
  附录一样本子集水平方向聚类算法  110-112
  附录二改进的样本子集水平方向聚类算法  112-113
  附录三隐变量模型参数初始化算法  113-115
  附录四基于Mean-shift的隐变量初始化算法  115-117
  附录五基于差分演化聚类的隐变量初始化算法  117-120
  附录六基于差分演化聚类的适应度函数  120-122
  附录七基于颜色相似性的特征提取算法  122-125
  附录八计算颜色特征时使用的插值函数线性插值函数  125-126
参考文献  126-130

基于Latent SVM的人体目标检测与跟踪方法研究

内容摘要

全文目录

相似论文