面向漁船安全的人體檢測與跟蹤算法研究.pdf

1、人體檢測與跟蹤是安全視頻監(jiān)控中的核心技術(shù)，是實(shí)現(xiàn)計(jì)算機(jī)視覺的基礎(chǔ)，也是該領(lǐng)域中的研究熱點(diǎn)，同時(shí)涉及圖像處理、模式識別、自動化控制、計(jì)算機(jī)圖形學(xué)、機(jī)器學(xué)習(xí)和人工智能等多個(gè)學(xué)科，是一個(gè)多學(xué)科交叉且極具挑戰(zhàn)性的研究課題。人體檢測與跟蹤在機(jī)器人視覺、安全監(jiān)控、輔助駕駛和高級人機(jī)交互等方面的應(yīng)用具備潛在經(jīng)濟(jì)價(jià)值，發(fā)展前景廣闊。
　　幾十年來國內(nèi)外學(xué)者們已經(jīng)采用各種各樣的方法展開了深入的研究，人體檢測與目標(biāo)跟蹤技術(shù)取得了一定的進(jìn)步，也驗(yàn)證了基

2、于視覺分析的方法能夠成功模仿人來執(zhí)行一些特定的功能。但是，由于人體姿態(tài)復(fù)雜、衣著以及外觀的多樣性，在復(fù)雜的場景下還要受到視角、遮擋的挑戰(zhàn)，人體檢測與目標(biāo)跟蹤變得異常艱難，目前尚未沒有成熟的算法能夠同時(shí)滿足對場景的通用性強(qiáng)、檢測準(zhǔn)確性高、算法效率高、實(shí)時(shí)性強(qiáng)的要求。漁船駕駛艙場景正是這種復(fù)雜場景的典型，空間狹小，光線多變，人體姿態(tài)多樣。本文針對該場景下的人體檢測與跟蹤技術(shù)展開了深入的研究，搭建漁船安全監(jiān)控系統(tǒng)實(shí)時(shí)檢測，為漁船的出海安全作業(yè)

3、提供預(yù)警與幫助。
　　本文工作的基本思路是將漁船駕駛艙場景下的人體檢測劃分為人體輪廓提取和人體目標(biāo)分類。首先將漁船駕駛艙場景畫面中的人體輪廓提取出來，分割出人體的輪廓區(qū)域，進(jìn)而對該區(qū)域進(jìn)行人體目標(biāo)分類，判斷該區(qū)域是否為存在人體目標(biāo)、以及人體的數(shù)量和位置。目的在于避免大量背景進(jìn)入人體目標(biāo)分類階段，節(jié)省了計(jì)算時(shí)間。然后，根據(jù)人體目標(biāo)分類得到的多目標(biāo)的位置進(jìn)行跟蹤，分析其運(yùn)動軌跡，獲取漁船駕駛艙中人員活動的數(shù)量和方向。
　　在人體

4、輪廓提取方面，本文通過對常用的幾種區(qū)域提取方法進(jìn)行研究和實(shí)驗(yàn)發(fā)現(xiàn)，運(yùn)動檢測是最常用的提取方法。單目固定攝像機(jī)場景下進(jìn)行運(yùn)動檢測以背景減除法最佳，而且多以混合高斯模型為背景模型。然而，混合高斯模型主要用于行人或運(yùn)動目標(biāo)的檢測，用于室外監(jiān)控效果較好，對于檢測運(yùn)動緩慢、間歇停滯的目標(biāo)，存在前景目標(biāo)空洞問題。關(guān)鍵在于背景模型的更新，場景中光線的變化又為背景更新帶來困難，本文提出了一種多模型協(xié)同前景目標(biāo)提取方法來解決這些困難。該方法采用混合高斯模

5、型學(xué)習(xí)背景，通過構(gòu)建光線檢測模型和場景狀態(tài)檢測模型，監(jiān)測場景中光線變化情況和場景狀態(tài)，協(xié)同控制背景模型的適時(shí)更新，這樣既解決了前景空洞問題，又兼顧了檢測效率。另外，陰影檢測模型的加入使得人體輪廓的提取變得更加精確。利用加權(quán)投影的方法對目標(biāo)進(jìn)行分割，得到的人體區(qū)域經(jīng)過篩選就可以進(jìn)行下一步的人體目標(biāo)分類了。
　　在人體目標(biāo)分類方面，本文采用了基于特征的機(jī)器學(xué)習(xí)的方法進(jìn)行人體目標(biāo)分類。由于漁船駕駛艙中攝像機(jī)的安裝位置受到限制，場景畫面只

6、能是監(jiān)控區(qū)域的俯視圖像。場景中人體的下肢容易受到駕駛臺的遮擋，只有頭部體現(xiàn)的較為完整，因而本文采用了形變較小和姿態(tài)較為穩(wěn)定且遮擋情況較少的頭部特征，特征集方面選取了對人體的輪廓和邊緣表達(dá)較好的梯度直方圖 HOG（Histogram of Gradient）特征。采集俯視圖像中人體頭部圖像為正樣本，數(shù)量三千幅左右；負(fù)樣本盡量泛化包含室內(nèi)外場景和不含頭部特征的肢體。這些樣本經(jīng)過尺寸歸一后，提取其HOG特征使用支持向量機(jī)SVM算法（Suppo

7、rt Vector Machine）訓(xùn)練得到離線的人體頭部特征分類器。分類器要在檢測率和檢測精度兩者之間找到平衡，在保證較高檢測精度的同時(shí)有著較高的檢測率。借助此分類器就可以對待檢圖像進(jìn)行分類檢測，檢測方法采用固定窗口在待檢圖像金字塔上滑動掃描進(jìn)行多尺度檢測，并對檢測過程中同一目標(biāo)被多次檢測進(jìn)行融合，最終實(shí)現(xiàn)人體目標(biāo)的分類，記錄人體頭部窗口出現(xiàn)數(shù)量及位置，用于下一步的目標(biāo)跟蹤。
　　在多目標(biāo)跟蹤方面，本文對單目固定攝像機(jī)下的多目標(biāo)

8、跟蹤方法進(jìn)行了相關(guān)的研究，采用了基于擴(kuò)展的Mean shift的多目標(biāo)在線跟蹤算法。該算法能夠根據(jù)運(yùn)動區(qū)域進(jìn)行多目標(biāo)的在線跟蹤。同時(shí)，Mean shift算法對目標(biāo)在運(yùn)動過程中產(chǎn)生的大小和形態(tài)的變化具有良好的適應(yīng)性。通過在已知數(shù)據(jù)集合上和漁船采樣視頻進(jìn)行測試，本文的面向漁船安全的人體檢測與跟蹤算法取得了良好的檢測效果，同時(shí)能夠滿足在線視頻檢測的實(shí)時(shí)性。
　　盡管本文在面向漁船安全的人體檢測與跟蹤算法做出了一些研究成果，但也清醒的看