面向漁船安全的人體檢測(cè)與跟蹤算法研究.pdf

1、人體檢測(cè)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(shí)別、自動(dòng)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(cè)與跟蹤在機(jī)器人視覺、安全監(jiān)控、輔助駕駛和高級(jí)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(guó)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(cè)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(chǎng)景下還要受到視角、遮擋的挑戰(zhàn)，人體檢測(cè)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(duì)場(chǎng)景的通用性強(qiáng)、檢測(cè)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(chǎng)景正是這種復(fù)雜場(chǎng)景的典型，空間狹小，光線多變，人體姿態(tài)多樣。本文針對(duì)該場(chǎng)景下的人體檢測(cè)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(cè)，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(chǎng)景下的人體檢測(cè)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(chǎng)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(duì)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(dòng)軌跡，獲取漁船駕駛艙中人員活動(dòng)的數(shù)量和方向。
　　在人體

4、輪廓提取方面，本文通過對(duì)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(dòng)檢測(cè)是最常用的提取方法。單目固定攝像機(jī)場(chǎng)景下進(jìn)行運(yùn)動(dòng)檢測(cè)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(dòng)目標(biāo)的檢測(cè)，用于室外監(jiān)控效果較好，對(duì)于檢測(cè)運(yùn)動(dòng)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(chǎng)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(cè)模型和場(chǎng)景狀態(tài)檢測(cè)模型，監(jiān)測(cè)場(chǎng)景中光線變化情況和場(chǎng)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(cè)效率。另外，陰影檢測(cè)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(duì)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(chǎng)景畫面只

6、能是監(jiān)控區(qū)域的俯視圖像。場(chǎng)景中人體的下肢容易受到駕駛臺(tái)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(duì)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(chǎng)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(cè)率和檢測(cè)精度兩者之間找到平衡，在保證較高檢測(cè)精度的同時(shí)有著較高的檢測(cè)率。借助此分類器就可以對(duì)待檢圖像進(jìn)行分類檢測(cè)，檢測(cè)方法采用固定窗口在待檢圖像金字塔上滑動(dòng)掃描進(jìn)行多尺度檢測(cè)，并對(duì)檢測(cè)過程中同一目標(biāo)被多次檢測(cè)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(duì)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(dòng)區(qū)域進(jìn)行多目標(biāo)的在線跟蹤。同時(shí)，Mean shift算法對(duì)目標(biāo)在運(yùn)動(dòng)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(cè)試，本文的面向漁船安全的人體檢測(cè)與跟蹤算法取得了良好的檢測(cè)效果，同時(shí)能夠滿足在線視頻檢測(cè)的實(shí)時(shí)性。
　　盡管本文在面向漁船安全的人體檢測(cè)與跟蹤算法做出了一些研究成果，但也清醒的看