基于空间上下文的人体检测算法研究

论文摘要

人体检测是近年来图像处理领域的一门新兴研究方向。目前比较成熟的目标检测领域有：人脸识别，行人检测等。传统的人体检测方法，一般都是针对静态图片上的特定姿态的人体进行检测，并且检测率不是很高。人体检测具有很强的应用价值，可应用于交通监控；可辅助智能车辆驾驶；可应用于边防安全事业等。近年来一些国家与地区频频发生自然灾难，每年因这些灾难逝去的人不计其数。灾难发生之后的伤员搜救工作成为国家重点关心事项，在这些灾难现场很多地方是救援人员无法到达的，同时许多地区具有极高的危险性。目前，科学家极力研制出一些救援装备以及救援机器人，希望能够帮助救援人员完成一些人类无法进行探测的工作。本文提出了一种基于空间上下文的人体检测方法，辅助完成国家863项目——灾难现场生命体征搜寻机器人仿生感知技术的研究工作。空间上下文是一种人体行为科学概念，其类似于注意机制。本文的空间上下文机制主要体现在对检测窗口的验证环节。检测过程第一步采用传统的HOG（Histogram Of Gradient梯度方向直方图）特征算子进行人体特征提取，应用分类能力较快的AdaBoost分类器进行分类，对检测结果窗口使用上下文机制进行人体验证。 HOG特征算子计算方法是基于图像分块的，同时块内以图像单元为单位进行梯度计算。这种方法使得图像检测窗口内的特征维数计算量过大，进行分类学习需要过长的时间，对于一些分辨率较大的检测图像进行人体检测时无法达到实时性要求。本文对图像直接以单元为单位进行梯度计算，实验得到适中的特征计算覆盖率，在保证了检测正确率的前提下，降低了检测时间。此外，在空间上下文验证环节中，本文加入了基于LBP纹理特征的人体验证。LBP纹理特征分类器，以对纹理具有良好的描述性的LBP（Local BinaryPattern LBP）为特征，考虑到人体的多姿态性，本文采用具有旋转不变性的一致模式的LBP算子，使用对于小样本具有较好分类性能的SVM（Support VectorMachine支持向理机）进行分类学习，得到人体纹理分类器。加入到人体验证环节中，实验结果表明，该方法能够有效地排除复杂背景下产生的假报警。实验结果显示，基于空间上下文的人体检测方法，能够以单一的人体模型对灾难现场多姿态的人体，包括直立，坐，躺，直立有遮挡，躺着有遮挡等，进行人体检测时得到较高的检测率，存在较小的漏检率。同时，空间上下文验证能够有效地降低检测结果的假报警率。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 人体检测研究背景
• 1.2 人体检测国内外的研究现状
• 1.3 论文的主要工作
• 1.4 论文的组织结构
• 第2章 基于空间上下文的人体检测系统
• 2.1 系统采用的硬件设备
• 2.2 基于注意机制的检测框架
• 2.2.1 红外阈值分割
• 2.2.2 红外图像与可见光图像配准
• 2.3 人体检测算法框架
• 2.4 红外图像上的人体检测
• 2.5 旋转检测
• 2.6 本章小结
• 第3章 基于 AdaBoost 算法的人体检测
• 3.1 HOG 特征算子（梯度直方图算子）
• 3.2 AdaBoost 分类器
• 3.3 本章小结
• 第4章 基于 LBP 的人体验证
• 4.1 特征----LBP 算子
• 4.1.1 LBP 简介
• 4.1.2 旋转不变的 LBP 算子
• 4.1.3 基于一致模式（Uniform Pattern）的旋转不变 LBP 算子
• 4.1.4 NLBP 算子
• 4.2 SVM 分类器
• 4.3 基于颜色和纹理特征的人体目标验证
• 4.3.1 基于颜色直方图的头部检验
• 4.3.2 基于 LBP 纹理特征的空间上下文验证
• 4.4 本章小结
• 第5章 实验参数介绍与结果分析
• 5.1 训练与检测图像库
• 5.2 分类器训练
• 5.3 参数设置
• 5.3.1 结果评价指标
• 5.3.2 参数设置
• 5.4 实验结果与结果分析
• 5.4.1 红外图像单独检测结果
• 5.4.2 可见光图像单独检测结果
• 5.4.3 红外图像与可见光结合人体检测结果
• 5.4.4 检测时间比较
• 5.5 本章小结
• 结论
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢
• 参考文献