计算机视觉课程设计技术报告--行人检测与跟踪.docx

PAGE18

计算机视觉课程设计技术报告

——行人检测与跟踪

行人检测与跟踪

摘要：本文研究了基于视觉的行人检测算法及实现。采用基于滑动窗的检测方法，使用大小固定的滑动窗在图像金字塔中滑动，计算HOG特征，实现对检测窗口部分图像的特征提取，在线性核函数的SVM分类器中进行判别，输出被判别为正的图像区域。在此基础上，提出了将检测与行人跟踪相结合，实现了基于Kalman滤波器的单目标行人跟踪算法，利用滤波器进行行人位置估计，并用检测结果对估计值进行修正，实现了“检测——跟踪”框架。

关键词：行人检测、HOG特征、SVM、Kalman滤波

Abstract:Thispaperstudiesthevision-basedpedestriandetectionalgorithm.Thedetectionalgorithm,whichisbasedonslidingwindow,usesfixed-sizewindowtoslideintheimagepyramid.ThenHOGfeaturesarecalculatedandclassifiedbylinearSVM.Theslidingwindowswhosedeterminationresultarepositivearetreatedascontainingobjects.BasedonthedetectionalgorithmandKalmanfilter,atrackingalgorithmcombiningdetectionisproposedtoachieveasinglepedestrianobjecttrackingtask,usingfilterestimatepedestrianlocationinthenextframeandthenusingthedetectionresulttoupdatethefilter,realizingdetection-trackingframework.

Keywords:pedestriandetection;HOGfeatures;Kalmanfilter

简介

行人检测是一项极具挑战性的任务，同时在移动机器人、智能交通等领域有着重要应用。在很多应用中，需要检测行人目标并能够进行跟踪。本文根据HOG特征和SVM对行人目标进行检测，使用了INRIA数据集进行训练，实现了行人检测任务。在此基础上，本文提出使用Kalman滤波器进行目标跟踪，建立了行人的运动模型，并使用拍摄于北京理工大学六号教学楼附近的图像序列进行测试，得到了较为满意的效果。

本项目采用OpenCV和C++完成，并使用了CVC行人数据集(CVC-02PedestrianDatasets)和INRIA行人数据集(INRIAPersonDataSet)进行训练和测试。

第二章结合OpenCV介绍了HOG特征的算法实践流程和基于HOG特征的SVM分类器的原理；以及该分类器的实现以及训练过程，并在静态图像和图像序列中对训练结果进行测试和验证；第三章介绍了基于Kalman滤波器的检测跟踪相结合的算法流程，并在校内自行拍摄的图像序列上测试，第四章对本项目设计进行总结和评价。

基于HOG特征的SVM分类器行人检测方法

2.1HOG特征向量

HOG特征的定义是局部归一化的梯度方向直方图。其基本思想是：在一幅图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。实现方法为：首先将图像分成小的连通区域(即单元)；然后采集细胞单元中各像素点的梯度方向直方图。最后把这些直方图进行组合构成特征描述器。

为了提高性能，通常将局部直方图在块中进行对比度归一化，常用方法是：先计算各直方图在这个块中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。进行归一化后，能对光照变化和阴影获得更好的效果。

图2-1原始图像(左1)、HOG特征示意图(左2)和局部放大图(右1)

HOG特征的维数将由检测窗口的大小，块的大小，单元格的大小，块移动的步长决定。

当选定各参数均为典型参数时，检测窗口为64×128像素大小，块为16×16像素大小，单元格为8×8大小，块移动步长为8×8大小。可以得到，HOG特征向量维度为3780。算法流程如图2-2所示。

图2-2HOG特征计算的算法流程

OpenCV中的HOGDescriptor类已经实现了对HOG特征的计算。

2.2支持向量机(SVM)的实现

支持向量机(SVM)是一个统计学习中应用十分广泛的分类器，是