基于计算机视觉的人体运动目标检测下载

weixin_39821051 2020-04-20 06:30:21
基于计算机视觉的人体运动目标检测
相关下载链接://download.csdn.net/download/limengxin/395326?utm_source=bbsseo
...全文
27 回复 打赏 收藏 转发到动态 举报
写回复
用AI写文章
回复
切换为时间正序
请发表友善的回复…
发表回复
计算机视觉通常是指计算机通过控制和应用传感器等设备对周围的环境进行获取的过程,然后对获取的视觉信息进行后期加工,包括表示、压缩、分析、处理、储存等,进而实现人类视觉所具有的“看”的功能。近年来计算机技术、光电技术和自动化技术的飞速发展,促成了计算机视觉系统的出现,同时随着人类生产生活需求的不断提高,视觉化、智能化的解决方案也越来越广泛的应用于工业生产、医疗和军事等领域,计算机视觉技术已经成为各国研究者关注和研究的热点。对计算机视觉系统的研究无论是在理论研究还是实际应用方面都有巨大的价值和意义。 基于图像的人体检测跟踪和人脸识别是当今计算机视觉和模式识别领域的热点研究问题,它在图像处理、智能监控、智能汽车等领域有着广泛的应用前景。本文针对人体检测跟踪和人脸识别中的一些关键问题进行研究,并取得了一定的进展,具体有如下四个方面:在人体检测方面,图像中复杂背景的变化对人体检测产生了负面的影响,比如产生空洞或者噪声,针对此类问题本文提出了基于二次连通域处理的人体检测方法,算法采用三帧差法提取运动目标,在得到二值图像后,运用数学形态学方法对二值图像进行膨胀腐蚀处理,接着利用四方向连接法和连通域三次扫描标记法去除空洞并连接断开的区域,最后利用HOG特征训练分类器来识别运动目标是否是人体。与传统方法不同的是,本文采用的四方向连接和连通域三次扫描标记法对于运动目标存在的空洞弥补效果更好,可以更加准确的连接断开区域,该方法对运动物体所在的环境没有约束,计算量较小,准确性高。实验结果表明,该方法是一种对于背景有一定鲁棒性的人体检测方法。 在人体跟踪方面,经典的Meanshift算法被广泛的用于计算机视觉和模式识别领域,但是当背景扰动的时候会使跟踪的准确性降低,针对此类问题本文提出了基于改进Meanshift的人体跟踪方法,算法通过判别跟踪区域是背景区域或前景区域来设置权重系数,进而实现定位更加准确的运动人体跟踪。与现有的方法相比,该方法减少了背景区域的计算量,同时将跟踪区域精确到运动人体,结合卡尔曼滤波器来预测运动人体下一步的方向,使得跟踪效果更好。实验结果表明,改进的方法相比传统Meanshift算法在准确度上要更加出色. 在光照预处理方面,由于光照对于人脸识别有重要的影响,比如高光、低光、单侧光等都会导致人脸识别率降低、误识率升高等一系列问题,所以本文提出了一种改进的高斯差分滤波光照预处理方法,通过改变高斯差分滤波器的水平方向和垂直方向的参
本文可以为安防监控行业中的客流量统计技术提供一个完整的技术解决方案,文章思路清楚,描写详细,非常值得参考。 计算机视觉技术的突飞猛进带动了整个智能视频监控产业链的快速发展,由此孕育的巨大商机激发越来越多的企业及研究机构投入到该行业的前沿技术研发中来。在这样背景下,基于图像处理、模式识别的人流量统计技术逐渐发展起来,由于人流量数据可以为商场、机场、公交公司、地铁站等场所进行智能管理和决策提供重要依据,因而该项技术在智能视频监控领域中占据了非常重要的地位。本文针对公交车客流量统计技术展开了系统深入的研究,并提出了一套完整的解决方案。 在车载智能监控系统中,摄像机俯视整个监控场景,本文充分利用了摄像机成像视角的特殊性采用检测识别乘客人头有效的避开了人体识别这一难点,因为人头更类似于一个刚体且彼此之间的遮挡概率更小。本文采用梯度方向直方图作为人头特征描述子,线性支撑向量机作为学习算法建立关于人头的线性目标分类模型。线性目标分类模型再结合多尺度检测窗口滑动搜索的机制将输入图像从原始空间映射到新的空间中,转换为分值映射图像,分值映射图像经过一些简单的处理即可容易的实现人头检测。 本文的人头跟踪技术在粒子滤波器的整体框架下采用了目标检测指导目标跟踪的机制,稳定的捕获了人头目标的运动轨迹。最后通过对运动轨迹进行分析,判断出乘客的行为方式,继而实现客流量的自动统计计数。 实验结果表明本文提出的客流量统计算法能有效的抵抗外界条件变化的干扰,具有较高的统计准确度。

12,807

社区成员

发帖
与我相关
我的任务
社区描述
CSDN 下载资源悬赏专区
其他 技术论坛(原bbs)
社区管理员
  • 下载资源悬赏专区社区
加入社区
  • 近7日
  • 近30日
  • 至今
社区公告
暂无公告

试试用AI创作助手写篇文章吧