基于深度图像的行人检测、跟踪技术研究_周波_2014

1、应用背景
智能交通、机器视觉、智能监控、计算机辅助驾驶等领域

2、本文特点
1）通过基于距离信息的分割方法确定目标所在的区域（感兴趣区域），可以有效的去除深度图像中的背景信息，这样可以提高算法的检测效率。每幅图检测的时间再15-100ms之间，达到实时性的要求。
2）通过先计算深度图像积分图方法，降低HOG计算复杂度，提高算法的时效性。基于深度图像的行人头肩HOG特征方法对行人进行检测。
3）均值偏移算法作为目标跟踪中最常用的算法，首先分析目标，建立目标模型，然后在后续帧中，建立待测模型；通过比较目标模型和待测模型的相似度函数Bhattacharyya系数，经过多次迭代后，最终达到一个比较理想的结果，完成对目标的跟踪。改算法解决了传统跟踪算法在跟踪人体时，当人体移动速度过快，被跟踪人体容易丢失的问题。

3、运动目标检测方法
1）帧差法
将相邻两帧图像或相隔几帧的图像的像素值作差，然后用阈值化方法提取运动区域。
缺点：对光照变化不敏感，容易造成漏检。
2）背景差法
该算法用当前帧图像和背景图像相减来检测运动目标的区域，若得到的差值大于阈值就认定为目标存在，反之就认定没有运动目标。缺点：需要对背景图像进行不断的更新。
3）统计学方法
该方法是基于像素的统计特性，从背景信息中提取运动目标信息。获取背景像素的统计信息，建立一个高级的背景模型，比较当前背景模型的统计值，将像素点划分为前景或者背景。
4）其他
基于立体视觉方法、基于形状的方法、基于运动的方法、神经网络等行人检测技术。

4、目标跟踪方法
1）特征匹配法
该算法的基本算法思想是取当前目标的特征信息，并在后续帧中寻找该特征，特征寻找的过程就是匹配过程。特征点的提取方法很多，如:Harris, KLT. SIFT等算法。
2）贝叶斯跟踪
用随机过程采描述目标运动过程。贝叶斯滤彼就可以通过随机过程来描述，这其中最有名的当前Kalman滤波。Kalman滤波中的预测机制能准确预测运动目标在下一时刻出现的位置，在导弹的目标跟踪应用中有着很好的结果，现在Kalman滤波器在运动目标跟踪领域得到广泛应用。Kalman滤波
用于预测目标出现的位置，减少在特征匹配过程中的目标区域的搜索范围，提高算法的运行速率，而且跟踪的效果也比较理想。
3）核方法
该方法基本思想是对相似度概率密度函数直接的连续估计。核方法通常用彩色直方图作匹配特征。Meanshift算法是最具代表性的核方法。
4）多特征融合跟踪
该方法基本思想是利用多特征来描述目标。

5、行人检测、跟踪相关技术
图像获取，图像降噪、阈值分割、特征提取、特征统计、特征分类、目标跟踪
1）图像降噪方法：
空域滤波器中的平滑滤波，平滑滤波器可以减少甚至消除傅里叶空间中高频分量的存在，且不会破坏低频成分。
i 高斯滤波器：一种线性平滑滤波，根据高斯函数形状选取不同的权值。高斯滤波能在抑制噪声的同时较好的保留了图像基本信息。
ii 均值滤波：也称线性滤波，一个像素点选择一个有邻近的像素组成模板，其邻域用s表示，求模板中像素中的平均值。
iii 中值滤波：非线性平滑滤波，即用某邻域窗口中的所有像素点灰度值的中值替代该点像素值。
开关中值滤波：把图像中所有的像素按照特定判别标准划分成信号点S、噪声点N，再把信号点与噪声点分开处理:保持信号点原值不变;噪声点由其邻域的中值取代。
iv 自适应阈值中值滤波：
图像中灰度梯度空间反应各部分的灰度变化，设定阂值T，对图像中大于闭值T灰度梯度值的特征点，用能保留边界信息的模板进行平滑处理，反之则用邻域平均模板平滑图像。
2）基于差分的目标分割方法：
3）目标特征表示方法：
Haar小波矩形特征
SIFT特征
HOG特征
4）行人检测分类器
Adaboost分类器：
Adaboost算法是一种自适应的Boosting算法。Adaboost算法是将许多弱分类
器按照一定的规则整合成一个强分类器的算法。即使一个简单的弱分类算法通过不断的训练自我提升过程。
Boosting算法
SVM分类器：建立在统计学习理论的VC维理论与结构风险最小化原理基础上的。
5)运动目标跟踪方法：
卡尔曼滤波Kalman
均值漂移跟踪方法

6、基于深度图像的行人检测、跟踪算法实现
本章的具体安排是:
（1）首先要用Kinect通过OpenNI接口程序获取深度图像，并用获取的图像建立样本库。通过SVM分类器训练样本得到检测所需的分类器。
（2）接下来用自适应值的均值滤波方法对图像进行预处理
（3）对预处理之后的图像用基于距离阂值分割的方法确定运动目标所在的感兴趣区域。
（4）继而提取目标的HOG特征，通过前面训练好的分类器对这些目标特征进行分类，从而完成行人检测。
（5）在检测基础上用meanshift方法对目标进行跟踪。