人体运动的检测与跟踪

人体运动的检测与跟踪

马德强[1]2008年在《视频监控中的人体检测与跟踪技术研究》文中研究说明视频监控中的人体检测与跟踪技术是当前计算机视觉和模式识别领域的一个重要研究方向。由于公共场所中对安全智能监控系统的要求越来越高,多家知名公司和科研机构对此都投入了大量人力财力,可以预测此课题在未来研究领域中将有广阔的前景并能带来巨大的社会效益。针对公共场所中的摄像机网络,本文构建了一个基于视频序列的运动人体检测与跟踪系统,包含了四个方面的内容:运动目标检测,单目摄像机内的人体跟踪,人脸检测和摄像机网络中的人体跟踪。首先是利用运动信息检测出运动的前景区域,然后对单个摄像机采集的视频序列的前景目标区域进行跟踪,为了判定所跟踪的区域是否为人体,对已跟踪的目标序列进行人脸检测,如果能够检测到人脸,则将该目标判定为人体,同时人脸检测还确定了人脸识别所需要的区域,最后对多个摄像机中检测到的人体和人脸区域进行信息融合,实现摄像机网络中的人体跟踪。在运动目标检测中,研究了静态和动态两种场景下的背景消减算法。室内环境(静态场景)下采用单高斯模型,而室外环境(动态场景)下采用混合高斯模型,有效地完成运动目标的检测任务,同时利用失真模型解决了运动阴影问题。针对单目摄像机,比较了叁种流行的目标跟踪算法:基于连通区域、基于Mean Shift和基于粒子滤波器的跟踪算法,最后提出了一种融合叁种算法优点的算法。在没有遮挡的时候,采用快速的基于连通区域的算法;而存在遮挡时,采用融合Mean Shift的粒子滤波器算法,即在粒子滤波器框架下,对每个粒子采用Mean Shift算法进行跟踪,这样大大减少了处理的时间,同时提高了跟踪的精度。为了判定所跟踪目标是否为人体,同时定位人脸识别所需的人脸区域,研究了人脸检测算法。不同于传统的人脸检测,本文针对视频监控中人体图像分辨率较低的特点,采用了人体上半身的局部信息(人脸区域、人的肩部、头部)进行检测的方法。提取上半身的Harr特征,利用Adaboost算法完成训练和检测。本文将摄像机网络中的人体跟踪问题简化为人体的识别问题。视频监控中的人体图像较为模糊,使得流行的识别算法性能会大大下降,本文提出一种新的算法,首先,提取人脸的Gabor特征和衣服的颜色直方图,然后计算目标和候选的相似度,通过SVM融合两种特征的相似度,最终实现对人体的识别。实验结果表明,本文提出的框架可以有效地完成人体的检测与跟踪任务。

黄绿娥[2]2008年在《基于机器视觉的人体运动目标智能监控系统设计与研究》文中研究表明基于机器视觉的运动目标的检测与自动跟踪融合了图像处理、模式识别、人工智能、自动控制以及计算机等多学科领域的先进技术,在机器人视觉、可视预警、机器导航、交通管理、多媒体教学、人机交互及重要场所安全监控等领域有着广泛的应用。随着社会对安全要求的日益重视和提高,安全监控越来越重要。本文主要研究如何在复杂的运动环境下检测与自动跟踪运动人体目标,使运动目标一直处在运动摄像机的监视范围内。研究主要分两个部分:一、通过图像处理检测出运动目标在图像中的位置;二、通过步进电机及其驱动器,控制摄像头自动跟踪运动目标的闭环模糊控制部分。首先综述了课题的国内外研究发展状况,总结和分析现有运动目标检测与跟踪的基本工作原理及难点。通过对已有的多种自动跟踪监控系统方案的比较,提出并设计了云台硬件及软件系统,硬件主要由步进电机及其L297/L298驱动器、基于P89V51单片机的控制器和RS-232串口通信等组成,软件主要通过MODBUS协议实现云台与PC机串口通信。用该系统控制云台上的摄像头按检测到的目标位置方向和角度旋转。图像处理部分是能否检测到目标及其位置的关键。首先是进行图像的采集,目标分割与提取进行如:中值滤波、二值化、数学形态学处理、边缘检测等,推荐了一种新的边界检测函数,能得到比Canny算子检测更清晰及去噪效果更好的图像边缘。接着是图像的识别与跟踪,通过对当前运动跟踪应用比较广泛的MeanShift算法的分析,为满足实时性及全自动跟踪的要求,用改进的Surendra算法不断更新背景以提取目标模板,同时提出了一种通过两帧相同运动区域来减少匹配范围的快速模板匹配算法。在图像的检测与跟踪系统中采用闭环控制的思想,建立云台跟踪控制模型,首先对摄像机坐标系与图像坐标系进行了转换。考虑到人体目标运动的随机性、非线性及要求采集到图像的稳定性,通过与PID控制比较,设计了模糊控制器。本文设计的运动摄像头自动跟踪运动人体目标系统现已运行在实验室环境下。

潘成[3]2006年在《运动人体的检测与跟踪方法研究》文中认为运动人体的检测与跟踪是人运动分析的重要内容,也是计算机视觉研究的重要领域之一。在智能安全监控、高级人机接口、人体运动细节分析等方面有着广泛的应用前景和经济价值。 本文构建了一套运动人体的检测与跟踪系统,从运动目标检测、人体识别、人体跟踪叁个方面,针对固定单摄像机采集的长图像序列进行了分析处理,能够实现人体运动的检测与跟踪。 本文的主要工作如下: 1、提出了一种改进的背景模型初始化方法,在图像序列存在人体目标时也可以准确提取出背景模型;在发生光线渐变的情况下提出了一种改进的背景模型更新机制;在发生光线突变的情况下,采用边缘检测方法有效地解决了这一问题。 2、在运动人体跟踪阶段,构建了一个叁次型非线性的识别置信度函数,采用基于人体多特征值匹配的方法进行人体跟踪。在人群发生分裂和融合的情况下,提出了一种“分块灰度统计”方法有效地进行目标融合分裂前后的跟踪。 3、用VC++6.0建立了运动人体的检测与跟踪系统,将人体检测与跟踪涉及的多个功能模块集成于一个友好的用户界面下。可以对课题涉及的图像处理、模式识别等领域的知识进行实现,得出实验结果。

张爱丽[4]2008年在《基于单目视觉机器人的运动人体检测与跟踪研究》文中进行了进一步梳理运动人体的分析技术是机器人视觉领域的重要课题之一,也是机器人智能化的重要标志。运动人体的检测与跟踪就是实时地检测、识别和跟踪人体,并对其行为进行理解和描述。其中,检测、识别与跟踪是底层视觉问题,行为理解和描述是高层视觉问题。本文主要研究了基于单目视觉的运动人体检测与跟踪等底层视觉问题,利用Pioneer 3-DX机器人平台,对环境中的运动人体加以检测并识别,进而完成跟踪。在论文中,首先介绍了运动人体检测与跟踪的研究背景、意义、典型应用及发展现状。然后介绍了Pioneer 3-DX机器人平台的结构,重点介绍了其上加载的两个传感器:单目摄像机和激光测距仪及其原理。最后重点研究了运动目标检测算法及环境内运动人体的实时检测与跟踪。本文以得到有效的跟踪效果为主要目标,重点分析了检测算法、人体的识别和实时避障跟踪叁个方面。在检测算法上,本文给出了基于帧间差分和区域生长的运动目标检测算法,有效地精确和简化了跟踪区域。通过人体高度和宽度比值、头高和高度比值以及人体面积先验知识等特征相结合,识别出环境中运动着的人体。最后为了配合实时跟踪,利用激光测距仪的感知-行为式策略进行避障,同时本文对于摄像机转角和机器人运动控制也做了描述。通过跟踪结果可以看出,机器人完成了有效的实时跟踪。

张继霞[5]2007年在《智能视频监控中人体的检测与跟踪研究》文中指出智能视频监控是计算机视觉领域一个新兴的应用方向和备受关注的前沿课题,是计算机科学、机器视觉、图像工程、模式识别、人工智能等多学科高技术的结晶。计算机智能视频监控是在不需要人为干预情况下,利用计算机视觉和视频分析的方法对摄像机拍录的图像序列进行自动分析,实现对动态场景中目标的定位、识别和跟踪,并在此基础上分析和判断目标的行为,得出对图像内容含义的理解以及对客观场景的解释,从而指导和规划行动。目前,计算机智能视频监控在理论和应用上都面临着很多难题,国内外大批学者投身于该领域的研究和探索,并且取得了大量的成果。本文是在这些成果的基础上,系统研究了智能视频监控中人体目标的检测,分割和跟踪方面的理论和方法。在运动目标检测方面,本文首先对当前的运动目标检测技术进行了综述,详细的介绍了几种常用的目标前景检测方法,并对检测的性能进行评价;然后在帧间差分和双向投影研究的基础上,采用一种基于均值统计的自适应阈值方法来确定投影的分割点,比较好的完成了对视频图像中人体运动信息的提取。在运动人体的定位与分割方面,以人体的头部研究为出发点,对常用的行人目标中人体头部检测和特征的提取方法进行了介绍,在垂直安装摄像头的基础上,针对人体头部运动信息的骨架轮廓具有近圆形(圆弧)这一关键特征,采用了Hough变换算法,提出了一种基于曲线连续特征的Hough多圆检测方法来实现多目标头部定位的算法,能准确的对多个人体的头部进行定位,进而得到人体目标的位置。在人体跟踪方面,对Mean Shift算法基本原理及Mean Shift算法在目标跟踪中的应用进行了详细介绍;分析了Mean Shift算法对快速目标跟踪的不可靠性,考虑使用目标的运动信息和空间色彩信息,本文采用了卡尔曼滤波和Mean Shift算法相结合进行目标的跟踪处理,丰富了对已知信息的使用,增强了跟踪效果。

舒恒[6]2008年在《基于视频的人体运动检测与跟踪》文中研究指明运动人体的检测与跟踪是计算机视觉研究的一个重要领域。本文对静止背景下视频序列中的运动人体检测和跟踪方法进行了研究。重点研究了静止的单摄像机所拍摄的视频中运动目标的检测,运动目标的阴影抑制以及运动目标跟踪等方面。论文主要研究内容如下:首先介绍了运动检测技术,讨论现有的背景建立和更新算法,在背景减法进行目标检测的基础上实现了一种基于YUV彩色空间的实时阴影抑制算法,二值化后通过形态学方法和连通区域分析,最后完成运动目标的检测。为了从目标检测算法检测出的前景点集中,把目标完整地分割提取出来,从而获得关于各前景目标的特征描述,本文依据目标的空间连续性,采用了数学形态学处理和连通区域检测算法以去除噪声和填补孔洞,并结合单高斯模型获取背景估计图像的特点,在兼顾减少噪声和保持目标完整的前提下,通过实验分析了背景消减后提取前景点的合理阈值,从而获得理想的目标背景的二值图像。在人体跟踪方面,分析了Mean Shift算法对快速目标跟踪的不可靠性,考虑使用目标的运动信息和空间色彩信息。在前面目标检测和分割的基础上,本文采用了卡尔曼滤波和Mean Shift算法相结合进行目标的跟踪处理,丰富了对已知信息的使用,增强了跟踪效果。

季丽红[7]2007年在《图像序列中人体运动的检测和跟踪》文中研究表明目前,在视频分析和处理过程中,运动物体的实时检测和轮廓跟踪作为计算计视觉分析识别的基础,已变得越来越重要。运动人体的检测与跟踪更有着广泛的应用价值,尤其是在全球日益关注安全问题的时代,基于计算机视觉的安全监控系统既能够高效地保障安全任务,又能节省大量的人力物力。运动人体包括人体的局部运动和人体全身运动两个部分。本文就这两个部分检测与跟踪分别作了研究。本文研究了手部轮廓与手势的实时跟踪方法。首先改进了传统的射线矢量法表示物体形状的方法,并结合拆分法和聚合法对单帧图像进行分割以得到完整而准确的手部曲线,然后在相邻帧之间采用了Kalman滤波器估计帧间手部运动的轨迹来实现运动跟踪过程。该方法很好地克服了传统射线矢量法无法表示形状的缺陷,能够准确地跟踪手部各种手势的运动。本文对人体全身运动的检测与跟踪提出了基于背景差分和SNAKE主动轮廓模型的运动人体自动跟踪算法,该方法首先通过背景重建方法取得背景,再利用背景差分法检测出运动人体。然后对检测结果进行角点检测,搜索出运动人体的外接矩形,将运动人体定位,同时将此外接矩形作为snake主动轮廓模型的初始轮廓,实现了snake模型的自动化过程。最后将Snake模型通过能量最小化过程形变收敛到人体的轮廓,将当前帧得到的人体轮廓作为下一帧snake的初始轮廓,反复直至所有帧结束,可以得到完整视频图像运动人体的轮廓。但是由于snake的收敛过度依赖于初始轮廓的位置的缺点,本文增加了光流估计来预测帧间特征点的位移,使跟踪算法更加鲁棒。

徐剑晖[8]2009年在《基于感兴趣区域的运动人体检测与跟踪》文中认为近几十年来,随着计算机技术和图像处理技术的发展,目标检测及跟踪系统广泛运用于各领域。人们对视频序列中运动目标的检测与跟踪作了大量而深入的研究,提出了各种行之有效的方法,其中运动人体的检测与跟踪由于在智能监控领域的应用前景和潜在的经济价值成为研究的热点课题之一。本文首先综述了课题的研究背景和意义,并简要介绍了一些基于视频图像的检测和跟踪系统,再分析了目前国内外提出的人体检测与跟踪方法,并进行了比较。针对该课题在人体目标检测和跟踪方面的难点,重点对如何选取有效的人体感兴趣区域作为跟踪目标以及如何对该目标区域作后续跟踪两方面的内容进行了研究。在目标检测方面,根据背景减除法获取完整的运动人体区域,进一步提出了运动人体感兴趣区域(Regions of Interest,ROI)的自动检测方法。该方法利用图像显着图算法成功模拟了人眼视觉系统对运动人体注视点的形成过程,并基于多注视点的联合显着区域自动检测形成相应的运动人体ROI。实验结果表明,这是一种稳定可靠的人体ROI自动检测方法,检测出的区域符合人眼观察运动目标时的视觉关注区域,可运用于后续基于区域颜色特征的运动人体跟踪系统。在目标跟踪方面,结合SSD跟踪器和Mean-Shift跟踪器各自的优点,提出了一种基于感兴趣区域的SSD-MS联合跟踪器。针对人体目标的快速运动、尺度变化、遮挡等情况,采用了卡尔曼滤波器进行状态估计。特别是对部分遮挡情况,利用人体ROI自动检测过程中得到的联合显着点进行跟踪区域内的多窗口Mean-Shift跟踪,有效解决了目标在遮挡情况下的跟踪。通过一系列运动人体视频序列的实验测试,表明自动检测出的运动人体感兴趣区域在配合SSD-MS联合跟踪器的条件下,能够有效地完成运动人体在快速运动、尺度变化、遮挡等情况下的跟踪。

曲云腾[9]2010年在《人体运动目标视觉监控系统的研究与实现》文中研究表明基于视觉图像的人体运动目标的智能监控,融合了图像处理、模式识别、人工智能和计算机控制等多学科领域的先进技术,在机器人视觉、可视预警、智能交通、多媒体教学以及重要场合的安全监控领域得到广泛的应用。同时,运动目标的检测、识别和自动跟踪问题具有很高的学术价值和理论研究意义,已经成为近年来国际上研究的热点问题之一。本文对复杂环境下,基于视觉图像的人体运动目标的图像预处理、检测提取、匹配识别和自动跟踪进行了深入地分析与研究,将理论研究、仿真分析和实验测试叁者有机结合,相互补充,为人体目标视觉监控系统的研究与实现打下了良好的基础。本文的主要内容如下:1.视觉监控系统平台的方案设计和硬件搭建。首先综述了课题的国内外研究和应用现状,总结和分析了现有视觉监控应用中的关键点与难点,并结合系统总体设计方案,通过对现有的视觉监控系统方案的分析比较,设计并搭建了基于云台与解码器的监控系统平台。2.图像预处理和运动目标检测提取的研究与实现。主要研究了图像变换、滤波去噪和基于直方图均衡化的图像增强处理的原理和实现,在运动目标检测提取中,本文提出了一种新的基于“全景图”的背景更新算法,理论分析与实验测试结果都表明,该方法能够准确地实现复杂背景更新,运算量小,实时性强。然后本文对目标图像进行了二值化、形态学和边缘检测处理,以实现运动目标的分割与提取。3.人体目标匹配识别与自动跟踪的研究与实现。本文采用了基于人体特征的匹配方法,通过对特征的选择、提取和特征识别规则的制定,实现了人体目标的识别。在图像检测与跟踪系统中,采用了闭环控制的思想,以目标质心坐标为反馈量,提出了一种基于约束区域的云台控制策略,并设计模糊控制器,构造云台的模糊控制规则,实现目标的自动跟踪。最后,为实现快速跟踪,本文采用了Kalman预测进行目标运动估计,仿真分析与实验测试都验证了该方法的可行性。4.视觉监控系统的软件实现与实际应用。基于以上理论研究与实验测试分析,在Windows平台框架下,本文主要实现了VFW视频捕获、BMP数据加载和MsComm串口通讯建立,并结合实际应用,设计开发了“地下车库安防监控系统”和“多媒体视频教学系统”,装置稳定,通用性强,现已运行于实验室测试环境下。

于海滨[10]2007年在《基于头部特征提取的人体检测与跟踪及其应用》文中研究指明人体检测与跟踪是视觉人体运动分析的重要组成部分,在视频会议、医疗诊断、高级人机交互、智能视频监控、虚拟现实以及基于内容的图像存储与检索等方面都具有广泛的应用前景和潜在的经济价值。在人体检测与跟踪技术的部分应用领域中,如智能监控、客流检测等,由于图像采集设备的安装位置受到限制或为了尽可能避免人体间的相互遮挡等原因,只能获取检测区域的俯视图像(Vertical View Image)。在这类图像中人体的各个部位当中只有头部(尤其是头顶部)体现的较为完整,头部的俯视信息(如人体头顶部轮廓,头顶部区域颜色分布等)是唯一可以用来区分多个人体目标的特征。因此,头部特征的选择与提取就成为俯视图像中人体检测与跟踪的关键环节。本文紧密围绕复杂环境中的俯视图像人体检测与跟踪问题提出了借助局部人体运动估计人体整体运动的基于头部特征提取的局部人体检测与跟踪方法。同时为了在低端嵌入式平台上实时获取人体头部特征,提出了基于改进Hough变换的头部轮廓特征提取方法和基于目标视差获取的头部深度和透视特征提取方法,并将它们用于实现具有较高准确率要求的实时人体检测与跟踪系统。为了采用复杂度较低的算法准确的提取出俯视图像中的人体头部轮廓特征,最大程度的降低误识别和漏识别的可能性,本文在对目前工程中使用最为广泛的两种改进Hough变换进行比较后选取借助边缘梯度方向对圆心轨迹进行映射的GHT方法作为提取头部类圆轮廓的主要手段。同时,为了进一步降低GHT的时间消耗并且使得GHT能够提取出与人体头部轮廓曲线拟合最好的圆形轮廓,在保留GHT参数空间映射机制的基础上对GHT的参数空间累积过程和候选圆的确认过程进行了进一步的改进,提出了针对形变较大的头部类圆轮廓检测的TGHT算法和基于视知觉分组理论的最优拟合轮廓提取方法。算法的性能测试以及实验结果均表明基于TGHT的头部轮廓特征提取方法兼顾准确性与实时性,可以在有较高准确率要求的人体检测与跟踪领域获得实时的应用。针对基于头部轮廓特征提取的单目视觉头部识别方法面临的无法从多个与头部相似的类圆区域中正确的区分出所有头部区域的困难,本文在头部轮廓特征提取的基础上采用目标视差法获得候选头部区域的视差,并将头部区域视差与深度的对应关系以及头部区域的尺度与视差的透视比例关系作为头部区域的3D特征对候选头部区域进行确认判决以进一步提升头部识别的准确率。实验结果表明,由于去除了大量与头部区域相似的类圆区域形成的虚假头部区域,因而与基于头部轮廓特征提取的单目视觉头部识别方法相比,基于头部深度和透视特征提取的立体视觉头部识别方法具有更高的头部识别准确率。为了在头部识别基础上利用运动检测和基于头部特征提取的局部人体跟踪方法完成俯视序列图像中的人体检测与跟踪,本文在基于头部特征提取的单帧图像头部识别方法基础上提出基于序列图像运动检测的边缘背景减法和基于Kalman预测以及头部区域轮廓特征帧间匹配的头部跟踪算法。本文最后依据采用的头部特征提取方法的不同提出了基于低端DSP平台的两种嵌入式视觉人体检测与跟踪系统的实现方案,并分别给出了基于头部轮廓特征提取的单目视觉人体检测与跟踪系统应用于公交客流检测现场实验的实验结果和两种基于头部特征提取的视觉人体检测与跟踪方法应用于相同的仿真图像序列的比较结果。

参考文献:

[1]. 视频监控中的人体检测与跟踪技术研究[D]. 马德强. 浙江大学. 2008

[2]. 基于机器视觉的人体运动目标智能监控系统设计与研究[D]. 黄绿娥. 北京交通大学. 2008

[3]. 运动人体的检测与跟踪方法研究[D]. 潘成. 广西大学. 2006

[4]. 基于单目视觉机器人的运动人体检测与跟踪研究[D]. 张爱丽. 哈尔滨工程大学. 2008

[5]. 智能视频监控中人体的检测与跟踪研究[D]. 张继霞. 大连理工大学. 2007

[6]. 基于视频的人体运动检测与跟踪[D]. 舒恒. 北京理工大学. 2008

[7]. 图像序列中人体运动的检测和跟踪[D]. 季丽红. 苏州大学. 2007

[8]. 基于感兴趣区域的运动人体检测与跟踪[D]. 徐剑晖. 江苏大学. 2009

[9]. 人体运动目标视觉监控系统的研究与实现[D]. 曲云腾. 北京交通大学. 2010

[10]. 基于头部特征提取的人体检测与跟踪及其应用[D]. 于海滨. 浙江大学. 2007

标签:;  ;  ;  ;  ;  ;  ;  ;  

人体运动的检测与跟踪
下载Doc文档

猜你喜欢