论文部分内容阅读
运动人体检测和跟踪是智能监控和智能交通等应用的关键技术,有着十分重要的研究价值。应用场景的复杂性以及人的多变性对运动人体检测和跟踪技术提出了很高的要求,因此如何建立一个鲁棒性高、准确性高、实时性好、能够解决遮挡和形变问题的运动人体检测和跟踪系统是一个亟待解决的问题。本文主要在融合深度信息的基础上对运动人体的检测和跟踪方法进行研究。在人体检测方面,本文提出融合深度信息的背景减除和帧间差分相结合的行人检测方法,有效的解决了背景减除无法检测静止行人和帧间差分目标空洞的问题,将此方法应用到深度视频上,在保证实时性的同时消除光照等对结果的影响。实验表明,基于深度视频的背景减除和帧间差分相结合的行人检测方法在准确性和鲁棒性上都有大幅度的提升。在目标跟踪方面,本文研究实现基于普通图像的Tracking-Learning-Detection (TLD,跟踪-学习-检测)算法,提出使用深度信息优化TLD方法。在保证TLD算法实时性和鲁棒性的前提下,修改优化TLD算法,利用深度信息改进优化了TLD的特征点选择策略和跟踪框尺度变化策略,实验结果表明融合深度信息的TLD相比传统的TLD有更好的检测和跟踪性能。此外,本文录制建立了深度视频数据库,对视频库的静态参数进行了统计标注,并且针对深度视频中的图像噪音的去除方法进行了深入的研究,在保证实时性的前提下取得了较好的去噪效果。最后,本文设计并实现了一个实时的融合深度视频的运动人体检测和跟踪系统,实现了本文中研究的运动人体检测和跟踪方法,并验证了其可行性和有效性。