行人检测与跟踪研究内容及结构安排

行人检测与跟踪研究内容及结构安排

本文在阅读大量文献的基础上并结合当前行人检测与跟踪技术的研究现状，主要做了以下几方面的研究：

行人检测方面：

（1）提出一种二维显著性纹理算子TS-LBP(Two-dimensional Significant Local Binary Pattern)，将带有噪声门限的CS-LBP特征与带有阈值的显著性算子LST相结合，使得图像的纹理特征及局部显著性特征同时包含其中，取得较好的抗噪声性能。

（2）提出了一种基于感兴趣区域内颜色特征和显著性纹理特征相融合的行人检测算法，并通过Adaboost分类器进行行人检测实验。这种检测算法避免对整幅图像全局扫描，运行速度快，鲁棒性高。

行人跟踪方面：

（1）提出一种局部显著性纹理算子SLBP(Significance Local Binary Patterns)又能够有效的体现图像的显著性纹理特征，能够反映目标区域内显著性比较及其纹理特征，能够有效的降低背景等外界物体的干扰。

（2）传统的基于单一颜色特征的MeanShift算法易受外界干扰，且一旦颜色特征跟踪失效将不能够对目标继续跟踪。将颜色特征与纹理特征相融合的方法能够更全面的描述目标特征，并且如果某一特征跟踪失效时可以利用另一特征继续对目标进行跟踪。由于背景干扰、光线变化等原因，跟踪过程中颜色特征与纹理特征不可能是同等重要的，因此本文提出了自适应的调整颜色特征与纹理特征的权重。同时，利用卡尔曼滤波器来预测行人的运动轨迹，可以有效节省跟踪目标所需要的时间。

本文章节的结构安排

本文共分为六章，各章节内容如下：

第一章绪论。介绍了本文的选题背景和意义，综述了目前国内外行人检测与

跟踪技术的研究现状，最后介绍了本文的主要研究内容和各章节安排。

第二章行人检测与跟踪算法中相关理论知识。阐述常用的描述物体特征的

方法，并介绍了图像增强的相关知识以及 AdaBoost 算法和支持向量机算法。第三章基于改进 LBP 特征的行人检测。针对传统的 LBP 算子只考虑了中心

像素点与邻域象素点之间的大小关系，没有加入它们之间的对比度，提出了复合局部二值模式(CLBP)，将中心像素点与邻域象素点的对比度信息加入到 LBP 算子中，CLBP 特征算子对图像噪声和光照变化不太敏感，在光照条件不足场景中对行人有较强的描述能力。结合 SVM 分类器进行行人检测，检测结果证明该算法在光线不足的环境中能达到高效检测行人的目的。

第四章基于改进 AdaBoost 的双层行人检测算法。本章针对分类器的退化问

题和正负样本数量不均衡问题，对 AdaBoost 算法中权重的更新规则进行改进，并对正负样本进行权重归一化，来解决训练样本不平衡问题，算法改进后训练的

AdaBoost 分类器作为第一层进行行人初检。第二层在改进的 AdaBoost 算法检测

行人的基础上加入级联形式的 SVM 分类器，对 AdaBoost 存在的误检进行剔除。第五章基于改进 Camshift 的行人跟踪算法。针对传统 Camshift 算法中背景颜色信息与跟踪目标颜色信息相近时容易出现跟错现象，提出改进的 Camshift 算法，把颜色特征的空间信息引入到 Camshift 算法中，将颜色空间特征反向投影成图像的颜色-空间概率分布图，在模板更新匹配中提出新的模板更新策略，改进后的算法有效地降低背景与跟踪目标颜色相近时对目标跟踪的干扰。

第六章结论。对本文研究内容和创新点进行总结，并对行人检测与跟踪技

术的研究方向进行下一步展望。