目录
摘要 (i)
ABSTRACT (ii)
第一章绪论 (1)
1.1 研究背景和意义 (1)
1.2 监控视频中行人检测技术概述 (2)
1.2.1 智能监控技术现状 (2)
1.2.2 行人检测技术现状 (3)
1.2.3 技术路线 (5)
1.3 本文的主要工作与结构 (6)
1.3.1 主要工作 (6)
1.3.2 文章结构 (8)
第二章基于积分通道特征的行人检测 (10)
2.1 引言 (10)
2.2 积分通道特征 (10)
2.2.1通道图像的变换方式 (10)
2.2.2 积分通道特征的提取 (11)
2.3分类器的训练 (12)
2.3.1 级联AdaBoost分类器 (12)
2.3.2 标准训练集及训练过程 (14)
2.4 基于积分通道特征的行人检测 (15)
2.4.1 基于FPDW的尺度优化 (15)
2.4.2 检测结果的非极大值抑制 (17)
2.4.3 行人检测分类器的评价 (17)
2.5 实验结果与性能分析 (18)
2.5.1 检测器性能 (18)
2.5.2 检测速度 (19)
2.5.3 不同环境下的行人检测效果 (19)
2.5.4 实验分析 (22)
2.6 本章小结 (23)
第三章基于样本权重退化控制采样的离线训练方法 (24)
3.2 训练样本的处理方法介绍 (25)
3.2.1 基于Online Boosting的流式样本训练方法 (25)
3.2.2 基于Bootstrapping的困难训练样本重采样 (26)
3.2.3 基于Weight Trimming的训练样本裁剪 (27)
3.3 基于权重退化控制采样 (28)
3.3.1 抽样过程 (28)
3.3.2 抽样控制 (29)
3.3.3 WLCS加速训练过程 (31)
3.4 实验结果与分析 (33)
3.4.1 负样本训练集的多样性和容量 (34)
3.4.2 样本更新时机的影响 (34)
3.4.3 基于不同阈值 的实验结果对比 (35)
3.4.4 实验结果对比 (36)
3.5 本章小结 (36)
第四章视频中的行人检测方法 (38)
4.1 引言 (38)
4.1.1运动区域先验 (38)
4.1.2 运动特征融合 (38)
4.1.3 行人运动特性 (39)
4.2 运动检测方法概述 (39)
4.3 基于改进ViBe算法的运动检测 (40)
4.3.1 整体框架设计 (40)
4.3.2 基于MTP的背景初始化 (41)
4.3.3 前景提取及背景模型更新 (42)
4.3.4 后处理 (43)
4.4 基于运动先验信息的行人检测 (43)
4.4.1 运动区域块分析 (43)
4.4.2 基于运动先验信息的特征提取 (44)
4.5 实验结果与分析 (46)
4.6 本章小结 (47)
第五章监控视频中的行人检索 (48)
5.1 引言 (48)
5.2 基于颜色直方图的图像检索技术 (49)
5.2.2 颜色直方图特征 (51)
5.2.3 相似度计算 (52)
5.3 行人数据的结构化存储与检索 (53)
5.3.1 行人目标的颜色直方图提取 (53)
5.3.2 行人检测结果的数据关联 (53)
5.3.3 行人目标数据结构化存储与检索 (54)
5.4 实验分析 (55)
5.5 本章小结 (58)
结束语 (59)
致谢 (61)
参考文献 (62)
作者在学期间取得的学术成果 (67)
表目录
表2.1 AdaBoost分类器训练过程 (13)
表3.1 Online Boosting流程 (25)
表3.2 Bootstrapping过程 (26)
表3.3 基于Weight Trimming裁剪训练样本 (27)
表3.4 基于WLCS的AdaBoost分类器训练流程 (32)
表4.1 不同场景下不同检测方法的性能对比 (46)
图目录
图1.1 基于行人各部位几何关系的DPM算法示意图[29] (4)
图1.2 文章结构图 (8)
图2.1 一幅行人图像的10个通道的特征图 (11)
图2.2 两层决策树弱分类器 (13)
图2.3 确定图像中行人目标大小的解决方案 (15)
图2.4 行人检测的NMS过程 (17)
图2.5 在INRIA数据集上的性能测试和对比 (18)
图2.6 不同类型图像的检测时间对比 (19)
图2.7 行人之间遮挡比较严重的情况下的检测 (19)
图2.8 行人从路灯下走过时，在不同光照强度下的检测效果 (20)
图2.9 在不同程度高斯噪声影响下的行人检测效果 (20)
图2.10 摄像机在不同俯仰角下拍摄图像的行人检测效果 (21)
图2.11 在行人姿态变化比较剧烈的情况下的行人检测 (22)
图3.1 行人检测训练集（INRIA） (28)
图3.2 基于权重退化控制采样的分类器训练过程 (31)
图3.3 改变样本数量和样本多样性对最终分类器训练的影响 (34)
图3.4 不同样本更新方式的训练效果 (34)
图3.5 基于不同阈值下的训练效果对比 (35)
图3.6 WLCS与Dollar采用的原始方法的训练效果对比 (36)
图4.1 基于改进ViBe算法运动检测的流程图 (40)
图4.2 背景建模过程效果 (41)
图4.3 对运动检测结果的后处理 (43)
图4.4 基于运动先验信息的图像分块金字塔 (44)
图4.5 基于运动先验信息的积分通道特征提取 (45)
图4.6 不同场景下1080P高清监控视频的检测效果对比（其中绿色框为基于图像的检测结果，蓝色框为加入运动先验信息后的检测结果） (46)
图5.1 监控视频中行人检测与检索的框架设计 (48)
图5.2 RGB模型和HSV模型示意图 (50)
图5.3 实验监控视频的行人检测效果（以上是其中数帧的检测结果图） (55)
图5.4 (a)经过数据关联后的最终检测结果(b)视频中实际出现过的行人 (55)
图5.5 在最终的行人数据库中进行行人检索的结果 (57)