复杂环境下的快速人头检测系统的设计与实现

【摘要】：随着现代科学的发展与进步,人工智能在节省资源、提高效率、保证安全质量等方面有了出色的表现,被广泛应用在各个领域。在人工智能中,机器视觉是研究的一大热点,尤其是在安防方面起到了重要作用。目前行人检测跟踪、人脸检测、表情分析、姿态估计等技术也日趋成熟,各种检测算法相继被设计出来。因为人体在复杂场景下,很容易受到光照、纹理的影响,并存在不同程度的遮挡、变形,相对来说,而人头含有十分丰富的特征信息,并且极少被长时间遮挡或变形,所以人头检测为实现实时性的目标检测、跟踪、计数提供了一个实用的研究方向。人头检测是指在静态或序列图像中对人头进行识别与定位,本文在研究国内外技术发展和相关文献的基础上提出了两种基于统计学习的人头检测方法,分别是基于特征分类器的检测方法和基于卷积神经网络的检测方法。基于特征分类的目标检测方法已发展的比较成熟,但人们往往需要在检测准确率与检测速率之间做好权衡。在本文提出的基于特征分类的检测中,我们选取NR-LBP与HOG特征搭建级联分类器,对待检图像进行双层检测,在保证检测准确率的前提下,满足实时性的需要,实验证明该方法对光照具很好的鲁棒性。在基于深度卷积神经网络的检测方法中,文章通过设计一个七层神经网络进行特征提取与分类。卷积神经网络中层次之间的紧密联系和空间信息使得其特别适用于图像的处理和理解,尤其在特征分类中,能够自动的从图像中抽取出丰富的相关特性。实验证明,该方法对图片旋转、平移、变形具有比其他算法更为出众的鲁棒性,检测结果准确、可靠。通过提供两种思路的基于统计学习的人头检测方法,文章比较好的保证了准确率与实时性的同步实现,基本能够满足市场对人头检测的要求。
【关键词】：人头检测 级联特征分类器 深度卷积神经网络
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.41