39420字硕士毕业论文基于多视觉传感器视觉的公交客流统计重要技术分析
论文类型：硕士毕业论文
论文字数：39420字
论点：视觉,传感器,跟踪
论文概述：
本课题引入了多视觉传感器，覆盖的视野足够广阔，架设方式是分别在前后门，采取垂直向下的视觉传感器和斜向下的视觉传感器，并且可以为后续工作提供进行人脸检测的可能。
论文正文：
第一章引言
1.1主题的背景和意义
随着当今世界多元化和多极化的发展，视频监控在安全领域发挥着越来越重要的作用。随着摄像机应用的日益普及，即使在复杂的监控环境中，监控的定义和范围也取得了很大的进步。在公共安全监管领域，通过监控获得的视频可用于安全防范和相关执法。例如，恐怖主义的增长和蔓延，以及最近波士顿马拉松爆炸案，使得对公共安全的视频监控变得更加重要。由于需求的不断增长，以前简单的视频监控系统已经发展成为现在的智能视频监控系统，在实时决策调整和事后分析方面与以前有本质的不同。智能视频监控系统使用计算机视觉，需要较少的技术人员介入。它利用以前设计的相关软件对视频采集设备输入的视频图像序列进行分析，实现对目标的检测、识别、跟踪及相关跟踪功能。因此，为了构建智能视频监控系统，IVSS(智能视频监控系统)可以通过在监控现场安装图像采集设备，配合相应的智能分析软件，来代替人们在监控任务中的大部分工作，从而大大减少资源和能源的配置[1，2]。智能监控在民用领域有着广泛的应用。行人流量检测统计非常活跃和有前途，在许多应用中发挥着重要作用。例如，在商场中，交通统计结果可用于获取消费者在不同城市、不同住宅区购物的时间分布信息，并调整相应的营业时间以获得更好的市场回报。在景区内，流量统计结果可用于获取旅游旺季淡季的具体情况，并可部署相关服务人员进行解释和疏导工作。在公共交通方面，由于工作时间的安排和天气的巨大影响，行人可以实时获取城市各地交通枢纽和运行车辆的交通流量，并调整相应的公共交通路线和运行频率，从而达到优化资源配置、方便市民出行的目的。基于视觉信息的行人流量检测技术因其适应性强(可以很容易地与广泛存在的视频监控系统集成)和无创性(相对于物理检测器必须限制行人流量的数量和方向)而成为国内外研究者关注的焦点。在计算机视觉理论及相关视频采集和读取硬件的发展过程中，出现了一些相应的产品。然而，作为典型的非刚体，在特定的复杂环境中，行人之间的相互影响往往难以设计出高精度、鲁棒的识别和跟踪算法。因此，基于计算机视觉的人体流量检测统计研究具有很大的研究价值和推广价值空。
1.2国内外研究现状
1.2.1视频监控发展现状
下图是实现视频监控系统一般功能的流程图。目标检测和跟踪是底层处理部分，行为理解是高级处理部分。随着所需智能水平的不断提高，对更高层次的处理，即对行为的理解、评价和决策提出了越来越高的要求，相应的研究也成为热门话题。在科学研究和学术界方面，IEEE非常重视这一领域，自1998年以来，每年都在AVSS举行一次单独的学术会议(高级视频和基于信号的调查)。参与者为小组会议发布的公共视频序列和图像材料设计算法，并比较他们的表现。国外许多大学和科研机构在目标检测和跟踪方面做了大量的研究，并开发了较为成熟的视频监控系统。例如，美国国防高级研究项目署于1997年资助卡耐基梅隆大学和萨诺夫研究中心共同开发了视频监视和监控系统VSAM(视频监视和监控)[4，5]，这是一个战场监控系统，不仅可以进行一般的军事安全监控，还可以实现对当地战争场景的实时监控。中国也非常重视智能视频监控的发展。中国科学院自动化研究所、清华大学和浙江大学等研究机构和大学在这一领域取得了很大进展。自动化研究所设计了一个具有独立知识产权的交通监控系统。在商业应用方面，美国维甸公司推出的智能捕捉系统主要用于机场安全监控。美国EMW公司开发的智能视频监控系统已成功应用于美国五角大楼。
第2章基于多视觉传感器的运动目标检测
2.1简介
减法背景减法是运动分割目标检测中最常用的方法。其基本思想是将当前帧图像与背景模型进行比较，然后利用灰度特征和直方图统计等特征来判断运动是否发生，然后进行分割。背景减除法的过程分为三个步骤。首先，对场景进行建模。然后将当前帧的图像与场景模型进行比较。如果同一像素位置的特征大于某个阈值，则该特征被视为移动前景区域。最后，对图像进行二值化，得到前景像素集的运动图像。此外，由于场景是动态变化的，场景的背景模型应该定期更新。背景减法的流程图如图2.1所示。根据对实验结果的分析，在三种方法中，结合本课题的实际应用环境，公交车乘客可以以合适的速度上下公交车，不会出现运动物体运动过快和过慢的现象，导致帧差无法得到有效的前景分割，相邻帧之间的光照变化不大。从图2.5(c)和(d)可以看出，帧差法能够有效去除背景，分割前景，轮廓提取效果好。因此，本文主要采用帧差法来检测运动前景和分割背景。
第3章基于多视觉传感器的运动.........20
3.1导言.......20
3.2霍夫圆检测.......20
3.3基于HOG特征的行人检测.......22
3 . 3 . 1 HOG特征提取的基本原理.........22
3.3.2基于支持向量机的分类....24
3.4实验结果和分析.......26
3.4.1霍夫圆检测在本主题中的应用....26
3 . 4 . 2 HOG特征提取在项目中的应用.........27[/BR/]3 . 4 . 3 SVM分类器在项目中的应用……29
3.5本章摘要.......32
第4章多视觉传感器下的行人跟踪.......33
4.1导言.......33[/溴/]4.2均值漂移算法……33
4.3连续自适应均值漂移算法(camshift)....37
4.3.1直方图反投影........37
4.3.2搜索流程....38
4.3.3卡姆移位算法描述........39
4.4实验结果和分析........40
4.5本章摘要........47
第5章基于多视觉传感器的总线.........48
5.1导言.......48
5.2实验环境.......48
5.2.1实验硬件条件.......48
5.2.2实验软件条件.......49
5.3多视觉传感器计数融合方法.......49
5.4实验结果和分析.......49
5.5本章摘要.......53
结论
图像处理、计算机视觉、模式识别等相关技术在行人流量检测中的应用是行业热点，也是当今社会智能交通和安全的大趋势。图像采集设备的广泛普及和低成本以及相关算法的日益成熟和蓬勃发展，可以通过分析输入视频序列图像的监控区域，彻底解放劳动力，实现人员流动的自动统计，给相关部门的决策带来极大的便利。本文首次将多视觉传感器引入公交车辆计数领域。分别采用垂直向下的视觉传感器和倾斜向下的视觉传感器，充分发挥各自观察角度的优势，相互协调计数。通过对传感器采集的视频图像信息进行分析，有效提取乘客特征，并重点研究移动行人的检测与跟踪技术。以公交系统公交车上采集的视频图像序列为实验数据源，现场实验基本完成了客流统计任务。本文完成的主要工作和研究成果如下:
(1)两种视觉传感器的特征提取方法发挥了各自的优势。对于垂直和向下视觉传感器，选择基于梯度的霍夫快速圆检测算法。对于倾斜向下的视觉传感器，由于其视野较宽，提取行人的HOG特征，并引入机器学习方法建立正负样本集，训练分类器。检测精度非常高。
(2)关于目标定位，对于垂直向下的视觉传感器，没有采用大多数先前文献中讨论的乘客头部图像的精细图像处理策略，而是联系了对象的特定环境，并且认识到即使头部的精细处理也难以解决所有定位困难的问题，例如发型变换、秃顶、染发、光度变化等。，并在空之间产生大量时间和复杂性。在检测到运动的前提下，提出了跟踪区域的选择策略。首先，执行运动检测以避免不必要的特征提取。
(3)关于跟踪算法，在进行Camshift跟踪时，针对算法本身无法半自动找到跟踪窗口中心的缺陷，采用融合运动区域中心和特征提取中心信息的策略，实现Camshift跟踪算法的自动跟踪。由于光照变化和环境中的其他干扰因素，采用“边检测边跟踪”的方法，考虑了计算量和跟踪效果，并对每个特定帧数重新定义矩形跟踪区域。
(4)在计数方面，建立了一种简单有效的人数计数机制，避免了在如此复杂的场景中分析带有噪声的轨迹。针对多视觉传感器计数融合，提出了一种以垂直向下视觉传感器计数为主、倾斜向下视觉传感器计数为辅的计数融合方法，并根据相对误差分数进行校正。
参考
[1]胡为明，谭铁牛，王曦梁。http://sblunwen.com/shtjxlw/对物体运动和行为视觉监视的调查[。系统、人和控制论的IEEE交易第三部分:应用和评论，2008，34 (3): 334-352。
[2]李子青。智能视频监控技术——引领未来的自主创新[。中国安全，2007，3:50-55。
[3]苏志文。廖海燕，肖荣天。一种基于视觉的基于对称性度量的方法[[]。IEEE数字对象识别国际研讨会，2009，2617-2620
[4]柯林斯，利普顿。卡耐基梅隆大学机器人研究所，2000，
[5]科林斯，利普顿，卡纳德特。《模式分析和机器智能的IEEE交易》，2000:22(8):745-746。
[6]新泽西州阮文凯什市、加利福尼亚州西部和加利福尼亚州布依市。监控系统中的多摄像机协调[J]。自动化学报，2003，29(3):408-421。
[7]李普顿、藤吉和帕蒂尔。实时视频运动目标分类和跟踪[。《计算机视觉的IEEE研讨会应用会议录》，1998，8-14。[/比尔/][8]埃斯、雷贝和范古尔。移动场景的深度和外观分析[。国际计算机视觉会议，2007，巴西:1-8。
[9]艾尼斯，C . .视频监控平面运动的多视图校准[.《第十三届人工智能不确定性会议录》，1997年，旧金山:175-181页。