红外序列图像中基于形状的人体检测_王江涛
基于红外图像的人体检测跟踪与类别判定
基于红外图像的人体检测跟踪与类别判定武警部队担负着国家大型电厂和重要桥梁遂道的守护勤务。
这些重要的工业和交通设施一旦遭到破坏,往往造成大量的财产损失甚至人员伤亡。
然而,针对重要目标的袭击大多发生在夜里,由于夜间能见度差,哨兵警惕性下降,从而给不法份子造成可乘之机。
在国家大批量裁军的背景下,如何有效减少这些重要的守卫目标所占用的执勤兵力和提高执勤的自动化程度是亟待解决的问题。
红外辐射波长比可见光要长,受雨天、大雾影响较小,基于红外辐射的视频监控不受夜间和白天的影响,是多种重要场所广泛使用的安防设备。
因此,本文基于红外监控视频和图像序列,深入研究红外图像中的人体目标检测、跟踪以及运动目标类别判定方法,对于解决目前武警部队重要目标守护勤务中存在的问题具有非常重要的理论意义和实际应用价值。
论文的主要研究工作和取得的成果如下:1.深入研究了红外图像预处理方法。
重点介绍了几种常用的红外图像预处理方法,主要包括图像去噪方面的中值滤波和高斯滤波,以及图像形态学处理方面的膨胀、腐蚀、开运算和闭运算。
基于实际红外图像数据,对红外图像去噪和形态学处理进行了实验比较和分析。
2.深入研究了红外人体运动目标检测方法。
深入研究分析了几种经典的运动目标检测算法,包括帧差法、背景差法、光流法等。
在对这些目标检测算法进行理论研究和应用场景对比的基础上,利用多个实际红外视频图像数据重点对三帧差分法进行了仿真实验和测试,实验结果表明,三帧差分法可以准确有效地检测出红外图像中的人体运动目标。
3.提出了一种新的基于红外图像的人体运动目标跟踪算法。
在研究对比和分析经典的粒子滤波算法、Mean Shift算法和IVF(Intensity variation function)跟踪算法的基础上,针对经典算法存在的问题,提出了一种新的人体跟踪算法。
该算法利用模板本身均值灰度替代模板的边缘,以红外序列图像中前一帧目标模板与当前帧差分后得到的正负值区域为基础,计算出正值区域质心到负值区域质心的向量,并将模板沿向量方向以单个像素移动,直到目标模板与当前帧的人体目标近似重合。
基于红外图像的人体活动检测与识别方法研究
基于红外图像的人体活动检测与识别方法研究摘要：随着红外技术的发展，红外图像在人体活动检测与识别中起着重要的作用。
本文旨在研究基于红外图像的人体活动检测与识别方法，并分析其应用前景和挑战。
研究表明，基于红外图像的人体活动检测与识别方法具有优越的性能和广泛的应用领域，但在人体姿态识别、复杂场景下的检测和识别等方面仍存在一些挑战，需要进一步的研究和改进。
在未来，可以结合其他传感器数据，如深度图像等，进一步提高人体活动检测与识别的准确性和鲁棒性。
1. 引言人体活动检测与识别在安防、智能交通、医疗等领域具有广泛的应用。
传统的人体活动检测与识别方法主要基于可见光图像，但受到光照条件的限制，存在一定的局限性。
相比之下，红外图像具有独特的优势，如不受光照条件限制、对隐蔽物体的穿透能力等，因此在人体活动检测与识别中得到了广泛关注。
2. 基于红外图像的人体活动检测方法基于红外图像的人体活动检测方法主要包括目标检测和跟踪两个步骤。
目标检测旨在在红外图像中找出人体目标的位置和大小，常用的方法包括基于深度学习的目标检测算法、基于纹理特征的目标检测算法等。
跟踪是指在一段时间内跟踪人体目标的位置、形状和姿态等信息，常用的方法包括基于卡尔曼滤波的目标跟踪算法、基于粒子滤波的目标跟踪算法等。
3. 基于红外图像的人体活动识别方法基于红外图像的人体活动识别方法主要包括人体姿态识别和行为识别两个方面。
人体姿态识别旨在确定人体目标的姿态信息，如站立、行走、坐下等，常用的方法包括基于特征点的姿态识别算法、基于深度学习的姿态识别算法等。
行为识别是指将人体目标的动作进行分类，如打电话、跑步、拿东西等，常用的方法包括基于动作描述子的行为识别算法、基于深度学习的行为识别算法等。
4. 应用前景和挑战基于红外图像的人体活动检测与识别方法在安防、智能交通、医疗等领域具有广泛的应用前景。
然而，目前的研究仍面临一些挑战。
首先，人体姿态识别的准确性有待提高，尤其是在复杂场景下的识别。
基于红外图像的人体脸部表情识别技术研究
基于红外图像的人体脸部表情识别技术研究人类表情是我们交流和沟通的一种重要手段。
随着技术发展和人工智能的崛起，人体脸部表情识别技术越来越受到重视，成为了许多应用领域的重要工具，例如智能监控、虚拟现实交互、智能车载和情感识别等等。
其中，基于红外图像的人体脸部表情识别技术凭借其不受光照干扰等优势，越来越受到广泛关注。
一、红外图像的基本原理红外图像是指在红外波段内反射、透过物镜的热红外辐射能够被探测器所感知并转化为图像。
人类眼睛不能察觉的红外光波能够通过天然界，为军事、医学等领域提供了特殊的信息获取手段。
二、人体脸部表情识别技术的研究现状目前，有许多针对人体脸部表情识别的方法，其中最常见的是基于传统图像处理和机器学习的方法。
这类方法对照片或视频流进行处理，依赖于脸部特征点检测、特征提取和分类算法。
但由于光照和人脸姿态等因素的干扰，这些方法在实际应用中表现出了一定的局限性。
相比传统方法，基于红外图像的人体脸部表情识别技术不受光照条件的限制，通过探测热红外辐射能够获取到人体表情的更细微的变化，因此具有更高的准确性和可靠性。
在这方面的研究也越来越成熟和广泛。
三、基于红外图像的人体脸部表情识别技术研究探讨由于人体脸部表情识别涵盖了图像处理、特征提取以及分类等多个方面，因此研究技术必须综合运用多个学科领域的知识，例如计算机视觉、机器学习、信号处理等等。
在基于红外图像的人体脸部表情识别技术方面，主要的研究方向为以下几点：1. 数据的采集和建模数据集的采集对于模型的建立至关重要。
在基于红外图像的人体脸部表情识别中，需要从不同角度、不同光照条件、不同感情状态的人脸上采集人脸数据，进而构建人脸特征库。
为了提高模型的识别准确率，需要尽量广泛地覆盖各类表情的样本。
2. 特征提取方法的优化特征提取是整个识别模型中的一个重要方面。
对于基于传统图像处理的方法，特征提取通常采用LBP、SIFT和HOG等算法，但户外环境中光照条件的变化会对这些算法的表现造成很大影响。
基于红外图像的人体目标检测与跟踪技术的研究
基于红外图像的人体目标检测与跟踪技术的研究摘要：红外图像是热成像，不受黑暗和烟雾雨雪等恶劣天气的影响，能够看到人眼中无法看到的目标，具有全天候工作的特点，已经被广泛应用于军事侦察、监控和制导等领域。
此外，红外图像在民用领域也有着非常广泛的应用前景，如视频监控，辅助车辆驾驶等。
由于人体目标的活跃性和特殊性，对人体目标的检测与跟踪有着很大的经济价值和军事价值，所以开展基于红外图像的人体目标检测与跟踪技术研究十分必要。
关键词：红外序列图像；ＦＡＳＴ；ＣＳ－ＬＢＰ；离散小波变换1基于特征点的人体目标区域初定位由于传统的基于视频的目标检测方法，在摄像机不固定的条件下，运算量过大且鲁棒性较差，因此在此基于单帧图像进行人体目标检测。
本文采用先提取红外图像中的特征点，然后在特征点的邻域内搜寻人体目标的方法进行人体目标区域提取。
1.1基于ＦＡＳＴ算法的特征点提取ＦＡＳＴ算法是一种运算简单的特征点检测方法，首先通过Ｓｅｇｍｅｎｔ－Ｔｅｓｔ算法来定义特征点：如果图像中以某一个像素点ｐ为中心，ｒ为半径的一个Ｂｒｅｓｅｎｈａｍ圆上，超过Ｎ个连续像素的亮度均超过像素ｐ某一阈值，或者低于像素ｐ某一阈值，则该像素ｐ处存在一个特征角点。
在应用时，为了减少所提取的特征点的数量，将相邻的特征点进行合并。
1.2基于ＣＳ－ＬＢＰ算法的区域特性提取ＬＢＰ算法首先是作为一种纹理操作的算子提出来的，并且在很多计算机视觉领域得到了很成功的应用。
ＬＢＰ算法根据每个像素与其邻域像素的相对差值来描述该像素的特性，因此对由光线条件变化导致的像素值变化有很强的鲁棒性。
如果邻域像素的亮度值大于或等于中心像素的亮度值，则该邻域像素对应的属性取值为１，否则取值为０。
ＣＳ－ＬＢＰ算法［７］是比较圆周上每对中心对称的像素之间的亮度值，因此在ＣＳ－ＬＢＰ中，需要做的比较次数相对ＬＢＰ算法降低了１／２。
图像中位于（ｘ，ｙ）位置的像素ＣＳ－ＬＢＰ值可根据其邻域信息计算如式（１）所示：式中：Ｔ为一个很小的阈值。
红外图像中人体目标检测技术研究
龙源期刊网
红外图像中人体目标检测技术研究
作者：赵君钦李林
来源：《现代电子技术》2012年第18期
摘要：针对红外序列图像中人体目标检测问题，采用了基于特征点的特征区域提取方法，先用FAST算法快速提取特征点，然后基于提取出的特征点，使用LBP算法提取特征区域，
在得到感兴趣的特征区域（ROI区域）后，用对ROI区域进行基于离散小波变换的小波熵特征提取，并采用复合分类方法对ROI区域进行分类，利用此方法有效地将人体目标从红外序列
图像中检测出来。
关键词：红外序列图像；FAST；CS—LBP；离散小波变换；SVM；Adaboost
中图分类号：TN919—34文献标识码：A文章编号：1004—373X（2012）18—0111—03
引言
由于红外图像对比度低、边缘模糊、信噪比低、噪声大和人体目标非刚体等特性，使得对红外图像进行人体目标检测难度较大。
目前常用的运动目标检测方法背景减除法[1]、帧差法[2]、光流法[3]等，在摄像机不固定的情况下，基于背景的目标检测方法将变得十分困难，因此采用单帧图像分割的方法显得更加可行。
本文采用的红外序列图像中人体目标检测的方法是：采用FAST （FeaturesfromAcceleratedSegmentTest）[4]算法，在单帧图像中进行特征点提取；基于检测出的特征点，利用基于局部二值模型纹理特征（LocalBinaryPattern，LBP）核函数的算法提取图像的局部特性，得到人体可能存在的感兴趣区域；利用双密度双树小波变换和小波熵提取训练样本的特征信息，并采用模式识别方式对提取出的感兴趣区域（RegionsofInternet，ROI）进行分类检测，得到人体目标所在区域。
1基于特征点的人体目标区域初定位。
基于显著性分割的红外行人检测
第37卷第2期南京理工大学学报V01．37N o．2 2Q!!生垒旦!!!竺型堕型!尘!!!旦坐!!!!堡!!!!!!!!!!!!!!!!!!!!型垒巳!：兰Q!!基于显著性分割的红外行人检测杨阳1’2，杨静宇1(1．南京理工大学计算机科学与工程学院，江苏南京210094；2．河南大学计算机与信息工程学院，河南开封475001)摘要：针对红外图像的特点和行人形状特征提出一种快速高效的行人检测算法。
采用基于直方图统计的显著性映射算法获取红外图像的显著图(SM)，统计出SM中关注点(A P)的分布，确定了自适应分割阈值；针对行人姿势的多样性，结合先验概率构建基于形状的级联模板树，在分割图像上根据匹配值确定行人的位置。
选取3个公开数据集对比几种行人检测算法。
实验结果表明，所提算法在精度和检测速度方面都有明显优势。
关键词：行人检测；红外图像；显著性分割；关注点；模板匹配中图分类号：TP391．4文章编号：1005—9830(2013)02—0251—06Pede s t r i a n det ect i on of i nf r a r e d i m ages based on s al i ency s egm ent at i onY ang Y an91一，Y ang J i ngyu1(1．School of C om put er S c i ence and E ngi nee ri ng，N U ST，N anj i ng210094，Chi na；2．Schoo l of C om put er and I nf o r m at i on E ngi nee r i ng，H e na n U ni ver s i t y，K ai f e ng475001，Chi na)A bst r act：A n eff ect i ve appr oac h f or pedes t r i an dect ect i ng i s pr esent ed i n t hi s pa pe r consi de r i ng t hecharact er i s t i cs of i nfr ared i m age s a nd hum an shapes．A m et hod bas ed o n t he st at i st i c s hi st ogr am of cont r as t i s used t o cal cul at e s al i ency m aps(S M)of i nfr ared i m ages．A t t ent i on poi nt s(A P)ext r act edf r om SM a r e use d t o de ci de t he seg m en t at i o n t hr eshol d．T he hi er archi cal par t-t em pl at e m at ch t r ee isbui l t com bi ned w i t h pri or pr obabi l i t i es and var i et i es of hum an pos t ur e．A f t er m a t chi ng t em pl at e．t r ee w i t h s egm ent e d r esul t s，pedes t r i ans a r e pr ese nt e d．Expe r i m ent r es ul t s of t he appr oac h a r e com par ed w i t h t hat of ot her m et hods o n t hr ee open dat as et s．T h e r es ul t s s how t ha t t he pr opose d al gor i t hm has t he hi gh pr eci s i on w i t h l ess t i m e．K ey w or ds：pedes t r i an det ect i on；i nf r ar ed i m age s；s al i enc y s eg m ent at i on；a t t ent i on poi nt s；t e m pl a t e m at ch行人检测是目标检测的重要研究方向。
红外图像序列中的人体检测算法
用 支 持 向 量 机 （ ｕ ｐ ｒ ＶｅｔｒＭａｈｎ ，Ｓ Ｓ ｐ ｏｔ ｃ ｃ ｉ ｏ ｅ ＶＭ） 候 选 区域 对 进行 分类 以 检 测 出 人体 。
域， 目前已经形成 了许 多有效 的人体检测 算法 与系统＿ ］但 ｌ， 传 统的可见光摄像机 只能在 白天工作 ， 无法很好地 满足监控
文献 标识 Ａ 码：
中 图分类号： １ Ｔ ８ Ｐ
红外 图像 序 列 中的人体 检 测 算 法
龚 卫 国 ， 杨 金 妃 ， 李 建福
（ 庆 大 学 光 电 技 术 及 系 统 教育 部 重 点 实 验 室 ， 庆 ４ ０ ３ ） 重 重 ０ ０ ０
摘 要 ： 克 服 亮度 分布 惯 性 特 征 不 能 充 分体 现 人 体 区域 亮 度 特 征 的 不足 ， 出一 种 红 外 图像 序 列 中 的人 体 检 测 算 法 。采 用 ＭＡＰＭＲＦ模 型得 为 提 －
ＧＯＮ（ Ｗ ｅ Ｋ ｏ， ＹＡＮＧ ｉ ｅ， ＬＩ ｉｎｆ ｌ ｕ Ｊｎｆｉ ａ ｕ Ｊ
（ ｙ Ｌａ ｏ ａ ｏ ｙ ｆ ｒ ｏｐ ｏ ｌｃ ｒ ｎｉ Ｔｅ ｈ ｏ ｏ ｙ ａ ｄ Ｓ ｓ ｅ ｏ ｈ Ｋｅ ｂ ｒ ｔ ｒ ｏ ｔ ｅ ｅ ｔｏ ｃ ｃ ｎ ｌ ｇ ｕ ｙ ｔｍ ｆｔ ｅ Ｅｄｕ ａ ｉ ｎ Ｍ ｉ ｓｒ ，Ｃｈ ｎ ｑ ｎ ｉ ｅ ｓｔ ｃ ｌ ｎｉｔ ｙ ｏ ｏ ｇ ｉ ｇ Ｕｎ ｖ ｒ ｉｙ，Ｃｈ ｎ ｑ ｎ ０ ０ ０ ｏ ｇ ｉ ｇ ４ ０ ３ ，Ｃｈ ｎ ） ｉａ
［ ｙｗ ｒ ｓ ｅ ｅ ｔ ａ ｅｅ ｔ ｍ Ｋｅ ｏ ｄ ］ｐ ｄ ｓｒ ｎ ｄ ｔｃ ｉ ＭＡＰ ＭＲＦ ｍｏ ｅ ； ｏｎ ｐ ｃ ；ｉｆ ｒｄ ｉ ｇ ｉ ｏ － ｄ ｌ ｊ ｌｔ ａｅ ｎ ｒ ｅ ｓ ａ ｍａ ｅ
光学成像在肿瘤研究中的应用
光学成像在肿瘤研究中的应用
王江涛;王捷
【期刊名称】《生命的化学》
【年(卷),期】2008(28)1
【摘要】随着分子标记技术的发展,光学成像技术作为一种非侵入性动态成像技术,以其高分辨率、高灵敏度正越来越多的应用于医学和生物学的研究。
该文重点介绍了在体生物光学成像技术在肿瘤的转移机制、药物对肿瘤的疗效、肿瘤细胞凋亡、肿瘤血管生成等方面的应用。
【总页数】4页(P89-92)
【关键词】光学成像;肿瘤
【作者】王江涛;王捷
【作者单位】广州军区广州总医院
【正文语种】中文
【中图分类】Q63
【相关文献】
1.光学成像在肿瘤骨转移实验研究中的应用进展 [J], 王江涛;王捷
2.契伦科夫光学成像在肿瘤成像中的研究进展 [J], 查佳丽;屈亚威
3.术中近红外光学成像在胰腺肿瘤治疗中的应用进展 [J], 王硕;曹锋;李非
4.光学相干断层扫描血管成像在特发性黄斑裂孔中的应用研究进展△ [J], 唐吉森;黄雄高
5.光学相干断层扫描血管成像在中心性浆液性脉络膜视网膜病变中的临床应用研究进展 [J], 魏丽;王平
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
景图像中的像素具有高权值和低方差 , 因此两者之
间的比值越大 , 属于背景的可能性越高 , 在这里把权 值之和大于背景阈值 T的最前面的 b个高斯分布被
作为背景模型 , 即有
b
∑ B =argmin b
k=1
wk
>T
.
(6)
6期
王江涛等 :红外序列 图像中基于形状的人体检测
43 9
在背景模型确定后 , 即可对图像中的背景像素 和前景像素进行分类 .如果新观测的像素与该 b个 高斯分布中的某一个配对 , 则认为其属于背景 , 否则 属于前景 .通过上述方法 , 即可自适应的对背景模型 进行学习和更新 .为了计算方便 , 本文中 , 令获取背 景模型进行前景分割后的图像为二值图像 , 背景像 素为 0, 前景像素为 1.
1 基于自适应高斯混 合模型的背景建模
1.1 红外图像中人体目标的特点 红外图像与可见光图像在图像信息方面有着很
大的区别 , 在可见光图像中物体的颜色分布取决于 物体表面的入射光线和表面的反射程度 , 而在红外 领域中物体的图像则取决于物体本身的温度和其辐 射出的热量 .
与采用可见光图像进行人体检测相比 , 基于红 外图像的人体检测有其自身的优点 , 同时也存在缺 点 .在红外成像系统中 , 由于人体温度总是高于其所 处的环境的温度 , 同时人体辐射出的热量也远远高 于静态背景环境 , 比如树木 、道路等等 , 因此 , 人体属 于红外图像中像素的亮度值较高的一部分 , 从而可 以明显地与背景相对比 , 此外红外成像系统在很大 程度上消除了光照 、颜色 、阴影 、纹理等因素的影响 对人体成像的影响 , 这使得红外图像特别适合于人 体的检测和定位 ;然而 , 红外图像也有其不利于人体 检测的一些特性 , 首先 , 非人物体 , 比如动物 、汽车 、 电线盒 、建筑物等都会具有较高的亮度 , 这使仅依靠 目标的亮度来进行人体检测变得不可能 , 其次 , 红外 图像中物体的亮度不只依赖于物体的温度 , 还受到 物体的表面特征影响 (辐射性能 、反射性能 、转递性 能等等 )、表 面朝向 、波长等因素的影 响 , 这增加了 人体检测的难度 .
k
∑ P(Xt)= wi, t＊η(Xt, ui, t, σ2i, t) , i=1
(1)
这里 wi, t为第 i个高斯分布在时间 t的权值 , ui, t、σi, t
分别为第 i个高斯函数的均值和标准差 .k为高斯混
合模型中所包含的高斯分布的个数 , 其大小取决于
系统可用内存以及系统的计算能力 , η为高斯概率
2 人体目标形状的特 征表达
2.1 单个人体的表达模型创建
在可见光图像中 , 与非人体相比人体具有明显
的鉴别性特征 , 比如不同身体部位一般有其特定的
颜色分布 , 因此在人体表达模型的选取上具有更大
的选择空间 .然而 , 在红外图像中人体的特点仅表现
为高亮度 , 其他的非人体物体 , 如汽车等同样具备该
采用形态学算子对图像进行滤波 , 去除图像中的噪
声 , 然后对所有的连通(Xt, ui, t, σ2i, t)=
1 e . -(Xt2-σu2ii ,,tt)2 2πσi, t
(2)
采用上述模型决定一个像素是否为前景运动物
体的过程如下 :初始时 , 将高斯混合模型初始化为均 值预先确定 、高方差 、小权值的 k个高斯分布 .对于
一个新的像素 , 如果这个像素的观测值位于高斯混
第 26卷第 6期 2007年 12月
红外与毫米波学报
J.InfraredMillim.Waves
文章编号 :1001 -9014(2007)06 -0437 -06
Vol.26, No.6 December, 2007
红外序列图像中基于形状的人体检测
王江涛 , 杨静宇
(南京理工大学 计算机科学与技 术学院 , 江苏 南京 210094)
Abstract:Thehumandetectionproblemininfraredimagesequenceswasstudied, andanoveldetectingapproachwaspresented.GMM(Gaussmixturemodel)wasfirstadoptedtoconstructabackgroundmodel.Andthenonthebasisofaccurately segmentingtheforwardobjects, ashape-basedhumanrepresentingmodelwasdesigned.Bytakingaccountofocclusions andmergingamongmulti-body, theintensityprojectioncurvewasappliedtoseparatesingleones.Byusinghumanshape modelsasinputvectors, aSVM (supportvectormachine)wasconstructedtoclassifyandidentifythehumanbodies.Experimentalresultsondifferentinfraredvideosequencesshowthattheproposedmethodisrobustandfeasibleinsinglebody andmulti-bodycases. Keywords:humandetection;infraredimagesequences;supportvectormachine;gaussmixturemodel
收稿日期 :2006 - 09 - 21, 修回日期 :2007 - 04 - 27 Receiveddate:2006 - 09 - 21, reviseddate:2007 - 04 -27 基金项目 :国家自然科学基金重点 (60632050)和国家自然科学基金 (60472060)资助项目 作者简介 :王江涛 (1979-), 山东昌乐人 , 博士研究生 , 主要研究方向为模式识别 、目标的检测跟踪及行为识别等 .
4 38
红外与毫米波学报
26卷
体形状的多变性 , 同样需要多个模板在不同尺度的 情况进行匹配 .
本文中 , 提出了一种快速高效的红外序列图像 中人体检测算法 .该方法首先通过自适应背景抽取 , 对前景目标中的人体候选区域进行定位 , 克服了单 幅图像中人体检测多尺度搜索引起的计算复杂度问 题 , 在此基础上设计了一种新颖的人体形状表达模 型对人体特征进行建模 , 进而通过训练构建支持向 量机分类器对前景目标候选区域进行分类判别 , 同 时给出了不同红外图像测试集中人体检测的结果 .
题已开始得到国际上学者们的关注[ 3, 4] . 红外图像中的人体的检测一般可以分为两步来
完成 .第一步 , 选择可能存在人体的 兴趣区域 (RegionsofInterest, ROI), 第二步 , 采用某种手段对所 有的 ROI进 行分析 , 确认其是 否为人体 .文献 [ 3] 中 , Bertozzi等人以正面人体的对称性作为特征 , 在 一预先确定好的尺度范围内对人体进行检测 , 通过 将候选区域与形态学人体模型进行匹配来完成人体 检测 , 该算法在确定人体存在的位置时均需要对图 像进行多尺度搜索 , 这影响了人体检测的实时性能 . 文献 [ 4]中 , Nanda等人则在采用了一种基于像素亮 度的人体表达模型的基础上 , 通过进行样本训练得 出人体亮度和非人体亮度的概率分布 , 并以此构造 亮度概率模板来执行人体检测 , 然而由于图像中人
对于单幅红外图像中的人体检测问题 , 只能从 上述红外图像中人体成像的特点出发 , 采用多尺度 搜索的手段来寻找目标 .而对于红外序列图像中的 人体检测问题 , 则可以通过背景抽取来获取前景目 标 , 避免了单幅图像中的多尺度搜索问题 . 1.2 构建自适应高斯背景模型
基于自适应高斯混合模型的在线背景建模方法 最先由 Stauffer和 Crimson在文献 [ 7] 中提出 , 该方 法可以鲁棒地克服光照变化 、重复运动 、缓慢运动物
像素的高斯分布配对标志 , 如果存在一个高斯分布
与当前像素配对则 Mi, t=1, 否则 Mi, t =0.对权值进 行更新后 , 对新生成一系列权值进行归一化 , 所配对
的高斯分布的参数更新为
μt =(1 -ρ)μt-1 +ρ(Xt) ,
(4)
σ2t =(1 -ρ)σ2t-1 +ρ(xt -μt)T(xt -μt) ,
引言
人体检测作为对人体进行视觉分析的基础 , 近 年来得到了越来越多的研究人员关注 , 其作为智能 监控 、高级人机接口 、人体运动分析 、人体行为理解 等领域一个先决条件 , 已成为计算机视觉领域中的 一个热点 .当前 , 人体检测的研究主要集中于可见光 领域 , 经过十年多的研究出现了众多的算法 , 大量实 验表明了这些算法的有效性 , 这方面人体检测的算 法已臻成熟 .由于红外成像系统中物体的图像取决 于物体本身的温度和其辐射出的热量 , 与可见光图 像相比红外图像具有其独有的优点 , 随着技术的不 断发展 , 红外图像技术已经开始得到越来越多的应 用 [ 1, 2] , 最近几年 , 红外热图像领域中的人体检测问
(5)
这里 ρ=αη(Xi μi, σ2i), 其他高斯分布的参数则不
变 .如果不存在任何配对 , 则将概率值最小的高斯分
布替换为一个均值为新观测的像素值 、高方差 、小权
值的高斯分布 , 对下一桢图像执行上述操作 . 为了判断新观测的像素的类型 (前景或背景 ),
按照 w/σ的值的对 k个高斯分布降序排列 , 由于背
SHAPE-BASEDHUMANDETECTIONIN INFRAREDIMAGESEQUENCES
WANGJiang-Tao, YANGJing-Yu
(InstituteofComputerScienceandTechnology, NanjingUniversityofScience＆ Technology, Nanjing 210094, China)