超低空无人飞行器人体检测算法研究

发布时间：2017-08-01 14:36

  本文关键词：超低空无人飞行器人体检测算法研究

  更多相关文章： 人体检测 透视变换 梯度方向直方图 支持向量机 径向梯度变换 级联分类器

【摘要】：近年来随着无人飞行器的技术发展及民用需求,四旋翼飞行器成为了研究热点,四旋翼飞行器具有成本低、结构简单、机动性强、安全性高等优点。其负载能力强,可搭载航拍平台,在室内、隧道等近地面环境执行监控任务。随着搭载航拍平台的四旋翼飞行器的广泛应用,人体目标的检测技术也被应用在航拍图像、受害者营救等新兴的领域。本文针对超低空无人飞行器航拍图像的人体检测算法进行研究,根据不同的应用场景将应用需求划分为人体方向已知和人体方向未知两类,并根据不同的应用需求采用不同的人体检测算法。针对航拍平台视野受飞行器姿态变化的影响,本文通过建模分析超低空航拍视野,提出将不同视野下的航拍图像校正到固定标准视野上的解决方案,目的是将图像还原到可用于人体检测算法的视野上。对于监控应用等人体方向已知的情况,采用目前最广泛应用的HOG特征。该算法在HOG特征提取前对图像预处理并使用透视变换对图像校正,通过建立图像金字塔得到一系列不同尺寸的图像序列后使用滑动窗口检测法对所有图像进行遍历,对检测窗中的图像提取HOG特征向量,将每一个特征向量送入通过样本训练好的分类器中得到分类结果,并将分类结果融合得到航拍图像的人体检测结果。对于受害者营救等人体方向未知的情况,采用本文提出的一种适用于有旋转角的RGTHOG人体检测算法。首先,通过径向梯度转换获得具有旋转不变性的梯度;其次,使用相互重叠块的组合方式,获取多个带有旋转角信息的特征描述子,按旋转角大小将它们一维线性连接成具有旋转不变性的特征描述子组;最后,利用基于支持向量机的二级级联分类器实现了带旋转角的人体检测。最后通过仿真实验,对这两种算法进行测试,并验证它们的可行性。实验数据表明,两种算法均能能达到预期效果,其中使用HOG特征的算法在检测性能上表现较好,而使用RGTHOG特征的算法能实现旋转角可变的人体检测。
【关键词】：人体检测 透视变换 梯度方向直方图 支持向量机 径向梯度变换 级联分类器
【学位授予单位】：湖南大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：V279;TP391.41
【目录】：

• 摘要5-6
• Abstract6-11
• 第1章 绪论11-16
• 1.1 引言11-12
• 1.2 人体检测算法研究现状12-14
• 1.3 论文目标及研究内容14-15
• 1.4 论文结构15-16
• 第2章 无人飞行器航拍视野的分析16-24
• 2.1 概述16
• 2.2 航拍视野分析16-20
• 2.2.1 俯视角16-17
• 2.2.2 旋转角17-18
• 2.2.3 飞行过程中视野变化的模型分析18-20
• 2.3 视野校正的解决方案20-23
• 2.3.1 无人飞行器传感信息21
• 2.3.2 三维旋转的描述21-22
• 2.3.3 坐标的计算22-23
• 2.4 本章小结23-24
• 第3章 人体方向已知的检测算法24-51
• 3.1 概述24-25
• 3.2 图像预处理25-27
• 3.2.1 图像滤波25-26
• 3.2.2 伽马校正26-27
• 3.3 航拍图像的校正27-31
• 3.3.1 透视变换28-29
• 3.3.2 求取变换矩阵29-30
• 3.3.3 空间变换30
• 3.3.4 灰度级插补30-31
• 3.4 HOG人体检测分类器31-43
• 3.4.1 提取HOG特征32-38
• 3.4.2 SVM分类器38-43
• 3.5 滑动窗口人体目标检测方法43-46
• 3.5.1 图像金字塔43-45
• 3.5.2 滑动窗口扫描图像金字塔45-46
• 3.5.3 检测窗口融合46
• 3.6 仿真实验46-50
• 3.6.1 实验参数46
• 3.6.2 核函数的选取46-48
• 3.6.3 有向梯度和无向梯度的选择48
• 3.6.4 分类器性能验证48-49
• 3.6.5 航拍图像的人体检测结果49-50
• 3.7 小结50-51
• 第4章 旋转角可变的人体检测算法51-70
• 4.1 概述51
• 4.2 RGTHOG检测算法流程51
• 4.3 旋转角可变的特征描述子组51-60
• 4.3.1 RGT算法53
• 4.3.2 RGT梯度53-55
• 4.3.3 细胞单元55-56
• 4.3.4 描述块和归一化56-57
• 4.3.5 扇区57
• 4.3.6 特征描述子组的组成57-58
• 4.3.7 旋转不变性分析58-60
• 4.4 SVM级联分类器60
• 4.4.1 第一级分类器60
• 4.4.2 第二级分类器60
• 4.5 仿真实验60-69
• 4.5.1 实验参数61
• 4.5.2 核函数的选取61-63
• 4.5.3 选取RGTHOG特征的参数63-64
• 4.5.4 实验结果64-67
• 4.5.5 与HOG检测算法的比较67-68
• 4.5.6 航拍图像的人体检测结果68-69
• 4.6 小结69-70
• 结论70-72
• 参考文献72-75
• 致谢75-76
• 附录A 攻读硕士学位期间发表的论文76

【相似文献】

中国期刊全文数据库 前10条

1 黄永鑫;;运动人体检测的关键技术研究[J];硅谷;2010年17期

2 黄炎;颜佳;张虎;邓德祥;;多部位集合的人体检测[J];光学精密工程;2013年11期

3 景阳;刘琳;曾昭龙;杜治国;;遮挡情况下的人体检测与跟踪[J];科学技术与工程;2014年16期

4 潘锋,王宣银,王全强;智能监控中基于头肩特征的人体检测方法研究[J];浙江大学学报(工学版);2004年04期

5 黄炎;范赐恩;朱秋平;张虎;邓德祥;;联合梯度直方图和局部二值模式特征的人体检测[J];光学精密工程;2013年04期

6 刘美菊;赵鸿博;刘亚楠;;一种智能建筑中门禁系统的行人检测方法[J];科技创新与应用;2012年32期

7 祝向英;张爱丽;;基于单目视觉的运动人体检测算法[J];硅谷;2008年10期

8 程和生;胡幸福;;基于HOG和SVM的人体检测技术在静态图像中的研究[J];仪器仪表用户;2012年05期

9 ;人体红外感应照明灯具[J];电子制作;2003年09期

10 ;[J];;年期

中国重要会议论文全文数据库 前4条

1 孙庆杰;;基于颜色量化的人体检测[A];全国第十五届计算机科学与技术应用学术会议论文集[C];2003年

2 龚华;李继云;;运动人体检测算法比较研究[A];第十四届全国图象图形学学术会议论文集[C];2008年

3 顾爽;陈启军;;基于边缘类型比率特征的人体检测算法[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

4 陈亚菲;张宝昌;;基于L2-norm最小化的人体检测[A];第八届全国信息获取与处理学术会议论文集[C];2010年

中国重要报纸全文数据库 前3条

1 成都 胥绍禹 编译;人体检测夜间自动照明灯[N];电子报;2007年

2 刘文静;测头发可知健康状况[N];新华每日电讯;2003年

3 刘文静;只需剪一缕头发 就测出健康状况[N];新华每日电讯;2004年

中国博士学位论文全文数据库 前9条

1 林逸峰;基于计算机视觉的人体检测和人脸识别[D];吉林大学;2012年

2 刘亚洲;基于时空分析和多粒度特征表示的人体检测方法研究[D];哈尔滨工业大学;2009年

3 丁建浩;基于单目视觉的人体检测和运动恢复[D];浙江大学;2013年

4 李春明;视频图像中的运动人体检测和人脸识别[D];西安电子科技大学;2005年

5 倪洪印;基于视频的人体检测与目标跟踪方法研究[D];吉林大学;2014年

6 于海滨;基于头部特征提取的人体检测与跟踪及其应用[D];浙江大学;2007年

7 叶青;无标记人体运动捕捉技术的研究[D];北京邮电大学;2014年

8 Nasir Saleem（萨里姆）;视频监控中的人体分割、识别与跟踪[D];北京邮电大学;2013年

9 郭星;大屏幕人机互动中若干关键技术研究[D];安徽大学;2013年

中国硕士学位论文全文数据库 前10条

1 万雪飞;基于双人体可变形部件模型的深层人体检测[D];大连海事大学;2016年

2 武文静;监控视频中的人体检测与跟踪算法研究[D];东南大学;2015年

3 戴萧何;基于RGB-D数据的人体检测与跟踪[D];浙江大学;2016年

4 刘显标;安防视频中人体及人脸检测的研究[D];昆明理工大学;2016年

5 刘阳;视频人体检测方法研究[D];南京信息工程大学;2016年

6 张恒瑜;基于卷积神经网络的多部位人体检测[D];北京工业大学;2016年

7 董志聪;超低空无人飞行器人体检测算法研究[D];湖南大学;2015年

8 周卓;人体再识别算法研究[D];东南大学;2016年

9 武笑天;基于可变形部件模型的人体检测与跟踪研究[D];重庆邮电大学;2016年

10 崔新毅;视频序列中的人体检测方法研究[D];哈尔滨工业大学;2007年

，

本文编号：604760