论文部分内容阅读
智能视频监控是计算机视觉领域一个新兴的应用方向，是计算机视觉、图像处理、模式识别、人工智能等多学科的结合。在智能视频监控中，行人是主要的关注对象。因此研究一个鲁棒的行人检测和跟踪算法具有重要意义。本文主要研究利用基于Boosting类的算法分别解决行人检测和行人跟踪问题的方法。主要的研究工作和创新见解如下：
1.针对训练样本稀缺的情况，提出了一种面向不均衡小样本集的Boosting训练算法，该算法通过在训练过程中逐步加入人工合成样本，对已选定的弱分类器进行扰动，并自适应地平衡训练集中的正负样本比例，与当前的其他算法相比较，本文算法提高了分类器泛化能力。
2.实现了一个基于运动特征的行人检测器，使用Adaboost算法构建级联结构的行人检测器，加速了检测过程。
3.完成了一个基于online Boosting算法的行人检测器，将监控画面划分为若干的网格，对于每个网格使用online Boosting算法独立的训练分类器，并融合所有的网格分类器的判决结果来进行行人检测。该方法仅需要少量的正样本就可以达到较高的检测率。
4.提出了一种融合先验知识的自适应行人跟踪算法，将行人检测的先验知识融入到跟踪模型的自学习过程。首先通过离线训练，得到具有较强区分能力的子分类器集，这些子分类器中蕴含了对于行人的先验知识；在跟踪过程中，使用online boosting算法从离线训练的子分类器集成强分类器，对被跟踪的行人动态建模。实验结果表明，该算法有效地缓解了算法的自适应性与“漂移”之间的矛盾，能够实现真实监控场合下较长时间、具有较复杂行为的行人跟踪。