基于红外图像的人体目标检测与跟踪技术的研究

1、 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；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

2、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基于算法的特征点提取算法是一种运算简单的特征点检测方法，首先通过算法来定义特征点：如果图像中以某一个像素点为中心，为半径的一个圆上，超过个连续像素的亮度均超过像素某一阈值，或者低于像素某一阈值，则该像素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基于算法的区域特性提取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。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

3、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，否则取值为。算法是比较圆周上每对中心对称的像素之间的亮度值，因此在中，需要做的比较次数相对算法降低了。图像中位于 （，）位置的像素值可根据其邻域信息计算如式（）所示：式中：为一个很小的阈值。根据式（），具有个 可 能 取 值，因 此 整 个 图 像 区 域 上 的，值的统计直方图特征维数为。在特征角点检测出来以后，需要在其周围确定一个图像区域，以根据该区域上的信息计算出用于描述该区域局部视觉特征向量。根据算法的原理，以该特征点为中心，以为半径，比较其邻域像素的灰度值，可计算出其直方图，根据直方图特性可

4、以提取出特征角点周围的特征区 域，即所提取出的待选感兴趣区域（）。2候选分类检测本文基于离散小波变换（）和小波熵对训练样本进行分类特征提取。在此基础上，为了更加准确地从所有选定的感兴趣区域中提取出人体目标，同时利用、支持向量机（）的模式识别方法组成复合分类器，进行候选区域分类筛选。本文主要训练了人体、车辆、其他（包括房屋、树木等非人体、车辆目标）等三类样本。双密度双树离散小波变换（），综合了双密度小波和双树小波的优点，具有平移不变性和抗混叠特性、基冗余且尺度不变、近似连续小波变换和具有良好的方向特性。双密度双树离散小波变换（），具有两个不同的尺度函 数（），（）和 四 个 不 同 的 小 波

5、函 数，（），（），（，），其中，（）和，分别是由，（）和，偏移构成，即：式中：，和，分别为近似希尔伯特变换对，即：图像经过双密度双树离散小波变换后生成个低频子带和个高频子带。小波系数能够反映个频带上的细节信息，图像的小波熵能够反映图像小波变换频率空间的能量分布信息，将双密度双树离散小波变换与小波熵结合起来具有更大的表征能力。定义单一尺度下的小波能量为该尺度下小波系数（）的平方和：信号总能量为：相对小波能量为：如果把小波系数矩阵看作一个概率分布序列，则由此序列计算得到的熵反映了该系数矩阵的稀疏程度，即概率分布的有序程度，成为小波熵，根据香农熵的原理，小波熵定义为：3 mean shift 算法

6、3.1 mean shift 算法原理mean shift 算法是一种非参数化的核密度估计算法，对于一组采样数据，把采样数据的值域均匀划分为各个区间 bin，采样数据就根据其值的大小被对应地划分到不同的 bin 当中，每个 bin 当中的采样点个数也就不同，bin 中采样点的个数与总的采样点个数的比值就是每个 bin 的概率值。核密度估计算法根据作用大小权重的不同，用了一个来平滑数据的核函数。下面介绍一下核函数的定义。x 表示 d 维的欧氏空间，x 是该空间中的一个点，用一个列向量表示。x 的模2tx x x， r 表示实数域。如果一个函数 k ： x r存在一个剖面函数k : 0, r，即

7、()()2k x kx，并且满足 k 是非负的，且是非增的， k 是分段连续的，并且 0k r dr ，则函数k x 是核函数。通常我们使用的几种核函数有 e 核、均匀核、高斯核。各个核函数的表达式如下：3.2 mean shift 向量假设d 维空间 rd中有 n 个数据点 xi, i = 1,2,.,n，k(x)表示窗口半径为 h 的核函数，则在点 x 处的核密度估计可表示为：核函数 k (x)的剖面函数为 k (x),使得2k ( x) kx。其基于剖面函数的形式因为核函数具有可微性，将其微分得到核函数密度梯度估计：通过分析可以得出，均值漂移向量始终指向密度增加最大的方向，我们可以通过沿

8、着 mean shift 向量方向逐步搜索的方式来得到密度的局部极大值。通过计算出当前点的偏移量并根据偏移量将该点进行移动，然后以此为新的点再计算其偏移量，再根据新的偏移量继续移动，一直迭代直到收敛才停止。当迭代结束时，核中心的位置收敛到概率分布密度最大点即概率密度的极值。结束语针对红外 图 像 的 特 点，本 文 采 用 了 基 于的红外人体目标检测方法，并采用了基于离散小波变换的小波熵进行分类特征提取，使得对候选区域的特征提取更加精确。使用和组成的复合分类器进行目标区域分类，确保了目标检测的鲁棒性。经试验验证，本文提出的方法具有一定的可靠性，但在温度较低、背景复杂的情况下，检测效果相对其他情况下要稍差，检测率要低于其他情况，虚警率要高于其他情况。这个问题可以通过增加分类器的各类目标学习样本来解决。本文所采用的方法，对目标检测有很好的鲁棒性，不会随着图像中目标数量的增加而影响系统运行速度