在熱紅外視頻監(jiān)控環(huán)境下,針對熱紅外圖像因周圍環(huán)境溫度變化而導(dǎo)致熱紅外圖像灰度值反轉(zhuǎn)的問題,提出了一種通過熱紅外圖像的邊界特征和運(yùn)動特征的融合來提取行人目標(biāo)前景區(qū)域的方法。首先,利用行人目標(biāo)和周圍環(huán)境存在的顯著性差異來提取行人目標(biāo)的邊界特征,對所提取的邊界特征進(jìn)行邊界填充,并利用熱紅外行人目標(biāo)分類器來排除誤檢目標(biāo),從而獲取最終的邊界特征提取結(jié)果;其次,利用相鄰幀之間的運(yùn)動信息來獲取行人目標(biāo)的運(yùn)動特征,對所獲取的運(yùn)動特征進(jìn)行形態(tài)學(xué)處理,并利用熱紅外行人目標(biāo)分類器來排除誤檢目標(biāo),從而獲取最終的運(yùn)動特征提取結(jié)果;最后,對所獲取的邊界特征提取結(jié)果和運(yùn)動特征提取結(jié)果進(jìn)行融合來獲得最終的檢測結(jié)果。實(shí)驗(yàn)證明,在公開的OSU和LSI熱紅外圖像行人目標(biāo)檢測數(shù)據(jù)集中,所提方法能夠有效地降低環(huán)境溫度變化的不利影響,并提高行人目標(biāo)前景區(qū)域提取的精度。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1行人目標(biāo)前景區(qū)域提取的方法流程

其中,熱紅外行人目標(biāo)分類器模型是在LSI熱紅外行人目標(biāo)分類數(shù)據(jù)集[24]上使用文獻(xiàn)[24]中的SVM線性模型進(jìn)行訓(xùn)練得到的,在訓(xùn)練時所使用的行人正負(fù)樣本比例是1∶4。本文方法總體流程如圖1所示。2.1邊界特征提取

圖2邊界特征提取的結(jié)果

式中:Iboundary(i,j)為圖像在位置(i,j)處的邊界信息;dxth(i,j)和dyth(i,j)分別為在圖像位置(i,j)處經(jīng)過閾值處理的水平方向和垂直方向的梯度信息。邊界特征提取及行人目標(biāo)分類器模型在邊界特征提取過程中的各階段結(jié)果如圖2所示。圖2(a)是輸入的原始熱....

圖3運(yùn)動特征提取的結(jié)果

圖3(a)和圖3(b)是視頻序列中相鄰2幀熱紅外圖像數(shù)據(jù);圖3(c)是經(jīng)幀差處理的結(jié)果,白色區(qū)域表示運(yùn)動目標(biāo),黑色區(qū)域是背景;圖3(d)為經(jīng)形態(tài)學(xué)處理及行人目標(biāo)分類器模型排除誤檢后的最終結(jié)果。3實(shí)驗(yàn)結(jié)果與分析

圖4OSU熱紅外行人目標(biāo)檢測數(shù)據(jù)集實(shí)驗(yàn)效果

在圖4中,第1行是原始圖像,第2行是熱紅外圖像所對應(yīng)的GroundTruth,第3行是顯著性檢測方法[31]所得的實(shí)驗(yàn)結(jié)果,第4行是幀差法[13]所得的實(shí)驗(yàn)結(jié)果,第5行是本文方法的實(shí)驗(yàn)結(jié)果。從視覺效果上看,相比于顯著性檢測方法和幀差法,本文方法能夠更準(zhǔn)確地檢測行人目標(biāo)前景區(qū)域,尤....

本文編號：3986988