基于人头目标检测的商场人流量自动统计

针对商场人流量自动统计中行人遮挡情况下计数的困难,提出基于人头目标检测的商场人流量自动统计算法.首先提取Haar特征训练Adaboost人头目标分类器,再利用Camshift算法对目标进行跟踪,使用Kalman缩小跟踪目标的搜索范围,最后利用人头模板匹配方法,判断目标是否属于同一行人.实验结果表明,此方法平均正确率达到98.2%,且统计每个行人目标只需19 ms.     

利用自适应组合模型实现车辆跟踪

针对视频序列图像目标车辆跟踪中经常因场景光照变化、目标旋转、遮挡等因素导致丢失问题,提出了基于颜色自适应的改进CamShift算法;通过建立凸函数组合模型,利用多目标规划最优求解算法获取自适应颜色识别最佳组合,提高了算法抗干扰能力;利用目标倾角预测识别目标发生形变和旋转,构造多变量状态信息预测目标发生遮挡和瞬间消失,并通过IIR滤波器快速预测目标在下一时刻的运动方式。实验表明,本算法跟踪精度高,鲁棒性强。     

融合多模型的粒子滤波运动目标实时跟踪算法

提出了一种融合多模型的粒子滤波跟踪新算法(MMGPF),并将其应用于行人与汽车跟踪。此跟踪算法特点在于:(1)将Camshift跟踪算法和AdaBoost分类器的输出作为观测值优化建议概率分布;同时,改进粒子滤波的算法结构,有效地提高了粒子滤波的采样效率;在不影响跟踪性能的情况下,大幅减少了跟踪所需粒子数。(2)用两种描绘子提高对似然性的估计。(3)采用两种有效措施提高算法的实时性。通过多模型融合,有效地解决了目标跟踪过程中由于目标相互遮挡、目标消失再重现、光照变化和目标与背景颜色相近所造成的跟踪丢失。行人和汽车的跟踪试验结果证明该算法具有鲁棒性和实时性。     

基于头部姿态特征的列车司机疲劳驾驶检测系统研究

列车司机疲劳驾驶严重威胁列车行车安全.为弥补人眼检测方法存在的不足,提出了1种基于头部姿态特征的列车司机疲劳驾驶检测方法.该方法首先采用AdaBoost算法检测人脸区域,然后采用Camshift算法对人脸进行跟踪,并对人脸的旋转角度进行计算,得出其旋转角速度以及旋转角加速度,最后根据其头部的倾斜角度以及旋转角速度综合判断列车司机的疲劳状态.建立了头部旋转物理模型,得到头部自由旋转时角速度与角加速度随旋转角度的变化曲线.在上述方法的研究基础上,研发了1个基于头部偏转情况判断疲劳驾驶的系统.该方法的疲劳检测成功率为87.5％,但其只能对头部缓慢倾斜和头部突然向两侧倾斜这2种疲态状态进行报警,尚不能对打呵欠、低头、闭眼等其他疲劳状态做出反应,需与其他检测方式结合使用.