人体目标是基于视频的应用中最为重要的一类目标,人体目标检测也是目标检测领域的一个研究难点和热点,其应用领域相当广泛,主要包括智能视频监控、汽车辅助驾驶、自动人数统计、视频压缩以及视频检索等。由于人体目标属于非刚性目标,目标自身以及目标之间在不同的条件下差异较大,所以导致人体目标检测所面临的困难比其他目标检测(如人脸检测)更大,需要考虑的情况也更多。 本文系统地研究了如何在视频图像中检测人体目标的问题,由于大部分应用都是针对直立行人,所以本文主要关注直立行走的人类目标。根据应用的场景和视频采集设备的不同,本文对所研究的问题进行了分类：1)静止摄像机近距离拍摄目标；2)静止摄像机远距离拍摄目标：3)运动摄像机拍摄场景；4)红外视频拍摄场景。 从以上四个子问题出发,本文提出了相对应的解决方法,其主要内容包括： 1)运动分割是很多基于视频的应用的第一个步骤,由于运动分割的效果在很大程度上决定了后面目标检测的精确度,所以本文对实时精确的运动分割方法进行了研究,提出了一种基于两次背景更新的运动分割方法,能够快速精确地实现视频序列中多个运动目标的分割,并消除背景噪声运动、目标阴影以及场景变化的影响。 2)针对静止摄像机近距离拍摄目标的情形,提出一种基于运动分割和肤色判别的人体目标检测方法。该情形下由于场景的背景可以准确估计,且目标的颜色信息较为清晰,所以可以通过运动分割获取精确的运动前景,然后在运动前景区域中采用肤色判别和人体目标的长宽比经验值相结合的方法对目标进行检测。该方法速度快,适用于一些监控场景较小的应用。 3)针对静止摄像机远距离拍摄目标的情形,提出一种基于运动形状周期性特征的人体目标检测方法。该情形下由于目标较小,颜色信息不清晰,所以无法通过肤色等特征对其进行判别。本文在前人研究成果的基础上,提出了改进的解决方法,该方法采用Hausdorff距离计算运动目标在一段时间内的投影相似性,并将结果存储在码书中,对目标的判断和对目标的跟踪都使用码书来完成。相比现有方法,该方法减少了对存储空间和计算时间的要求,适用于一些大场景的监控应用。 4)摄像机运动时,场景背景不断发生变化,显然无法通过运动分割获取前景区域,因此本文采用了另外一种研究思路,即统计模式识别的方法。本文首先对人体目标特征的提取方法进行了综述,然后提出了基于二维Gabor小波变换和PCA方法的特征提取方法,由于二维Gabor小波变换响应能够在多个尺度的多个方向上对目标的局部区域像素值变化进行描述,所以相比只能在水平、垂直和对角线三个方向上描述目标的Haar小波,其优势明显。本文利用三个主要的行人库与Haar小波特征提取方法进行了对比实验。 5)本文还提出了采用二维Gabor小波进行人体目标检测的具体方法,即采用Adaboost算法对高维的Gabor特征进行选取,并训练出强分类器。为了提高检测精确度和加快训练速度,提出利用单一正样本库与多个负样本库训练出的多个强分类器级联组成的层级检测分类器对目标进行检测。 6)针对很多分类器训练方法利用大样本进行训练时资源消耗过大的问题,本文提出了一种基于Mean Shift聚类的样本减少方法,该方法通过采用Mean Shift算法对同类样本进行聚类,找出同类样本的模态点,并代替原始样本,从而有效减少样本数。与其他样本减少方法相比,该方法能够在不显著影响分类精度的前提下减少样本的数量,加快训练速度。 7)针对红外视频的特点,本文提出了解决方法。该方法首先利用红外图像的像素值近似呈现单模态分布的特点,对高亮像素进行检测,然后采用灰度直方图和投影直方图柏结合的2D直方图特征对目标进行检测。