现如今,视频监控技术广泛应用于银行、超市、车站以及学校等公共区域的行人监测。但是现有视频监控系统仅处于对视频的记录阶段,无法精准捕捉运动行人及其清晰外貌,这给公安刑侦人员调查取证带来一定困难。因此,研究视频监控中的行人检测与清晰外貌捕捉方法具有重大意义。头肩检测作为行人外貌捕捉的关键步骤,其目的在于准确地获取行人头肩位置,为行人清晰外貌的捕捉提供可靠的前提条件。本文应用图像处理与机器学习技术,开展了公共区域下行人头肩检测方法研究,主要研究内容分为三个模块,分别是运动目标检测模块、行人头肩检测模块以及主从摄像机联动标定模块,具体工作及创新点如下:(1)针对行人清晰外貌捕捉要求,采用鱼眼摄像机结合PTZ摄像机设计主从式监控系统,同时针对主从摄像机之间的联动要求,应用数据拟合的空间标定算法,在合理选取样本点的基础上,依据样本点在鱼眼摄像机中的像素位置和PTZ摄像机拍摄样本点所需旋转的角度生成查找表,完成主从摄像机之间的联动标定,实现了主从摄像机之间的联动要求。在整体行人头肩检测与清晰外貌捕捉系统搭建完成后的验证表明,每5ms就可以完成一次主从摄像机之间的联动。(2)针对传统ViBe算法中存在的“死区”以及运动目标阴影干扰问题,提出了结合感知哈希算法和基于图像RGB色彩信息的高斯拉普拉斯差分算法的改进ViBe算法,实现了对“死区”的抑制,消除了运动目标阴影,完成了对视场范围内运动目标的检测。实验表明,相较于传统ViBe算法在视频的1315帧才能完成对“死区”的抑制,改进后的ViBe算法仅在视频的15帧就完成了对“死区”的抑制,同时没有了运动阴影的干扰。(3)针对行人头肩检测过程中误检率高的问题,提出两阶段头肩检测算法:首先,使用基于AdaBoost思想的级联分类算法训练HOG特征生成第一阶段头肩检测器,检测出行人头肩部位的“候选区域”;接着,使用SVM分类算法训练ORB特征生成第二阶段头肩检测器,对“候选区域”进行第二次检测,并以此为最终结果。实验表明,两阶段检测算法头肩检测准确率达到了80.86%,相较于传统HOG+AdaBoost检测算法准确率提升了近10个百分点。