基于改进ViBe的多行人检测方法

doi:10.12068/j.issn.1005-3026.2016.04.006

东北大学学报:自然科学版 ›› 2016, Vol. 37 ›› Issue (4): 481-485.DOI: 10.12068/j.issn.1005-3026.2016.04.006

基于改进ViBe的多行人检测方法

朴春赫^1,2，潘怡霖¹，赵海¹，朱宏博¹

(1. 东北大学计算机科学与工程学院，辽宁沈阳110819； 2. 金策工业综合大学电子工程系，朝鲜平壤999093)

收稿日期:2015-04-13 修回日期:2015-04-13 出版日期:2016-04-15 发布日期:2016-04-05
通讯作者: 朴春赫
作者简介:朴春赫(1976-)，男，朝鲜平壤人，东北大学博士研究生；赵海(1959-)，男，辽宁沈阳人，东北大学教授，博士生导师.
基金资助:
中央高校基本科研业务费优秀科技人才培育资金资助项目(N140405004)；辽宁省科技厅重点实验室建设基金资助项目(LZ201015).

Multi-pedestrian Detection Approach Based on Improved ViBe Algorithm

PAK Chun-hyok^1,2， PAN Yi-lin¹， ZHAO Hai¹， ZHU Hong-bo¹

1.School of computer Science & Engineering， Northeastern University， Shenyang 110819， China; 2. School of Electronic Engineering， Kim Chaek University of Technology， Pyongyang 999093， DPRK.

Received:2015-04-13 Revised:2015-04-13 Online:2016-04-15 Published:2016-04-05
Contact: PAK Chun-hyok
About author:-
Supported by:
-

摘要/Abstract

摘要： 利用改进的ViBe算法及模板匹配方法对多行人场景进行了目标检测.为了提高运动目标检测性能，提出将原ViBe算法与帧间差分相结合的方法，该方法使二值图像中的鬼影比原ViBe算法消除更为迅速.根据待处理像素点周围已完成的前背景分离结果，利用动态计算模型参数估计前背景，以提高前景目标提取的准确度.基于HOG算法识别运动目标中的行人目标.实验结果表明，该方法在没有降低运动物体检测实时性的同时，明显提高了算法检测的准确度.

关键词: 运动目标检测, 鬼影消除, ViBe, 支持向量机, 行人检测

Abstract: The moving object detection of multi-pedestrian scenario was conducted by using the improved ViBe algorithm and the template matching method. The original ViBe algorithm was combined with the frame difference method to improve the performance of moving object detection， which can more rapidly eliminate the ghosts in the result binary image than the original ViBe algorithm. According to the treated foreground result around the treating pixel， the dynamic model parameters were used to estimate the foreground for improving the accuracy of the foreground object detection. The HOG algorithm was used to detect the pedestrians in the moving objects. The results showed that the method does not reduce the real-time performance of moving object detection， and significantly improve the accuracy of the detection algorithm.

Key words: moving object detection, ghost elimination, ViBe, SVM, pedestrian detection

中图分类号:

TP317.4

朴春赫，潘怡霖，赵海，朱宏博. 基于改进ViBe的多行人检测方法[J]. 东北大学学报:自然科学版, 2016, 37(4): 481-485.

PAK Chun-hyok， PAN Yi-lin， ZHAO Hai， ZHU Hong-bo. Multi-pedestrian Detection Approach Based on Improved ViBe Algorithm[J]. Journal of Northeastern University Natural Science, 2016, 37(4): 481-485.

参考文献

[1]Brox T，Bruhn A，Papenberg N，et al.High accuracy optical flow estimation based on a theory for warping［M］.Berlin:Springer，2004:25-36.
[2]Zhan C H，Duan X H，Xu S Y，et al.An improved moving object detection algorithm based on frame difference and edge detection［C］//Image and Graphics.Sichuan:IEEE，2007:519-523.
[3]Zivkovic Z.Improved adaptive Gaussian mixture model for background subtraction［C］// Proceedings of the 17th International Conference on Pattern Recognition.Cambridge:IEEE，2004:28-31.
[4]Kim K，Chalidabhongse T H，Harwood D，et al.Real-time foreground-background segmentation using codebook model［J］.Real-Time Imaging，2005，11(3):172-185.
[5]Barnich O，Van Droogenbroeck M.ViBe:a universal background subtraction algorithm for video sequences［J］.IEEE Transactions on Image Processing，2011，20(6):1709-1724.
[6]Papageorgiou T D，Curtis W A，McHenry M，et al.Neurofeedback of two motor functions using supervised learning-based real-time functional magnetic resonance imaging［C］// Annual International Conference of the IEEE.Minneapolis :IEEE，2009:5377-5380.
[7]Comaniciu D，Meer P.Mean shift:a robust approach toward feature space analysis［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(5):603-619.
[8]Forssen P E，Lowe D G.Shape descriptors for maximally stable extremal regions［C］// The 11th International Conference on Computer Vision.Rio de Janeiro: IEEE，2007:1-8.
[9]Mikolajczyk K，Schmid C.Scale & affine invariant interest point detectors［J］.International Journal of Computer Vision，2004，60(1):63-86.
[10]Dalal N，Tnggs B.Histograms of oriented gradients for human detection ［C］//IEEE Conference on Computer Vision and Pattern Recognition.San Diego:IEEE，2005:886-893.
[11]吴东飞.静态场景下多运动目标检测与跟踪［D］.合肥:合肥工业大学，2013.(Wu Dong-fei.Multi-moving object detection and tracking based on static scenario［D］.Hefei:Hefei University of Technology，2013.)
[12]Van Droogenbroeck M，Paquot O.Background subtraction:experiments and improvements for ViBe［C］//Computer Vision and Pattern Recognition Workshops (CVPRW).Providence:IEEE，2012:32-37.

[1]	王宏民，禅亮. 基于频谱相关性分析的齿轮早期磨损诊断[J]. 东北大学学报（自然科学版）, 2023, 44(1): 18-25.
[2]	陈兵，韩烬阳，唐晓垒，夏搏然. 基于机器学习的拉矫延伸率预测模型及数值分析[J]. 东北大学学报（自然科学版）, 2022, 43(2): 236-242.
[3]	王璐，王帅，张国峰，徐礼胜. 基于语义分割注意力与可见区域预测的行人检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1261-1267.
[4]	刘琼，罗晴，彭绍武. 车载热成像行人检测RoI提取方法[J]. 东北大学学报:自然科学版, 2020, 41(8): 1083-1090.
[5]	李鸿儒，王奕文，邓靖川. 基于信息融合的电熔镁炉熔炼异常工况等级识别[J]. 东北大学学报:自然科学版, 2020, 41(2): 153-157.
[6]	郭甲腾，刘寅贺，韩英夫，王徐磊. 基于机器学习的钻孔数据隐式三维地质建模方法[J]. 东北大学学报:自然科学版, 2019, 40(9): 1337-1342.
[7]	曹德芳，刘柏池. SVM财务欺诈识别模型[J]. 东北大学学报:自然科学版, 2019, 40(2): 295-300.
[8]	姜慧研，刘若楠，高菲菲，苗宇. 基于张量子空间的半脑对称度特征与癫痫识别[J]. 东北大学学报:自然科学版, 2017, 38(7): 923-927.
[9]	马跃，王洪福，孙伟，黄余彬. 数控机床多变量关联热误差组合模型及其实验验证[J]. 东北大学学报:自然科学版, 2017, 38(5): 700-705.
[10]	李召，王大志. 基于改进支持向量机的永磁驱动器设计[J]. 东北大学学报:自然科学版, 2017, 38(2): 158-163.
[11]	刘宇，王迁，刘阔，张义民. 基于小波奇异性和支持向量机微铣刀破损检测[J]. 东北大学学报:自然科学版, 2017, 38(10): 1426-1430.
[12]	王彦华，乔建忠，林树宽，赵廷磊. 基于SVM的CPU-GPU异构系统任务分配模型[J]. 东北大学学报:自然科学版, 2016, 37(8): 1089-1094.
[13]	王健，孙志礼，于震梁，柴小冬. 基于支持向量机的机械零件剩余寿命区间估计[J]. 东北大学学报:自然科学版, 2016, 37(7): 974-978.
[14]	刘冲，于清文，陆志国，王宏. 基于最小二乘支持向量机的脑电信号分类[J]. 东北大学学报:自然科学版, 2016, 37(5): 634-637.
[15]	翟军昌，葛延峰，梁鹏，高立群. 一种参数自调整风电功率预测模型[J]. 东北大学学报:自然科学版, 2016, 37(2): 153-156.

基于改进ViBe的多行人检测方法

Multi-pedestrian Detection Approach Based on Improved ViBe Algorithm

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价