毕业论文：视频图像人物识别算法研究.docx

毕业论文：视频图像人物识别算法研究摘要　　　视频图像中的人物识别是一种高效、自然且直接的人机交互的方式。它是研究如何通过计算机，使其按照人类的思维进行逻辑判断和识别，寻找出图像或者视频中的人物，是现如今在计算机视觉领域非常热门的一项研究课题。由于人物的高度灵活性、随意性以及移动高速等特点，使得人物识别成为一项极具挑战性的课题。目前几种较为常用的识别特征算法包括了基于HaarLike特征算法、基于SIFT尺度不变特征算法、基于HOG(Histogram of Orientation Gradient)特征算法和基于HOT(Histogram of Templates)特征算法。较为常用的学习匹配算法包括了Adaboost学习算法和SVM（Support Vector Machine）支持向量机算法。本文在研究每一种算法的基础上，主要针对HOG特征算法和SVM支持向量机算法实现人物识别。目 录一、原理概述1.1 背景介绍1.2 研究现状　1.2.1 Haar-Like　1.2.2 SIFT　1.2.3 HOG　1.2.4 Adaboost　1.2.5 SVM1.3 本文研究内容1.4 本文结构二、开发平台2.1 OPENCV2.1.1 OPENCV简介2.1.2 OPENCV应用2.2 C2.2.1 C简介2.2.2 C应用2.3 代码流程图2.3.1 HOG2.3.2 SVM2.4 代码表格三、具体实现及效果3.1 数据库3.2 HOG特征计算与提取3.3 识别结果总结　3.3.1 总体识别结果　3.3.2 分类讨论识别结果四、总结与展望4.1 总结4.2 展望参考文献原理概述背景介绍　　　随着如今数字信息科技的快速发展，人们对于数字信息科技，尤其是数字图像处理的热情也越发高涨，这刺激了数字图像处理技术的蓬勃发展。越来越多的数码产品进入人们的日常生活，不仅如此，其更新换代的速度也是远远超过了人们的预期。另一方面，计算机的高普及率以及性能的大幅度提高也从侧面促进了对于数字图像处理的发展。复杂的公式和庞大的矩阵计算将不会再成为阻碍人物识别的绊脚石。因此，数字信息科技和计算机技术的日新月异是为视频图像中的人物识别技术提供了非常扎实的基础。而更为成熟的人物识别技术则被运用在了许多方面，例如公安检察、监控、智能汽车、工业识别等都是其较为主要的运用领域。它能够提供比人为识别更为精确的识别结果、更为高效的识别时间。综上，人物识别技术是一项与计算机视觉和数字信息科技息息相关的重要应用技术。　　　实现人物识别的算法通常分为两大步，第一步称为特征提取算法，第二部则是学习匹配算法。特征提取算法指通过某种算法，将图像中被提取出的一小部分区域或者视频中的一小部分片段换算成特征向量。过程中会对提取的信息进行各种预处理，例如颜色归一化、光强归一化等。这之后，会将所有计算得到的特征向量信息汇总至一个大矩阵中，通过构建好的检测器，也就是学习匹配，对向量矩阵进行计算和判断，最终确定所选图像区域或者视频片段中是否有人物出现。　　　人物识别与人脸识别不同，两者的相似之处在于都要对人体的特征进行提取，并且运用的领域大致相同，人脸识别主要针对面部特征进行提取，而人物识别提取身体轮廓的特征，两项技术在刑事侦破、监控等领域都有较为广泛的运用。但人物识别比起人脸识别更具有挑战性的地方在于，其需要克服的困难更多更难。人脸识别在提取特征时主要受到光强、色彩和面部表情的影响，而人物识别除去光强、色彩这两个因素，还有更为困难的背景因素，背景的多样化导致了提取人物轮廓时容易产生错误识别。因此，实现人物识别的挑战性更大。　　　人物识别中最为重要的技术就是特征提取。特征一般是通过对特征一般是通过对需要分类的对象所拥有的知识进行编码得到的。在物体识别领域，特征的设计始终扮演着重要的角色，之所以采用特征形式作为分类的依据，是因为特征与原始像素相比具有以下优势：(1)特征可以表达区域之间的关联信息，这是用有限的单个、独立的原始像素所无法表示的；(2)采用特征对图像进行建模，有利于减小待分类对象的类内距离，同时可以增加待分类对象的类间距离，有利于建立更有效的判别函数；(3)特征更容易形式化，而形式化了的特征计算更加迅速，这对于识别速度有着非常大的正向影响，能够缩短不少识别时间。对于视频中的人物识别或者物体识别，若是按照像素进行则会极大的加大计算复杂度，因为每一帧的像素都是更新的，即使内容不变，但仍然需要重新计算，若是按照特征进行，一则能够将像素整合，多个像素或者一组像素同时进行识别，二则能够降低每帧识别带来的不良影响，三则由于要求实时性，因此在短时间内，识别系统需要识别非常大量的窗口，并且计算对应子窗口中的特征值，所以必须运用快速高效的特征计算方法。因此特征的采用能够大大提高识别效率。　　　Haar