论文部分内容阅读
随着图像处理、计算机视觉和模式识别的快速发展,目标检测、跟踪和识别技术已经广泛应用于实际生活中。鲁棒性强的检测识别技术更是所有检测系统追求的目标,无论是受到客观天气的影响(如雾天)还是体积较小的静止异物,亦或是行人、车辆等一些常见的运动目标,都希望系统能够拥有很低的误检率和良好的识别率。要达到这个目的,就需要充分考虑系统所应用的环境,从而提出性能优良的检测识别算法。本文将详细介绍一个能够同时检测静止以及运动的弱小目标并能够对目标进行智能分析的实时检测识别系统。该系统主要分为预处理、目标检测、智能分析三个模块。预处理模块主要完成检测前的图像增强,提高图像的信噪比,从而使系统能够较好地应对雾天、傍晚等一些能见度、光线对比度较低的情形,以提高弱小目标的检测率。本文采用基于Retinex理论的图像增强算法,利用CUDA并行编程模型,在NVIDA公司最新推出的嵌入式GPU平台Jetson TK1上实现图像增强,以提高预处理速度。随后将增强后的视频送入检测模块,并创新性地提出一种双通道的目标检测模型,在TI公司推出的DM8127图像处理平台上同时实现静止和运动目标的实时检测。最后,DM8127平台对视频帧序列进行H264编码并将编码之后的视频流以及目标检测结果信息发送至后端的主机,主机端对检测出的运动目标采用HOG和SVM算法进行智能分析,识别出该目标是否为行人目标。传统的识别算法需要对一整幅图像进行多个尺度的缩放以及密集扫描,本文只对目标区域进行识别,这样做可以在不影响识别效果的前提下降低算法复杂度,使系统能够实时运行。通过对该实时弱小目标检测系统的整体测试可以表明,该系统具有较强的鲁棒性,能够克服雾天等天气因素和光照变化快速等光照条件的影响,无论是静止还是运动的弱小目标,该系统都能保持良好的性能,特别是对于高度1cm以上,长度3cm以上,颜色与背景有一定差异的静止目标,其在距系统50m以内的漏检率低于5%,且两次误检出现的平均时间间隔在2小时以上。对于1080P的视频输入,整个系统的处理帧率约为20fps,系统的实时性能够保证将其应用到实际场景中。