搜索
校验码：b94698dc-59d3-45bb-92db-9ac32e40fae3投送学科一级学科：控制科学与工程二级学科：模式识别与智能系统如是学科交叉研究，所涉及的一级学科：二级学科：是否涉密：是否√中国博士后科学基金面上资助申请书（第52批）申请者：----博士后全国统一编号：----申报单位：----项目名称：基于非参数估计的行人检测与跟踪方法研究研究方向：生物识别图像处理通讯地址：----邮政编码：----E－mail：----固定电话：----移动电话：----申请日期：2012年08月23日中国博士后科学基金会制校验码：b94698dc-59d3-45bb-92db-9ac32e40fae3须知1.申请者应认真阅读《中国博士后科学基金资助规定》和《中国博士后科学基金面上资助实施办法》，按有关要求逐项填写申请材料。2.如申请项目涉密，不得在网上提交申请材料。申请者需下载申报软件，填写后打印3份申请材料，刻录光盘一张，一并报送设站单位进行审核。3.“投送学科”系指申请者所报项目的所属学科。若申报项目是学科交叉研究项目，应填写所涉及的学科名称。4.“项目名称”不得超过25个字。5.“研究方向”系指申请者所报项目的研究方向，不得超过15个字。6.填表必须实事求是，认真翔实，不得弄虚作假。校验码：b94698dc-59d3-45bb-92db-9ac32e40fae3一、个人信息姓名----性别女出生日期1977-12-08身份证号61030319771208382x国籍中国民族汉族进站时间2011年07月01日预计出站时间2013年06月01日进站单位流动站√0--------工作站√0--------学位情况学位授予年月授予单位一级学科导师学士2001年07月西安电子科技大学物理电子学张建奇硕士2005年04月西安电子科技大学软件工程徐学洲博士2011年06月西安电子科技大学光学工程张建奇主要研究工作经历起止年月单位研究内容项目分工2011-07至2012-03北京市科学技术研究院基于智能视频分析的人群统计方法研究人群检测与跟踪2010-03至2011-07北京市科学技术研究院人脸识别人脸图像预处理2008-04至2009-03北京普赛科技有限公司人脸识别人脸特征点定位2007-05至2008-03西安电子科技大学红外人脸识别红外人脸检测与识别2005-05至2007-04西安电子科技大学红外弱小目标检测复杂背景下的红外弱小目标检测校验码：b94698dc-59d3-45bb-92db-9ac32e40fae3曾获得的研究成果获得科研奖励或基金资助情况（可加项）获得时间项目名称奖励或资助名称等级排名2012-05-15基于动态规划的行人检测与跟踪方法研究北京市博士后科研活动经费资助A类12012-03-01基于非参数估计的行人检测与跟踪方法研究北京市科学技术研究院青年骨干计划11参加或主持的科研项目（可加项）批准时间项目名称下达部门项目性质项目经费项目进展承担责任2012-05-15基于动态规划的行人检测与跟踪方法研究北京市博士后基金应用研究项目4项目启动阶段复杂背景下的行人检测与跟踪方法研究2012-03-01基于非参数估计的行人检测与跟踪方法研究北京市科学技术研究院应用研究项目5.50项目启动阶段作为第一完成人，负责复杂背景下人群检测与跟踪算法研究2010-03-01面向城市公共安全的模式识别研发试验平台建设北京市科学技术研究院应用研究项目300结题验收人脸识别2008-03-01北京奥运会开幕式场馆人脸识别系统北京奥组委科学技术产业化项目500结题验收人脸特征点定位2005-04-01红外纹理生成方法研究国家自然科学基金委员会自由探索性基础研究18结题验收红外纹理建模方法研究2005-04-01基于三角形靶标的光电成像系统性能表征新方法国家自然科学基金委员会战略性基础研究20结题验收光电成像系统性能量化方法研究发表的有代表性论文（包括已被录用、待发表的论文，可加项）发表时间论文题目学术刊物或会议名称学术刊物或会议类型收录情况排名2012-02-01FeatureExtractionBasedonEqualizedULBPforFaceRecognitionProceedingsoftheInternationalConferenceonComputerScienceandElectronic国际学术会议EI1校验码：b94698dc-59d3-45bb-92db-9ac32e40fae3Engineering2011-04-01FacerecognitionmethodbasedonsupportvectormachineandparticleswarmoptimizationExpertSystemswithApplications国际刊物SCI12011-04-01一种新的人脸归一化方法西安电子科技大学学报(自然科学版)国内核心期刊EI12009-07-01基于局部梯度算子的嘴部检测与定位光电工程国内核心期刊12009-03-01一种改进的光谱图像反演地表目标遥感反射率的方法光子学报国内核心期刊32008-02-01一种新的高光谱图像中太阳耀斑去除方法光学学报国内核心期刊EI32007-03-01基于视觉注意力模型的红外目标检测红外技术国内核心期刊1出版的有代表性的专著（可加项）出版时间论著名称独著或合著出版社合著排名获专利情况（可加项）受理（授权）时间名称类型排名其他荣誉或成果（可加项）获得时间荣誉或成果校验码：b94698dc-59d3-45bb-92db-9ac32e40fae3二、申报项目基本信息名称中文基于非参数估计的行人检测与跟踪方法研究英文Researchonpedestriandetectionandtrackingbasedonnonparametricestimation研究类别基础研究应用基础√技术开发项目来源自选项目√国家自然科学基金项目863高技术研究项目973计划项目国家社科基金项目其它国家级重点项目省市或部门重大项目其它项目研究经费来源及数额市财政，5万元项目简要介绍随着经济的不断发展和社会的日益进步，智能视频监控显示出前所未有的紧迫性和重要性。特别是那些对安全要求比较敏感的场合进行智能视频监控引起各国政府的高度重视。而行人目标作为监控场景中最重要和最活跃的元素，使得行人目标检测、识别与跟踪技术得到越来越多的关注和应用。基于视频的行人检测与跟踪经过多年的发展，已经成为智能家居、人机接口及图像检索等实际应用的关键技术。为了进一步推动智能视频技术的发展，将其推向更大规模的应用，本项目拟在充分借鉴和吸收相关领域研究成果的基础上，开展实时的行人检测与跟踪的理论和关键技术研究，包括构建行人肢体检测方法、基于聚类算法的肢体分类方法，构建基于概率推理框架的人体模型，基于人体模型的视频人体跟踪方法等。为构建基于智能视频分析的行人检测与跟踪系统提供有限的理论和技术支持，最终实现技术研究与相关产业的紧密结合，以获得良好的经济效益和社会效益。关键词肢体检测；运动人体跟踪；非参数密度估计；隐马尔科夫模型；人体识别校验码：b94698dc-59d3-45bb-92db-9ac32e40fae3三、项目立论依据内容包括：研究意义、国内外研究现状综述、项目创新之处、主要参考文献及出处（注：可加页）。研究意义基于视频的行人跟踪技术是计算机视觉领域中近几年来备受关注的一个应用领域。其最终目的就是要使计算机能够自动检测、跟踪和分析视频画面中的行人，从而能够更加有效的协助监控人员获得准确信息，并处理突发事件，降低漏报和误报现象。近年来，基于视频的行人跟踪技术在我国已经开始逐渐受到重视，各个试点和示范城市纷纷投入巨大的精力构架社会治安防控体系，投入大量的资金用于城市报警与监控体系的建设。在世界反恐斗争日趋严峻的今天，基于视频的行人跟踪显然能够成为对应恐怖主义袭击和处理突发事件的有力辅助工具。行人检测与跟踪作为一项新兴的智能视频监控技术具有方便易用、检测速度快、跟踪精度高等特点，逐渐成为国内外学者的研究热点。经过多年发展，行人跟踪技术已经逐步成熟并走向实用化和产业化。但是由于人体的运动由人体肢体的运动组合而成，而人体肢体运动的复杂多变，导致整体人体的运动方式多样且繁杂，因此人体运动的精准跟踪不容易实现。因此，开展基于视频的行人检测与跟踪技术研究具有重要的理论意义，另一方面，利用现有的硬件设备，结合图像处理方法和概率推理方法，通过跟踪并分析视频序列图像上的人体运动，进而理解人体行为，是充分利用计算机的高速处理能力，并与数学建模方法相结合的对人体行为理解这一课题进行研究探索的一条可行途径。因此，本项目可以推动人体特征行为识别和分析，具有很高的研究价值。国内外研究现状综述本项目拟在已有相关领域研究成果的基础上，有针对性地研究基于智能视频的行人跟踪理论和关键技术，下面将从非合作方式的运动人体视频跟踪方面对本领域的国内外研究现状进行分析。在应用方面，先后有以下的机构或公司开发了非合作方式的用于跟踪运动人体的各种系统：1997年美国的DARPA(DefenseAdvancedResearchProjectsAgency)为首联合CMU(卡内基.梅隆大学)和MIT(麻省理工学院)等高校开发的VSAM项目[1]。这个系统的初衷是开发一种协作方式的多传感器监控技术，用于在战场上提供预警。该系统中的自动视频理解功能可使操作人员充分利用分布式的监控网络轻松监校验码：b94698dc-59d3-45bb-92db-9ac32e40fae3视类似战场的复杂场景中的行为，给决策人员提供可靠的信息支持。此外类似的项目还有IBM与美国马里兰大学(UniversityofMaryland)联合开发的W4(What,Where,When,Who)系统[2]。该系统可用于实现多人的跟踪和定位，并能检测和分割出人体所携带的物品；ChristopherRichardWren,AliAzarbayejani等人开发的Pfinder系统[3]，利用基于颜色和形状的概率模型开发出实时跟踪人体肢体运动的跟踪系统；类似的系统还有雷丁大学等参与的欧洲Annotateddigitalvideoforintelligentsurveillanceandoptimizedretrieval系统。该系统可用于帮助视频监控工作人员分析各种场景，并对可能的人体异常行为加以标注，如斗殴等。美国加州伯克利大学的Deva.Ramanan提出的基于片图模型(PictiorialStructure)的人体跟踪系统与识别系统[4]，可用于实现对视频序列中人体的跟踪并识别人体日常的行为。麻省理工学院开发的Kidsroom系统，利用3台摄像机和6台高速电脑实现对人体位置的跟踪并识别人体的行为；类似的系统还有微软公司的Televisioncontrolbyhandgesture系统和Easyliving系统。这些系统针对不同的用户和应用场合开发，其功能从较简单到复杂，使用的方法也各不相同，这都得益于相关理论的研究发展。在理论研究层面，近年来有众多学者对非合作方式的人体检测与跟踪进行了大量的研究。在行人检测的领域内，国内外学者经过多年的研究，形成了几种比较流行的框架结果。可以把这些框架简单的划分为两类[5]：第一类为基于视频中的运动信息的目标检测算法，例如背景减除[6]，混合高斯模型(GMM)[7,8]，运动历史图像(MHI)[9]等等。第二类为基于检测目标的特征，设计训练相应的分类器进行检测，例如利用纹理特征Haar[10,11]、局部二值化模式(LocalBinaryPattern，LBP)[12]特征进行检测，利用边缘特征梯度方向直方图(HistogramofOrientedGradient,HOG)[13]，Edgelet[14]等特征进行检测等。Dalai[15]等人在2005年提出了类SIFT[16](Scale-InvariantFeatureTransform)的基于梯度方