基于視頻序列的行人識(shí)別算法研究.pdf

1、現(xiàn)如今行人識(shí)別技術(shù)在智能監(jiān)控、車輛輔助駕駛系統(tǒng)、智能交通等領(lǐng)域有著重要的商業(yè)價(jià)值和應(yīng)用前景。然而，行人的姿態(tài)、運(yùn)動(dòng)、場景遮擋以及光照變化等因素都會(huì)對行人識(shí)別的準(zhǔn)確率產(chǎn)生影響。本文針對上述問題展開研究，旨在提高行人識(shí)別的準(zhǔn)確率。主要研究內(nèi)容概括如下:
　　(1)基于支持向量機(jī)的行人識(shí)別:采用線性支持向量機(jī)（SVM）做分類器，將Gabor小波和梯度方向直方圖(HOG)融合作為樣本特征。首先對原始圖像做Gabor小波變換，然后對所得圖像

2、進(jìn)行方向和尺度上的融合得到Gabor特征圖像，接著對特征圖像提取HOG特征，完成對圖像G-HOG特征的提取，最后通過SVM進(jìn)行訓(xùn)練從而實(shí)現(xiàn)行人的識(shí)別。
　　(2)基于二維BP神經(jīng)網(wǎng)絡(luò)的行人識(shí)別:許多數(shù)據(jù)通常以矩陣形式表示，而傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)(FNNs)是基于向量輸入的，在使用時(shí)必須將這些矩陣數(shù)據(jù)分解為向量形式，因此使得原始矩陣中元素之間的信息容易丟失。為此提出了一種二維反向傳播算法(2D-BP)來訓(xùn)練二維前饋神經(jīng)網(wǎng)絡(luò)(2D-FN

3、Ns)用于行人識(shí)別，并采用隨機(jī)梯度下降學(xué)習(xí)該網(wǎng)絡(luò)中的所有權(quán)值，最終通過該算法學(xué)習(xí)的網(wǎng)絡(luò)模型有效保留了原始二維矩陣數(shù)據(jù)的結(jié)構(gòu)，有利于行人識(shí)別。
　　(3)兩種行人識(shí)別算法的實(shí)驗(yàn)結(jié)果分析:將基于支持向量機(jī)的行人識(shí)別算法與其他算法在行人數(shù)據(jù)庫上進(jìn)行對比實(shí)驗(yàn)，結(jié)果表明:提取圖像的G-HOG特征能更好的表征行人，利用SVM訓(xùn)練得到的分類器在行人姿態(tài)與背景多樣化的數(shù)據(jù)庫上表現(xiàn)出較高查全率。將基于二維BP神經(jīng)網(wǎng)絡(luò)的行人識(shí)別算法在標(biāo)準(zhǔn)數(shù)據(jù)庫上反復(fù)

4、論證實(shí)驗(yàn)參數(shù)，并與其他算法進(jìn)行對比實(shí)驗(yàn)，結(jié)果表明:該算法能從大量的訓(xùn)練樣本中選出判別能力較強(qiáng)的特征，經(jīng)過調(diào)參之后模型更加穩(wěn)定，從而在數(shù)據(jù)集上表現(xiàn)出較高準(zhǔn)確率。
　　(4)視頻序列中的行人識(shí)別:通過對兩種行人識(shí)別算法的實(shí)驗(yàn)結(jié)果進(jìn)行分析后發(fā)現(xiàn):針對視頻序列中的行人，可以采用一種基于級(jí)聯(lián)分類器的行人識(shí)別算法。首先使用SVM訓(xùn)練的分類器進(jìn)行檢測，保存行人疑似區(qū)域，然后使用二維BP神經(jīng)網(wǎng)絡(luò)在此基礎(chǔ)上進(jìn)一步識(shí)別提高準(zhǔn)確率。實(shí)驗(yàn)結(jié)果表明，該算法