基于視頻序列的行人識別算法研究.pdf

1、現(xiàn)如今行人識別技術在智能監(jiān)控、車輛輔助駕駛系統(tǒng)、智能交通等領域有著重要的商業(yè)價值和應用前景。然而，行人的姿態(tài)、運動、場景遮擋以及光照變化等因素都會對行人識別的準確率產(chǎn)生影響。本文針對上述問題展開研究，旨在提高行人識別的準確率。主要研究內(nèi)容概括如下:
　　(1)基于支持向量機的行人識別:采用線性支持向量機（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進行訓練從而實現(xiàn)行人的識別。
　　(2)基于二維BP神經(jīng)網(wǎng)絡的行人識別: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(FNNs)是基于向量輸入的，在使用時必須將這些矩陣數(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)來訓練二維前饋神經(jīng)網(wǎng)絡(2D-FN

3、Ns)用于行人識別，并采用隨機梯度下降學習該網(wǎng)絡中的所有權(quán)值，最終通過該算法學習的網(wǎng)絡模型有效保留了原始二維矩陣數(shù)據(jù)的結(jié)構(gòu)，有利于行人識別。
　　(3)兩種行人識別算法的實驗結(jié)果分析:將基于支持向量機的行人識別算法與其他算法在行人數(shù)據(jù)庫上進行對比實驗，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)絡的行人識別算法在標準數(shù)據(jù)庫上反復

4、論證實驗參數(shù)，并與其他算法進行對比實驗，結(jié)果表明:該算法能從大量的訓練樣本中選出判別能力較強的特征，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)出較高準確率。
　　(4)視頻序列中的行人識別:通過對兩種行人識別算法的實驗結(jié)果進行分析后發(fā)現(xiàn):針對視頻序列中的行人，可以采用一種基于級聯(lián)分類器的行人識別算法。首先使用SVM訓練的分類器進行檢測，保存行人疑似區(qū)域，然后使用二維BP神經(jīng)網(wǎng)絡在此基礎上進一步識別提高準確率。實驗結(jié)果表明，該算法