基于多特征信息融合的靜態(tài)圖像行人檢測.pdf

1、行人檢測是計(jì)算機(jī)視覺領(lǐng)域重要的研究方向，其涉及到數(shù)學(xué)、模式識(shí)別、人工智能和機(jī)器學(xué)習(xí)等多學(xué)科的知識(shí)。行人檢測在智能交通領(lǐng)域（如車輛安全、視頻監(jiān)控和自動(dòng)駕駛系統(tǒng)等）具有廣泛的應(yīng)用前景。因此，對(duì)行人檢測的研究具有極大的理論意義和實(shí)際應(yīng)用價(jià)值。然而，由于行人檢測受到光照變化、遮擋以及人體自身變化大等因素的影響，設(shè)計(jì)一個(gè)高效的行人檢測算法仍是一項(xiàng)具有挑戰(zhàn)的任務(wù)。
　　近年來，一些經(jīng)典的圖像特征的提出使得行人檢測方法的性能有了長足的進(jìn)步。然而

2、，人為設(shè)計(jì)的特征仍然存在著一些局限性。本文針對(duì)靜態(tài)圖像的行人檢測中多特征信息融合的問題展開了三個(gè)方面的研究。本文主要工作和創(chuàng)新之處概括如下:
　　(1)提出了一種基于多特征融合的行人檢測方法。由于單個(gè)特征在設(shè)計(jì)時(shí)往往只考慮某些特定的視覺特性（如顏色、梯度和紋理等），因此其具有一定的局限性。多特征的融合有助于結(jié)合多個(gè)特征的優(yōu)點(diǎn)來提高行人檢測的性能。然而多特征的融合會(huì)導(dǎo)致高維數(shù)據(jù)的產(chǎn)生，因此引入一種有效的降維方法具有重要意義。傳統(tǒng)的偏

3、最小二乘(Partial Least Squares，PLS)降維方法已經(jīng)在特征降維中展現(xiàn)了其良好的性能。我們?cè)谄浠A(chǔ)上提出了一種基于正則加權(quán)最小二乘(RegularizedWeighted Least Squares，RWLS)的PLS方法，用于行人檢測中多特征融合后的特征降維。在該方法中，為了最小化樣本殘差，我們構(gòu)造了一個(gè)RWLS的目標(biāo)函數(shù)，并在其中增加了一個(gè)判別項(xiàng)用于更好地區(qū)分正負(fù)樣本。最終，通過求解該目標(biāo)函數(shù)可以得到更加魯棒的潛

4、在矩陣和權(quán)重（投影）矩陣。實(shí)驗(yàn)結(jié)果證明，本文提出的多特征融合的方法不僅可以有效地融合多特征的優(yōu)點(diǎn)，同時(shí)可以極大地減少了特征融合帶來的計(jì)算復(fù)雜度。
　　(2)提出了一種基于加權(quán)稀疏偏最小二乘方法(Weighted Sparse PartialLeast Squares，WSPLS)的行人檢測方法。在行人檢測中，通過積分技術(shù)對(duì)不同的圖像特征通道進(jìn)行快速計(jì)算的方法得到了廣泛的關(guān)注，其中基于積分通道特征的方法是其代表性工作之一。本文在積分

5、通道特征方法（如Locally DecorrelatedChannel Features，LDCF)的基礎(chǔ)上，為了能利用特征選擇去除高維特征中的冗余和不相關(guān)信息，提出了一種基于WSPLS的行人檢測方法。在該方法中，結(jié)合(1)中得到的優(yōu)化后的潛在矩陣和稀疏偏最二乘法(Sparse Partial Least Squares，SPLS)訓(xùn)練稀疏權(quán)重矩陣。最后，利用稀疏權(quán)重矩陣的稀疏特性選擇積分通道特征用于訓(xùn)練決策樹分類器，同時(shí)把每個(gè)特征在稀

6、疏權(quán)重矩陣中的加權(quán)信息與每個(gè)決策樹相結(jié)合，訓(xùn)練出更加魯棒的行人檢測分類器。實(shí)驗(yàn)結(jié)果表明，基于WSPLS的特征選擇和權(quán)重信息融合的方法，不僅可以去除人體特征中大部分冗余和不相關(guān)信息，而且可以訓(xùn)練出更加魯棒的行人分類器。
　　(3)提出了一種基于局部多特征共生性(Local Multiple Feature Co-occurrence，LMFC)的行人檢測方法。(2)中提出的WSPLS方法，在對(duì)積分通道特征進(jìn)行選擇時(shí)，只選擇單個(gè)特征用