靜態(tài)圖像下多特征融合的行人檢測方法研究.pdf

1、行人檢測已經(jīng)成為視覺監(jiān)控、汽車智能輔助駕駛、人體行為分析等領(lǐng)域的熱點研究方向。同時，該技術(shù)也廣泛應(yīng)用于災(zāi)難現(xiàn)場營救、泥石流預(yù)警等新興領(lǐng)域。近年來，研究人員通過結(jié)合經(jīng)典算子不斷提出適用于不同環(huán)境下的行人檢測方法，包括基于梯度方向的（Histograms of Oriented Gradients，HOG）特征算子、基于金字塔式梯度直方圖（Pyramid Histogram of Oriented Gradients，PHOG）特征算子、融

2、合多特征的方法等。以上的這些方法主要是基于機器學(xué)習(xí)的方法，通過提取圖像特征進(jìn)行訓(xùn)練和檢測。該方法主要分為樣本特征提取以及分類器設(shè)計兩個部分。特征提取主要是為了提取最能描述行人信息的特征，分類器的設(shè)計主要是為了使分類器實現(xiàn)快速、精確檢測的目的。
　　本文首先介紹和分析行人檢測技術(shù)的研究現(xiàn)狀以及研究難點，然后對當(dāng)前一些主要的特征提取方式和分類器進(jìn)行了概述，最后介紹了本文改進(jìn)的特征提取方法，本文的主要貢獻(xiàn)如下：
　　針對行人檢測中

3、檢測精確度和魯棒性不足的問題，提出一種基于局部差分二值模型（Local Difference Binary Pattern，LDBP）和局部二值模型（Local Binary Pattern，LBP）的特征融合方法。首先，對輸入圖像進(jìn)行二維離散Haar小波變換，得到不同頻率的四個子圖像（LL，LH，HL和HH）；然后，對低頻部分子圖像提取LDBP特征，以及對其他三個高頻部分子圖像提取 LBP特征；其次，采用主成分分析法（PCA）分別對得

4、到的LDBP特征和LBP特征進(jìn)行降維；最后，融合降維后的LDBP特征和LBP特征對行人目標(biāo)進(jìn)行檢測。在INRIA數(shù)據(jù)集上采用支持向量機（SVM）進(jìn)行測試，實驗結(jié)果表明，該方法能有效地提高檢測精確度，且具有較好的魯棒性。
　　針對目前行人檢測中實時性不足的問題，提出了一種基于改進(jìn)的中心對稱局部鄰域二值模型（Improved Center-Symmetric Local Neighbor Binary Pattern，ICS-LNBP