基于特征融合與在線學(xué)習(xí)的行人檢測算法研究與實(shí)現(xiàn).pdf

1、行人檢測是計(jì)算機(jī)視覺領(lǐng)域一個經(jīng)典的研究課題。同時，它也是車輛輔助駕駛、智能視頻監(jiān)控等計(jì)算機(jī)視覺應(yīng)用的關(guān)鍵技術(shù)，具有很高的應(yīng)用價值。行人檢測方法主要分為基于背景建模的行人檢測和基于前景建模的行人檢測方法兩大類。前者是對圖像中不運(yùn)動的背景進(jìn)行建模，將變化的前景區(qū)域從背景圖像中提取出來。后者通過對前景進(jìn)行建模，從訓(xùn)練樣本中學(xué)習(xí)行人特征表示，建立行人模型，一般利用滑窗掃描的策略，從圖像中窮舉所有行人出現(xiàn)的位置。由于基于背景建模的行人檢測方法存在

2、一個隱含的前提條件，即背景變化很小，存在較大運(yùn)動的區(qū)域才能被認(rèn)為是前景，因此，基于背景建模的行人檢測方法在目標(biāo)靜止，或者攝像機(jī)運(yùn)動時往往失效，目前對于行人檢測的研究熱點(diǎn)大多集中在基于前景建模的方法上。
　　事實(shí)上，由于行人外觀、光照以及背景變化等因素的多樣性，使用單一固定的前景模板很難有效的完成長時間、高精度的行人檢測任務(wù)。針對上述問題，本文重點(diǎn)研究了基于特征融合與在線學(xué)習(xí)的行人檢測算法。本文的研究內(nèi)容具體如下：
　　(1)

3、在特征提取方面，本文采用混合不同特征的策略，采用積分通道特征的方式將多種特征引入行人檢測方法中，在分析和測試多種單一特征的基礎(chǔ)上，將多個特征有機(jī)的結(jié)合到一起。本文第二章詳細(xì)介紹了各個特征性能測試實(shí)驗(yàn)，并確定了最適合檢測行人的特征組合。
　　(2)在學(xué)習(xí)算法上，本文選擇online Adaboost算法作為在線特征學(xué)習(xí)方法。和傳統(tǒng)離線行人學(xué)習(xí)算法不同的是，其可以根據(jù)已有的檢測結(jié)果不斷學(xué)習(xí)場景中的行人特征，使得行人檢測算法具備很強(qiáng)的自

4、適應(yīng)和自學(xué)習(xí)能力。
　　(3)針對在線學(xué)習(xí)中樣本類別自動標(biāo)注的難點(diǎn)，本文使用協(xié)同訓(xùn)練算法對每幀得到的檢測結(jié)果進(jìn)行自動標(biāo)注，同時針對Tri-training算法訓(xùn)練出來的分類器獨(dú)立性低的問題，提出了基于Tri-training框架下的改進(jìn)算法，使用PCA劃分樣本集使其滿足兩個充分冗余視圖條件，構(gòu)造差異性足夠的三個數(shù)據(jù)集，訓(xùn)練出優(yōu)秀且更加獨(dú)立的分類器。通過使用Tri-training協(xié)同訓(xùn)練策略，有效利用了無標(biāo)注樣本，實(shí)現(xiàn)了半監(jiān)督學(xué)習(xí)