基于視覺的特征提取及行人檢測.pdf

1、伴隨著計(jì)算機(jī)視覺、人工智能等相關(guān)技術(shù)的發(fā)展，以及智能汽車、智能監(jiān)控和安全領(lǐng)域的迫切需求，行人檢測技術(shù)，受到了越來越多的關(guān)注，已經(jīng)成為研究的熱點(diǎn)，并廣泛的應(yīng)用于智能監(jiān)控、智能交通和機(jī)器人等領(lǐng)域。
　　 當(dāng)前行人檢測的主流方向是從樣本中，提取行人特征，機(jī)器學(xué)習(xí)得到分類模型，將行人檢測問題轉(zhuǎn)化為分類判斷問題。針對基于分類的行人檢測，本文從特征的選擇和分類器訓(xùn)練算法的選擇兩個(gè)方面，對行人檢測算法進(jìn)行了分析研究。主要工作內(nèi)容如下:

2、　　 (1)介紹了行人檢測的整體流程，針對行人檢測中的關(guān)鍵技術(shù)，分析研究了分類器算法中的SVM算法和AdaBoost算法，利用并查集解決行人檢測窗口融合的問題。確定使用INRIA行人庫作為分類器的訓(xùn)練庫和測試庫，并利用基于傳統(tǒng)的混淆矩陣和DET曲線來評(píng)價(jià)算法的性能。
　　 (2)基于SVM運(yùn)用HOG特征和LBP特征分別實(shí)現(xiàn)了行人檢測，實(shí)驗(yàn)結(jié)果表明，HOG特征具有優(yōu)秀的行人表征能力，但在復(fù)雜背景下，梯度信息不能更好的區(qū)分行人與背

3、景，LBP特征作為一種局部紋理信息，可良好的彌補(bǔ)HOG特征在這一點(diǎn)的不足。針對SVM數(shù)據(jù)失衡問題，進(jìn)行了相關(guān)討論和實(shí)驗(yàn)分析對比，確定了最佳正負(fù)樣本比。
　　 (3)針對HOG單一特征在行人檢測中的不足，對HOG和LBP進(jìn)行了特征組合分析，實(shí)現(xiàn)了基于SVM的HOG-LBP聯(lián)合特征的行人檢測算法。通過與單特征行人檢測算法進(jìn)行了對比，表明聯(lián)合特征具有更強(qiáng)的行人表征能力。由于聯(lián)合特征維數(shù)增加，導(dǎo)致SVM行人檢測效率降低，在分類器的選擇上