基于特征融合和運動信息的行人檢測算法的研究.pdf

1、隨著城市的快速發(fā)展，城市化進程中的安全問題也引起社會的重視，尤其是在智能安防、城市交通、公共安全領域，行人安全越來越重要。因此行人檢測成為研究領域的一個熱門研究方向。作為計算機視覺中的一個常見問題，對行人檢測的研究已經取得了很大的進步，但還存在一些難點：行人與其他許多物體相比具有很大差異，除了具有非剛性的特點，在站立姿勢、衣著樣式顏色以及一些遮擋等方面也存在復雜情況；監(jiān)控角度、光照條件、背景等非人條件也有很多的不確定性。這些都會給行人檢

2、測帶來一定難度。
　　本文首先對國內外常見的行人檢測算法進行了介紹，針對基于統(tǒng)計分類的行人檢測方法進行詳細的研究，從行人檢測的一般流程出發(fā)，對特征提取、分類算法方面的一些基本算法進行了全面的闡述。其中，詳細的介紹了比較常見的行人特征描述算法的原理，分析了常用的行人分類算法和各自的特點。然后，本文提出了基于人頭肩的類Haar特征對行人上半身信息進行描述，并對HOG特征的計算方式進行了改進以減少運算量，利用統(tǒng)計分類算法生成行人檢測分類

3、器：由SVM訓練得到HOG特征分類器，AdaBoost算法訓練得到類Haar特征分類器。最終構建出一種基于特征級聯(lián)行人檢測算法，即先用HOG特征分類器得到直立行人檢測窗口，隨后在該窗口中由類Haar特征分類器確定是否存在人頭肩信息來最終判斷這個窗口是否包含行人。
　　在視頻中行人的檢測階段，本文通過對比常見的運動目標檢測算法，選定背景減除法作為輔助檢測算法。引入運動目標檢測算法主要可以縮小整個檢測窗口，這樣不僅可以減少行人特征的計

4、算量，而且可以將行人檢測精確定位到運動的前景當中，降低了行人檢測的誤檢率。
　　最后，本文采用國際上通用的標準行人數據集進行實驗，將數據應用于行人特征分類器訓練。運動信息提取采用運行效率和效果良好的碼本模型。同時，還利用OpenCV中提供的對GPU加速的支持，并行計算HOG特征，有效的提高了檢測的速度。實驗表明，本算法在準確率和效率兩方面都有了一定的提升，當然還有很多方面需要進行完善和改進，尤其是對應場景變化和行人半遮檔的情況還有