移動場景動目標識別算法研究.pdf

1、移動場景下的動目標識別技術屬于機器視覺的一個應用分支，有著非常廣泛的應用前景，行人檢測技術就是其一個具體應用。隨著圖像技術與模式識別技術的發(fā)展，行人檢測技術已經從理論研究階段走進了我們的生活中。在智能監(jiān)控，汽車輔助駕駛系統(tǒng)，智能機器人等領域有著廣泛的應用。當前行人檢測技術主要分為兩大類：基于先驗知識的檢測和基于機器學習的檢測。而在機器學習領域中，又以集成學習最為熱點。
　　 本文首先設計了一個基于先驗知識的行人檢測算法。選用人體

2、的對稱性與頭肩部輪廓這一對非常獨特且具有一定魯棒性的特征，利用基于尋找行人對稱軸與頭肩部輪廓匹配的方法，在校園道路背景下準確而快速的完成了行人的檢測。針對基于先驗知識的行人檢測算法泛化性差的問題，設計了一個基于單獨機器學習的行人檢測算法。該算法針對Dalal算法中HOG特征塊過小只能描述細節(jié)特征的缺點，提出了既能描述細節(jié)特征又能描述整體與局部特征的變尺寸HOG特征：并針對變尺寸HOG特征維數(shù)過大問題，利用Fisher準則給出了特征挑選機

3、制，最后使用線性SVM進行分類。實驗表明，在分類準確率基本不變的情況下，將Dalai算法的檢測時間從1s降低到397ms。針對Dalal改進算法中的“實時性”問題與“代價敏感”問題，分別提出了“Cascade”級聯(lián)結構與“風險敏感”支持向量機的分類方法。對于級聯(lián)結構的每一級分類器的訓練，分別使用了基于Fisher準則預判斷和基于Adaboost集成學習的方法。在MIT行人數(shù)據(jù)庫上的實驗表明：在誤檢率為1/1000時，檢測率分別可以達到9