基于多模板匹配的行人檢測算法研究.pdf

1、行人檢測是指檢測圖像或視頻中是否存在行人并給出相應的位置信息，是計算機視覺的重要研究方向之一，其在汽車輔助駕駛系統(tǒng)、軍事偵查、視頻智能監(jiān)控等諸多領(lǐng)域具有廣泛的應用前景。近年來，人們提出了許多更為準確、高效的行人檢測算法，大都將行人檢測轉(zhuǎn)化為二分類問題，并采用機器學習的方法訓練分類器生成模板，對待檢測圖像進行多尺度滑窗搜索。在該類方法中，特征求取和分類器的訓練是決定其檢測準確率的兩個關(guān)鍵因素。
　　本文針對行人外觀姿態(tài)多樣、背景復雜

2、的難點，從分類器的訓練過程出發(fā)，以線性支持向量機（Support Vector Machine，SVM）作為分類器，提出兩種自適應學習多個模板的行人檢測算法，使得多個模板更好的適應不同外觀的行人，進而提高行人的檢測準確率。主要研究成果概括如下：
　　第一，提出了基于聚類的多模板匹配行人檢測算法。算法考慮選取對顏色和光照變化不敏感的特征描述目標（本文選取了梯度方向直方圖（ Histogram of Oriented Gradient

3、，HOG）特征），首先采用聚類算法對訓練正樣本進行聚類，將具有相似外觀（例如姿態(tài)和視角）的行人樣本聚成一類，再分別對每一類樣本獨立訓練生成模板，使得每個模板僅針對一類行人目標，以提高模板對該類目標的適應性；其次，在檢測階段，每個模板獨立并行檢測測試圖像；最后通過線性加權(quán)的方式合并不同模板的重復檢測結(jié)果。在INRIA和ETH行人數(shù)據(jù)庫上對算法進行測試，通過不同聚類方法（基于內(nèi)平方距離的層次聚類算法、K-Mea ns算法和FCM算法）和不同

4、聚類數(shù)目（2類、3類和4類）的仿真實驗，并對比了HOG算法，結(jié)果表明，該算法可以更好的適應行人外觀的變化，在一定程度上降低檢測結(jié)果的平均丟失率，獲得更高的檢測準確率。
　　第二，提出了基于級聯(lián)訓練的多模板匹配行人檢測算法。在訓練階段，采用分類器級聯(lián)的訓練方式，針對前一級訓練樣本中的易錯樣本自適應選擇新特征訓練生成多個模板。算法定義選取的新特征為互補特征，由本文提出的互補特征選擇策略（Complementary Features S

5、election Strategy，CFSS）從候選特征集中選取，最終選取了RGB和 LUV通道下的 HOG特征，細胞結(jié)構(gòu)的局部二值模式（Local Binary Patterns，LBP）特征。在檢測階段，每個模板獨立并行檢測測試圖像，最后通過線性加權(quán)的方式融合不同模板的重復檢測結(jié)果。在IN RI A行人數(shù)據(jù)庫上對算法進行測試，并對比了 VJ、HOG、HogLbp和 MultiFtr四種經(jīng)典的行人檢測算法，結(jié)果表明，算法采用的級聯(lián)訓練