基于多特征的行人快速檢測(cè)方法研究.pdf

1、當(dāng)前計(jì)算機(jī)視覺(jué)領(lǐng)域研究的熱點(diǎn)之一就是人臉識(shí)別和行人檢測(cè)，這一技術(shù)已經(jīng)被廣泛的應(yīng)用在很多領(lǐng)域，比如智能電話、智能交通、無(wú)人駕駛等。由于算法的精度和速度等原因，很難應(yīng)用到實(shí)時(shí)系統(tǒng)中。傳統(tǒng)方法中為了提高精度需要計(jì)算圖像特征金字塔，而構(gòu)建特征金字塔需要花費(fèi)大量時(shí)間。本文正是從這一問(wèn)題出發(fā)，通過(guò)估算多尺度分類(lèi)器的方法，減少構(gòu)建特征金字塔時(shí)間從而提高了行人檢測(cè)的速度。本文主要的研究?jī)?nèi)容如下:
　　(1)本文提出了一種新特征BPG。BPG特征實(shí)

2、質(zhì)是HOG的一種變形，它既保留了原有的梯度和方向信息，也具有局部區(qū)域信息。BPG特征把梯度方向分成8個(gè)方向，在可變大小區(qū)域內(nèi)的不同梯度方向上累加梯度值，然后與均值作比較，進(jìn)行二值編碼，最后生成十進(jìn)制數(shù)。實(shí)驗(yàn)結(jié)果顯示，新特征在行人檢測(cè)方面有更強(qiáng)的識(shí)別能力。
　　(2)通過(guò)實(shí)驗(yàn)對(duì)比和特征間的相關(guān)性挑選出四個(gè)特征作為特征池，四個(gè)特征分別是BPG特征、LBP特征、梯度特征值和下梯度方向特征。根據(jù)特征本身的特點(diǎn)分析了特征間的互補(bǔ)性。用這四個(gè)

3、特征融合對(duì)單一樣本的檢測(cè)正確率大約為97％。
　　(3)分類(lèi)器設(shè)計(jì)主要使用的是Adaboost算法。通過(guò)級(jí)聯(lián)形式，使每級(jí)強(qiáng)分類(lèi)器有不同數(shù)量的弱分類(lèi)器和閾值，使分類(lèi)器的識(shí)別能力逐級(jí)加強(qiáng)。這樣可以將容易識(shí)別出的負(fù)樣本在第一級(jí)或是前幾級(jí)分類(lèi)器就排除掉，難以識(shí)別的由后面識(shí)別能力強(qiáng)的分類(lèi)器識(shí)別，既提高了分類(lèi)器的精度又減少了檢測(cè)窗口的數(shù)量。
　　(4)提出了一種估計(jì)分類(lèi)器的方法，通過(guò)估計(jì)臨近放縮層的分類(lèi)器以代替圖像的縮放過(guò)程，大幅度減少