论文部分内容阅读
机器视觉目前应用越来广泛,在诸多领域都取得了很好的成果,同时也面临许多新的挑战。在行人检测领域,通过机器学习来实现自动分析人类活动还面临着许多困难,尤其是在其实际应用过程中还需要进行不断探索。目前应用最广泛的行人检测方法是基于HOG特征和Haar特征的行人检测方法。这两种方法在行人检测以至整个机器视觉领域都应用广泛,却各有优缺点。HOG特征检测结果更准确,却计算量大,运算复杂;Haar特征计算简结,对人脸识别效果更好,却对动作幅度较大的肢体,尤其是背影识别效果不好。单独应用这两种特征方法进行行人检测的实验效果并不是很理想,基于HOG特征的行人检测算法运行速度太慢,基于Haar特征的行人检测算法漏检率太高,均无法达到实用的目的。本文通过将二者结合运用,得到一种新的检测方法。为了将两者结合使用,达到各取优点的目的,本文利用了Adaboost算法是由若干弱分类器组成级联分类器的特点,分别用HOG特征和Haar特征构建弱分类器,再通过Adaboost算法对这些不同特征构成的弱分类器进行加权,达到最佳的检测效果。实验结果表明这种新的方法在行人检测的准确性和检测速度上有较大改进。在行人跟踪算法上,本文在基于Mean shift的目标跟踪算法的基础上,对其做了目标尺度自适应处理。Mean Shift算法是一种核密度估计法,它不需要做任何先验工作而完全依靠计算概率密度的梯度变化来寻找局部最优。Mean Shift算法的原理是一个统计迭代的过程:首先定位目标的初始位置,计算目标在下一帧的偏移均值,然后将这个目标点移动到计算出来的偏移均值的位置,最后再以后者为起始点,继续进行移动,一直到满足相应的条件以后才停止这个过程,最终得到目标的连续帧之间的真实位置。最后通过实验得出加了目标尺度自适应更新的行人跟踪算法与改进前算法相比性能有了一定提高。