论文部分内容阅读
行人检测是基于图像/视频数据进行目标检测的一个重要分支，它在视频监控、智能交通、高级人机接口等多个领域具有广泛的应用前景。行人检测技术实现的一个主流思路就是从机器学习的角度着手，将行人检测问题转化为一个分类问题，确定合适的特征描述，借助大量的训练样本，学习得到一个用于行人检测的分类器模型。由于行人所处环境的复杂性，使得高可靠性的行人检测仍然面临诸多挑战，这也使得行人检测成为计算机视觉、人工智能和模式识别等领域的一个重要研究内容。因此进行行人检测相关问题的研究具有重要的理论意义。本文对行人检测技术的研究现状进行总结与分析，在此基础上，在特征描述、分类器模型训练性能的改善等方面对行人检测关键技术进行研究。论文主要贡献如下：1.基于分层HOG特征的行人检测针对HoG特征对目标形状描述的不足，本文提出了分层HoG特征，对目标进行多级空间划分的基础上，实现从全局到局部、由粗到细的多尺度目标特征提取，从而更加全面描述目标信息；在此基础上，借助Gentle AdaBoost的级联分类器实现了基于分层HOG特征的行人检测。基于Gentle AdaBoost级联分类器的行人检测实验表明：分层HOG特征的目标描述在行人检测性能上优于HOG特征的目标描述。2.基于SVM特征预过滤的Gentle AdaBoost分类器训练针对基于高维特征的AdaBoost级联分类器的训练时间过于冗长的问题，提出了一种基于SVM特征预过滤的Gentle AdaBoost分类器的训练方式。对于每一级AdaBoost强分类器的训练，借助线性SVM分类器的预训练，从高维特征集合中滤掉对分类贡献程度小的特征，保留85%~90%能量的特征，构成AdaBoost强分类器训练所用的特征子集；在不损失分类器总体检测性能基础上，从收缩特征集的角度改善分类器训练的时间性能。3.基于固定摄像头的视频行人检测在上述工作的基础上，本文结合背景减除，提出了一个基于固定摄像头的视频行人检测框架。