论文部分内容阅读
行人检测即判断输入的图像或视频序列中是否出现行人并确定其位置。行人检测在诸如智能车辆、自动监控、人机交互、虚拟现实等领域都具有广泛的应用前景。行人兼具柔性和刚性物体的特性,其外观易受穿着、尺度、遮挡、姿态和视角等影响,同时行人检测要求较高的检测率和实时性,使得行人检测成为计算机视觉领域的研究难点和热点之一。本文对图像中的行人检测算法进行了研究,具体的研究工作如下:(1)针对积分通道特征冗余信息多,在多尺度行人检测中检测速度较慢的问题,提出了改进积分通道特征的快速多尺度行人检测算法。该方法首先采用快速特征金字塔计算图像不同尺度下的图像通道,避免对图像多次缩放计算图像通道;然后将检测窗口用单元和块划分来对图像进行整体描述,代替原始方法的随机位置和大小矩形来减少冗余特征,最后计算单元和块内的像素和作为特征向量送入软级联Adaboost分类器进行分类。仿真实验结果表明,该算法检测率优于积分通道特征算法,同时检测速度提高了11.3倍,在640?480大小图像上检测速度达到13.54fps。(2)针对ACF算法误检窗口多的问题,提出了基于ACF和PCANet改进通道特征的级联行人检测算法。该算法首先使用ACF算法快速粗检,再对候选窗口提取改进的通道特征来滤除误检窗口。改进通道特征时,首先从每个图像通道学习PCA滤波器组,代替PCANet从训练图像和卷积图中学习滤波器组,然后与图像通道进行单层卷积,代替PCANet的双层卷积以降低特征维数,提升对行人的表达能力,最后对卷积图池化降维得到改进的通道特征。仿真实验结果表明,本章算法相对于原ACF算法误检窗口减少,检测率在INRIA、Caltech数据库上分别提高3.8%和10.3%。(3)针对ACF算法中对行人外观轮廓描述不稳定导致检测率下降的问题,提出了基于快速边缘检测和Real Adaboost的行人检测。首先提取待检测图像的图像块特征,送入训练好的随机森林分类器对块内每个像素判别是否为边缘像素,得到图像较稳定的边缘图,然后用边缘图作为行人轮廓通道,代替ACF算法图像通道中的梯度幅值通道,以获取较稳定的行人轮廓信息,最后提取通道特征向量送入分类准确率较高的Real Adaboost分类器,以提高分类准确性。仿真实验结果表明,本章算法相对于原ACF算法误检窗口减少,检测率提升,检测率在INRIA、Caltech数据库上分别提高5.1%和14.8%。