论文部分内容阅读
行人检测是指利用计算机视觉算法自动判断待检测图像或视频序列中是否存在行人目标,并返回空间坐标信息。行人作为特殊群体,即具备一般目标的普遍性,又具有类内变化多样的特殊性,没有固定的形状和空间结构。本文首先分析了现有行人检测算法的特点,其次归纳和总结了行人检测算法研究过程中的重难点,最后以提高图像信息利用率,增强行人特征描述能力为目的,提出了两种行人检测算法,具体内容如下:(1)简要介绍了行人检测算法的发展历程与研究近况;详细阐述和分析了基于视频序列的算法(帧差法、背景差分、光流法)与基于图像的算法(模版匹配法、统计学习法、深度学习法)的优劣,并对深度神经网络模型进行了比较;总结和归纳了行人检测算法研究的重难点;梳理了检测算法相关的理论知识,为本文的后续研究夯实了理论基础。(2)为提高行人检测算法对光照变化、拍摄视角、行人重叠或物体遮挡等干扰因素的鲁棒性,本文提出了一种共生关系与矩阵式级联分类器相结合的行人检测算法。该算法首先提出共生局部量化编码(Co-occurrence Local Quantization Code,CoLQC)来提高图像局部信息的利用率,以增强图像特征的描述能力;然后对共生方向梯度直方图进行改进,提出一种改进的共生方向梯度直方图(Improved Co-occurrence Histograms of Oriented Gradient,ICoHOG),ICoHOG在权值计算过程中引入多维信息,以减少图像信息的损失;最后利用CoLQC与ICoHOG分别对矩阵式级联分类器的前M层和后N层进行训练,以增加样本复杂度,提升分类器的检测性能。在ETH数据集和Daimler数据集的实验结果表明,该算法能够加强对邻域像素间结构信息的利用,增强图像特征的描述能力。(3)为解决行人检测中提取中心对称局部二值模式(Center-Symmetric Local Binary Pattern,CS-LBP)时邻域中心像素没有参与计算,人为设定的判断阈值主观性较强,未能区别对待不同子块等问题,本文提出了一种基于自适应HCS-LBP(Haar-like CS-LBP)特征的行人检测算法。该算法首先构造了HCS-LBP特征编码方法,采用局部中心对称模式减少编码长度,利用积分图像法快速计算降低时间复杂度,并将灰度级概率引入中心像素的全局自适应阈值计算,采用高斯矩阵获取邻域像素的局部自适应阈值,以突显图像客观的纹理信息;然后令中心像素参与图像编码,通过信息熵确定不同子块的权重,以增强图像特征的描述能力;最后使用直方图交叉核支持向量机(Histogram Intersection Kernel SVM,HIKSVM)训练样本,以提升分类器的准确度。