论文部分内容阅读
目标检测是指从复杂背景中有效定位并提取出感兴趣的前景目标的过程,其在智能监控系统、人机交互、基于内容的图像检索、车牌识别等众多领域拥有广泛的应用前景,它已成为模式识别、计算机视觉研究领域当中的热点问题。但是由于目标检测问题的复杂性以及其对实时性的要求,仍有很多问题有待进一步的研究和解决。本文分析研究了近年来有关目标检测方面的重要文献,特别深入研究了两个最具代表性的特征描述子:Dalal提出的Hog方向梯度直方图特征和Sabzmeydani提出的Shapelet轮廓特征,它们在目标检测上的应用都达到了很优秀的效果,是目前目标检测领域中最优秀的算法之一。本文通过仔细分析了基于这两种特征的目标检测算法的优势与不足,结合机器学习中的经典算法Adaboost算法,提出了一种新的特征——二次提升的方向梯度特征(Two-Stage Boosting Oriented Gradient,TSBOG)。经二次学习提升后的特征不仅囊括了上述两类特征的优点,还弥补了它们各自的不足。新特征改善了原Hog特征向量由于维数太大,造成的在SVM机制下进行训练时造成的计算量开销大的缺点,大大减少了训练时间和存储空间,同时还保持着与Hog特征相当的出色的分类能力;另外,TSBOG特征借鉴了Shapelet二次自适应学习提升底层特征的思想,是自适应的局部特征,从而提升了分类器的检测性能。其次,我们还对弱分类器进行了改进,采用实值Adaboost和查找表代替Stump进行弱分类器的训练,使弱分类器具有更强的描述力,使得检测器的性能得到进一步提高;其三,本文创新性的提出了一套特征评判标准,并把它应用到特征的预筛选中,对特征数量和训练流程进行优化。最后,为了优化检测速度,本文中借鉴直方图积分图进行特征的加速运算,使得检测速度得到了进一步的提高。通过以上改进,本文将基于特征二次学习的目标检测算法应用到行人检测系统上。实验结果表明,无论是在检测率上还是实时要求上,我们的系统都表现出了明显的优势。