论文部分内容阅读
高级智能辅助驾驶系统乃至自动驾驶的实现与普及,将在很大程度上改善当前交通拥挤的情况和有效降低频发的交通安全事故。行人检测技术作为自动驾驶技术的核心,其精准性、实时性、复杂性将直接决定着自动驾驶的发展。基于机器视觉的行人检测技术因其框架简洁直观、适应性强,在自动驾驶、智能监控、智能机器人等领域得到了广泛的研究和应用。然而由于行人非刚性特点所导致的姿态多变外加服饰多样、光照、遮挡等复杂因素的影响,为行人的准确检测带来了很大的困难。本文在分析了各种行人检测技术原理和优缺点的基础上,主要从行人特征的增强和降低行人局部信息对行人整体的影响两个方面着手研究,提出了一种HOG与Gabor融合特征并结合可变形部件模型思想的行人检测方法,两方面研究的主要内容和结论如下:(1)为了弥补单一的特征对行人信息描述的不足,本文将对行人轮廓信息有很好的描述能力的HOG特征与对行人边缘和纹理信息有很好描述能力的Gabor特征以加权融合的方式组合成新的强化特征用于行人检测,并在目前较大的INRIA数据集和更复杂的自制数据集SIC上做了检测对比实验。(2)为了降低遮挡情况下的行人的误检率和漏检率,本文在融合特征的基础上结合可形变部件模型的思想并结合特征金字塔估计提出了一种行人头肩部和腿部双部位组合检测的快速行人识别方法,并做了性能检测对比实验。在INRIA和SIC数据集上的实验结果表明:HOG+Gabor融合特征的方法相较于单一特征的方法在两个数据集上的平均检测率提高了6.9%;融合特征基础上采用双部位组合的方法INRIA与SIC数据集上的检测率分别达到了91.5%和88.3%,相较于HOG+Gabor融合特征的方法,检测率分别提高了5.6%和7.1%,证明了本文方法的有效性。