基于人體部件的復(fù)雜場景行人檢測研究.pdf

1、行人檢測在軍事國防管理、遇險(xiǎn)人員搜救、交通狀態(tài)判別、汽車輔助駕駛以及智能家居等方面有著重要的應(yīng)用?；趫D像的行人檢測是對圖片中的行人位置進(jìn)行定位，并用標(biāo)記框框出行人。其中基于特征的行人檢測算法首先對圖像進(jìn)行特征學(xué)習(xí)分類形成檢測器，再輸入圖像檢測出圖像中的行人。由于現(xiàn)實(shí)情況中行人環(huán)境場景的不確定性以及被檢測目標(biāo)人體自身的非剛性，行人檢測準(zhǔn)確定位仍然是一大挑戰(zhàn)。其研究的難點(diǎn)在于：尋找一種更具魯棒性的圖像特征描述子，以此來描述復(fù)雜場景下多行人

2、遮擋時的行人。這類特征不僅能夠較好地描述行人特征，還能有效地區(qū)分行人之間的相似性；尋找一種更加有效的人體部件檢測算法，能高效識別復(fù)雜場景中的行人。針對此問題，本文在傳統(tǒng)HOG特征+SVM行人檢測方法的基礎(chǔ)上，著重討論了如何建立一種更有效的行人特征描述方法，彌補(bǔ)圖像底層特征表達(dá)能力不足的問題和如何構(gòu)建更有效的部件模型來檢測遮擋行人。本文從特征表達(dá)選擇和人體部件模型兩方面，對復(fù)雜場景中的行人檢測進(jìn)行深入研究。
　　針對傳統(tǒng)行人檢測中存

3、在人體全局特征表達(dá)能力不足，以及遮擋行人檢測精度較低的問題，結(jié)合fisher vector的優(yōu)點(diǎn)，本文提出一種基于fisher vector的人體部件檢測算法。算法用fisher vector量化人體部件和整體的HOG特征，并用支持向量機(jī)學(xué)習(xí)訓(xùn)練得到人體部件分類器和整體分類器；然后用Hough投票對整體分類器和部件分類器的分類結(jié)果進(jìn)行投票，得分最高者代表行人位置；并用非極大值抑制消除虛警，并在標(biāo)準(zhǔn)行人數(shù)據(jù)庫INRIA上進(jìn)行實(shí)驗(yàn)驗(yàn)證。

4、r>　　針對復(fù)雜場景中提取的HOG全局特征受外界干擾，部分特征不能很好地表達(dá)遮擋行人特征的問題，提出一種基于特征選擇的加權(quán)可變形部件人體檢測算法。首先利用稀疏分?jǐn)?shù)的特征選擇算法在HOG特征集上選擇最具代表性的行人描述特征；再利用梯度下降優(yōu)化權(quán)值法對DPM的各部件進(jìn)行權(quán)值排序；最后結(jié)合LSVM訓(xùn)練算法形成高判別力的分類器，并通過實(shí)驗(yàn)進(jìn)行驗(yàn)證。
　　本文利用MATLAB2014B來完成實(shí)驗(yàn)設(shè)計(jì)，在標(biāo)準(zhǔn)行人數(shù)據(jù)庫INRIA上進(jìn)行對比實(shí)驗(yàn)