基于特征融合與在線學(xué)習(xí)的行人檢測(cè)算法研究與實(shí)現(xiàn).pdf

1、行人檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域一個(gè)經(jīng)典的研究課題。同時(shí)，它也是車輛輔助駕駛、智能視頻監(jiān)控等計(jì)算機(jī)視覺應(yīng)用的關(guān)鍵技術(shù)，具有很高的應(yīng)用價(jià)值。行人檢測(cè)方法主要分為基于背景建模的行人檢測(cè)和基于前景建模的行人檢測(cè)方法兩大類。前者是對(duì)圖像中不運(yùn)動(dòng)的背景進(jìn)行建模，將變化的前景區(qū)域從背景圖像中提取出來。后者通過對(duì)前景進(jìn)行建模，從訓(xùn)練樣本中學(xué)習(xí)行人特征表示，建立行人模型，一般利用滑窗掃描的策略，從圖像中窮舉所有行人出現(xiàn)的位置。由于基于背景建模的行人檢測(cè)方法存在

2、一個(gè)隱含的前提條件，即背景變化很小，存在較大運(yùn)動(dòng)的區(qū)域才能被認(rèn)為是前景，因此，基于背景建模的行人檢測(cè)方法在目標(biāo)靜止，或者攝像機(jī)運(yùn)動(dòng)時(shí)往往失效，目前對(duì)于行人檢測(cè)的研究熱點(diǎn)大多集中在基于前景建模的方法上。
　　事實(shí)上，由于行人外觀、光照以及背景變化等因素的多樣性，使用單一固定的前景模板很難有效的完成長(zhǎng)時(shí)間、高精度的行人檢測(cè)任務(wù)。針對(duì)上述問題，本文重點(diǎn)研究了基于特征融合與在線學(xué)習(xí)的行人檢測(cè)算法。本文的研究?jī)?nèi)容具體如下：
　　(1)

3、在特征提取方面，本文采用混合不同特征的策略，采用積分通道特征的方式將多種特征引入行人檢測(cè)方法中，在分析和測(cè)試多種單一特征的基礎(chǔ)上，將多個(gè)特征有機(jī)的結(jié)合到一起。本文第二章詳細(xì)介紹了各個(gè)特征性能測(cè)試實(shí)驗(yàn)，并確定了最適合檢測(cè)行人的特征組合。
　　(2)在學(xué)習(xí)算法上，本文選擇online Adaboost算法作為在線特征學(xué)習(xí)方法。和傳統(tǒng)離線行人學(xué)習(xí)算法不同的是，其可以根據(jù)已有的檢測(cè)結(jié)果不斷學(xué)習(xí)場(chǎng)景中的行人特征，使得行人檢測(cè)算法具備很強(qiáng)的自

4、適應(yīng)和自學(xué)習(xí)能力。
　　(3)針對(duì)在線學(xué)習(xí)中樣本類別自動(dòng)標(biāo)注的難點(diǎn)，本文使用協(xié)同訓(xùn)練算法對(duì)每幀得到的檢測(cè)結(jié)果進(jìn)行自動(dòng)標(biāo)注，同時(shí)針對(duì)Tri-training算法訓(xùn)練出來的分類器獨(dú)立性低的問題，提出了基于Tri-training框架下的改進(jìn)算法，使用PCA劃分樣本集使其滿足兩個(gè)充分冗余視圖條件，構(gòu)造差異性足夠的三個(gè)數(shù)據(jù)集，訓(xùn)練出優(yōu)秀且更加獨(dú)立的分類器。通過使用Tri-training協(xié)同訓(xùn)練策略，有效利用了無標(biāo)注樣本，實(shí)現(xiàn)了半監(jiān)督學(xué)習(xí)