混合交通中行人檢測(cè)方法研究.pdf

1、混合交通中的行人檢測(cè)是研究如何讓計(jì)算機(jī)以人的思維方式從圖像或視頻中提取出車輛前方行人所在區(qū)域的技術(shù),是繼人臉檢測(cè)后,在計(jì)算機(jī)視覺領(lǐng)域的又一新的研究熱點(diǎn)。運(yùn)動(dòng)行人的檢測(cè)與跟蹤是在城市混合交通的復(fù)雜環(huán)境下的智能駕駛以及交通監(jiān)控中的一項(xiàng)關(guān)鍵技術(shù),對(duì)推動(dòng)智能車的發(fā)展和保障城市交通的安全有重要的作用。
　　 本文針對(duì)城市混合交通下的行人安全問(wèn)題,研究了在攝像機(jī)采集圖像序列下,基于計(jì)算機(jī)視覺的行人檢測(cè)方法。主要分析了在攝像機(jī)靜止和攝像機(jī)運(yùn)動(dòng)

2、兩種情況下的行人檢測(cè)方法。
　　 在攝像機(jī)靜止的情況下,研究了背景平均法,混合高斯背景建模法,碼本背景建模法等,對(duì)其效果進(jìn)行了對(duì)比,選用了碼本背景建模法,提取出攝像機(jī)前方的運(yùn)動(dòng)前景區(qū)域,根據(jù)站立行人的一些屬性來(lái)判斷前景區(qū)域是否為行人。在進(jìn)行陰影檢測(cè)部分做了改進(jìn)。該方法速度快但是精度不高,在此基礎(chǔ)上又繼續(xù)研究了攝像機(jī)運(yùn)動(dòng)情況下的基于統(tǒng)計(jì)學(xué)習(xí)分類的行人檢測(cè)方法。
　　 在攝像機(jī)運(yùn)動(dòng)的情況下,首先深入研究了基于Haar-lik

3、e特征的分類方法,在已有矩形特征的基礎(chǔ)上,增加了幾種能表現(xiàn)人體部位的矩形特征,并采用積分圖方法來(lái)計(jì)算矩形特征,加快了訓(xùn)練和檢測(cè)速度?；贏daBoost算法訓(xùn)練了級(jí)聯(lián)分類器,采用GentleAdaBoost代替Discrete AdaBoost,訓(xùn)練所用的時(shí)間較長(zhǎng),但是檢測(cè)的時(shí)間大大縮短,基本能滿足實(shí)時(shí)的要求。又分析了基于梯度方向直方圖的方法,通過(guò)提取局部區(qū)域的邊緣方向和梯度大小獲得行人的HOG特征,將得到的HOG向量輸入到線性SVM中

4、進(jìn)行訓(xùn)練,得到一個(gè)能區(qū)分行人非行人的最優(yōu)分類面。針對(duì)傳統(tǒng)HOG特征塊是固定大小的,只能獲得有限特征,引入了變尺度的特征塊,采用類似于計(jì)算矩形特征的積分向量圖來(lái)計(jì)算HOG特征,加快了訓(xùn)練和檢測(cè)的速度,能增強(qiáng)檢測(cè)的精度。
　　 最后,針對(duì)矩形特征檢測(cè)速度快和HOG特征檢測(cè)精度高的特點(diǎn),提出了將矩形特征和HOG特征組合的方法。每次檢測(cè)時(shí)先用一個(gè)級(jí)聯(lián)級(jí)數(shù)較低的矩形特征分類器進(jìn)行粗提取,這時(shí)候行人將基本被檢測(cè)出來(lái),但同時(shí)還有大量的誤檢,再