基于混合局部二值模式的快速特征金字塔方法的行人檢測(cè)研究.pdf

1、在現(xiàn)代生活中智能汽車的出現(xiàn)和視頻監(jiān)控的大規(guī)模應(yīng)用，使得對(duì)于場(chǎng)景中的物體分析變得愈發(fā)的重要，而在這之中對(duì)于行人的檢測(cè)變的十分具有應(yīng)用意義。行人檢測(cè)技術(shù)已經(jīng)成為了一門(mén)應(yīng)用廣泛的技術(shù)。在現(xiàn)實(shí)場(chǎng)景中，由于行人在姿態(tài)和大小上存在多樣性的不同以及光照強(qiáng)弱所造成的多樣性的干擾，導(dǎo)致行人檢測(cè)技術(shù)中還存在著很多需要解決的問(wèn)題。
　　行人檢測(cè)研究的重點(diǎn)之一就是訓(xùn)練得到一個(gè)區(qū)分能力強(qiáng)的分類器。傳統(tǒng)的方法中采用的諸如梯度方向直方圖(HOG)、局部二值模式

2、(LBP)、SIFT等特征進(jìn)行分類器的訓(xùn)練，并得到具有一定檢測(cè)能力的行人檢測(cè)分類器，但是這些分類器的檢測(cè)效果并不是十分的理想。因此，本文提出了使用圖像編碼的二值模式對(duì)待檢測(cè)的圖像進(jìn)行二值編碼的轉(zhuǎn)換，把復(fù)雜的模式計(jì)算過(guò)程轉(zhuǎn)換為簡(jiǎn)單模式計(jì)算過(guò)程并得到區(qū)分能力強(qiáng)的特征圖像，同時(shí)采用快速特征金字塔的方法得到相鄰特征圖像之間的放縮估計(jì)參數(shù)，通過(guò)這個(gè)參數(shù)進(jìn)行實(shí)驗(yàn)并實(shí)施檢測(cè)。本文主要的研究?jī)?nèi)容如下:
　　1)本文提出了一種新的特征。通過(guò)對(duì)比HO

3、G特征和LBP特征的實(shí)現(xiàn)細(xì)節(jié)，發(fā)現(xiàn)在保留梯度方向算子的前提下，依然有較大的改進(jìn)空間從而提升系統(tǒng)的運(yùn)行效率。因此采用新的方法設(shè)計(jì)新特征-BPG特征，BPG特征為把梯度方向分成8個(gè)bin的范圍，在不同的梯度方向bin上統(tǒng)計(jì)相應(yīng)梯度值的累加，求8方向的bin值的均值作為判斷的閾值，通過(guò)與閾值進(jìn)行作差的比較進(jìn)行相應(yīng)二值化編碼過(guò)程得到BPG特征。實(shí)驗(yàn)結(jié)果分析表明:新特征具有更好的識(shí)別能力，且能實(shí)現(xiàn)較好的識(shí)別效果。
　　2)使用BPG特征和L

4、BP特征作為訓(xùn)練和分類過(guò)程中使用的特征池。由于在圖像檢測(cè)過(guò)程中采用的是金字塔放縮的思想對(duì)圖片進(jìn)行放縮檢驗(yàn)，因此在放縮到一定的級(jí)數(shù)之后，圖像的BPG特征將會(huì)出現(xiàn)部分特征弱化的情況，這時(shí)的識(shí)別效果將會(huì)出現(xiàn)影響，引入簡(jiǎn)單的LBP特征會(huì)在圖片進(jìn)行放縮之后對(duì)圖片特征中丟失的信息加以補(bǔ)充，從而提高檢測(cè)的效率。
　　3)本文采用的是動(dòng)態(tài)閾值的Adaboost算法進(jìn)行訓(xùn)練并得到強(qiáng)分類器。動(dòng)態(tài)閾值的求解可以避免在選擇每一級(jí)強(qiáng)分類閾值的過(guò)程中隨機(jī)選擇