基于安卓平臺(tái)的行人檢測(cè).pdf

1、近年來，隨著社會(huì)的進(jìn)步，計(jì)算機(jī)行業(yè)也持續(xù)繁榮發(fā)展。計(jì)算機(jī)智能視覺技術(shù)儼然成為一個(gè)熱門的研究方向，其中行人檢測(cè)技術(shù)廣受研究者們青睞。實(shí)際生活中，行人檢測(cè)技術(shù)具有非常廣泛的用途，如致力于改善交通安全問題的車輛輔助系統(tǒng)，當(dāng)今社會(huì)無處不在的視頻監(jiān)控系統(tǒng)，備受重視的人群數(shù)目預(yù)測(cè)與管理等，在機(jī)器人與高級(jí)人機(jī)交互等領(lǐng)域也有著很好的應(yīng)用價(jià)值。隨著Android系統(tǒng)在移動(dòng)端的廣泛應(yīng)用，它的發(fā)展前景廣受各界人士看好。另外，多種移動(dòng)端電子產(chǎn)品的體積小、便于攜

2、帶、性能良好等優(yōu)點(diǎn)吸引了大量的用戶，所以，Android系統(tǒng)在移動(dòng)端的應(yīng)用市場(chǎng)十分廣闊，因此將行人檢測(cè)技術(shù)移植到Android平臺(tái)上有很大的必要性并且意義深遠(yuǎn)。將基于OpenCV的行人檢測(cè)移植到Android平臺(tái)，這不僅使用戶能夠方便快捷的處理視頻圖像，還拓寬了Android平臺(tái)的應(yīng)用范圍。
　　本文主要考慮到行人檢測(cè)與安卓平臺(tái)具有良好的發(fā)展前景和廣闊的應(yīng)用領(lǐng)域，所以在安卓平臺(tái)上實(shí)現(xiàn)行人檢測(cè)。論文的主要工作內(nèi)容羅列如下:
　

3、　1.對(duì)Android系統(tǒng)進(jìn)行概述，包括Android系統(tǒng)的誕生發(fā)展與繁榮。詳細(xì)描述了Android系統(tǒng)的組成框架與結(jié)構(gòu)、生命周期、四大組件和應(yīng)用進(jìn)程的工作過程等。
　　2.詳細(xì)介紹了行人檢測(cè)技術(shù)中的基本行人特征，如SIFT特征、HOG特征與LBP特征。學(xué)習(xí)了傳統(tǒng)的訓(xùn)練行人檢測(cè)分類器的算法，如SVM算法。另外，研究了利用Adaboost框架訓(xùn)練級(jí)聯(lián)分類器的整個(gè)過程，并將此運(yùn)用于本次實(shí)驗(yàn)中。此后將因掃描多尺度圖片產(chǎn)生的多個(gè)矩形框利用

4、并查集技術(shù)進(jìn)行融合。
　　3.選擇INRIA數(shù)據(jù)集作為本項(xiàng)目實(shí)驗(yàn)的訓(xùn)練集與測(cè)試集，另外測(cè)試集還包括現(xiàn)場(chǎng)拍照與加載本地圖片。考慮到HOG單一特征的不足和LBP特征對(duì)它的性能的一些補(bǔ)充作用，本項(xiàng)目結(jié)合LBP和HOG兩個(gè)特征來表征行人。由于聯(lián)合特征的維數(shù)增加，利用SVM分類器進(jìn)行行人檢測(cè)時(shí)間消耗較大，所以使用Adaboost算法訓(xùn)練級(jí)聯(lián)分類器，降低了算法的復(fù)雜性增加了行人檢測(cè)的正確率。
　　4.搭建實(shí)驗(yàn)編碼的環(huán)境，首先搭建Andr