面向變化場景的行人分類檢測方法研究.pdf

1、行人檢測系統(tǒng)(Pedestrian Detection Systems:PDS)是通過安裝在汽車上的傳感器,綜合使用各種智能算法來識別汽車前進方向一定范圍內的行人,并在危險時及時報警,以達到提高駕駛安全、保障行人生命財產的目的。隨著汽車智能化的發(fā)展,行人檢測系統(tǒng)作為智能汽車的一個核心支撐技術,受到產業(yè)界的高度關注。同時,行人檢測系統(tǒng)涉及到傳感器、機器學習、自動化、信息融合和計算智能等研究領域,也是智能監(jiān)控等多學科交叉的一個研究熱點,因此

2、具有重要的理論研究意義和很高的實際應用價值。
　　 行人檢測系統(tǒng)是一個動態(tài)的檢測平臺,與一般的靜態(tài)檢測系統(tǒng)相比,車輛行駛環(huán)境場景的多樣性和時變性、檢測平臺和檢測對象的動態(tài)性雙重作用,使得行人檢測技術研究面臨一系列的技術難點。變化場景下的行人檢測已成為目前研究界公認的一個挑戰(zhàn)性問題;有必要設計出高效的檢測器,可以在適應場景不斷變化情況下實現(xiàn)針對行人目標的高效檢測。
　　 目前,變化場景下的行人檢測技術主要包括圖像處理和機器

3、學習兩大類。第一類技術側重利用圖像處理技術對傳感器獲取的行人圖像進行處理,并進一步檢測為行人。由于行人檢測系統(tǒng)面臨的背景復雜,基于圖像處理的行人檢測方法難以滿足行人檢測實時性的要求。機器學習中的分類方法是目前采用較多的一種行人檢測技術,在固定場景下的行人檢測中取得了成功應用。但是,行人檢測的場景是動態(tài)變化的,檢測場景的多樣性和動態(tài)性使得傳統(tǒng)的分類檢測方法經(jīng)常不能適應變化場景的行人檢測要求。
　　 本文重點研究變化場景下的行人分類

4、檢測方法。場景的變化給在舊場景下訓練好的分類器帶來了一系列新的問題:(1)由于新舊場景的樣本集分布特性不同,基于舊場景樣本集訓練得到的分類器因為不能很好地適應場景的變化而在新場景下分類檢測的性能不佳;(2)雖然新舊場景樣本集之間存在一定的相關性,但由于在舊場景下訓練的分類器無法完全反應新場景的本征特征,導致該分類器在新場景下分類檢測的性能下降。這些難點問題使得變化場景下的行人分類檢測成為公認的挑戰(zhàn)性技術難題。
　　 本文認為,變

5、化場景之間上述共性和差異性可以在特征選擇和分類器設計兩個層面來處理;為此,本文分別從特征提取和分類器設計兩個側面,研究變化場景下的行人分類檢測方法,為行人分類檢測系統(tǒng)的研制提供技術支撐。論文完成的主要工作與創(chuàng)新之處如下:
　　 1)針對在舊場景下訓練的分類器無法適應場景變化的問題,提出一種變化場景下的分類模型優(yōu)化方法。
　　 在舊場景下訓練的分類器在新場景下的分類檢測性能不佳。若每次都在新場景下重新訓練分類器,新場景的訓

6、練樣本在短時間內難以獲得,且訓練時間過長導致難以滿足實時檢測的應用要求。本文充分利用原有分類器的結構,通過調整分類模型的決策變量使其適應新場景的行人檢測。首先在舊場景下訓練一個級聯(lián)分類器,同時保留其級聯(lián)分類器的結構,然后將其轉換為一個閾值向量的決策優(yōu)化問題,再利用少量具有代表性的新場景樣本米動態(tài)優(yōu)化調整原來已經(jīng)訓練好的級聯(lián)分類器的關鍵參數(shù),使之適應新場景的檢測要求。另外,為了進一步提高在新場景下的行人分類檢測的速度,提出一種通用的三分檢

7、測框架。實驗結果驗證了所提分類模型優(yōu)化方法具有良好的檢測性能和較快的檢測速度。
　　 2)結合新舊場景樣本集的特征空間相同的特點,提出了一種變化場景下的特征遷移模型。
　　 新舊場景的樣本集一般屬于同一特征空間,兩者的特征特性之間必存在一定的共性,若能善加利用應該可以減少新場景下的特征提取難度。本文提出了一種變化場景下的特征遷移模型,將舊場景的高層特征遷移到新場景用于行人檢測。該特征遷移模型首先利用近似稀疏編碼算法獲取舊

8、場景下行人樣本集的高層表示,然后將其作為新場景行人樣本的特征提取的輸入,來提取新場景行人樣本的近似稀疏特征,即將舊場景行人樣本的特征遷移到新場景用于行人檢測。實驗結果表明采用所提特征遷移模型的行人分類檢測方法在變化場景下可以取得較優(yōu)的檢測性能。
　　 3)結合新舊場景樣本集之間存在部分相似樣本的特點,提出了一種變化場景下的分類遷移模型。
　　 新舊場景樣本集必然存在一部分相似樣本。由于新場景的樣本數(shù)量較少不足以訓練一個可

9、靠的分類模型,因此需要充分利用舊場景中部分相似的行人樣本。綜合考慮特征和分類器設計,本文提出了一種變化場景下的行人分類遷移模型。該模型主要包括兩個部分:基于流形學習的樣本篩選方法和基于遷移學習的分類器設計。首先將新舊場景的行人樣本在流形學習的框架下進行可視化表述,篩選出舊場景中與新場景中行人樣本分布相似度較高的部分樣本,然后對新舊場景的樣本進行合并,將舊場景中的部分相似度較高的樣本與新場景數(shù)據(jù)擴展成新的訓練集,最后利用新的訓練集和大量輔