基于人體部件的復(fù)雜場(chǎng)景行人檢測(cè)研究.pdf

1、行人檢測(cè)在軍事國(guó)防管理、遇險(xiǎn)人員搜救、交通狀態(tài)判別、汽車(chē)輔助駕駛以及智能家居等方面有著重要的應(yīng)用?；趫D像的行人檢測(cè)是對(duì)圖片中的行人位置進(jìn)行定位，并用標(biāo)記框框出行人。其中基于特征的行人檢測(cè)算法首先對(duì)圖像進(jìn)行特征學(xué)習(xí)分類(lèi)形成檢測(cè)器，再輸入圖像檢測(cè)出圖像中的行人。由于現(xiàn)實(shí)情況中行人環(huán)境場(chǎng)景的不確定性以及被檢測(cè)目標(biāo)人體自身的非剛性，行人檢測(cè)準(zhǔn)確定位仍然是一大挑戰(zhàn)。其研究的難點(diǎn)在于：尋找一種更具魯棒性的圖像特征描述子，以此來(lái)描述復(fù)雜場(chǎng)景下多行人

2、遮擋時(shí)的行人。這類(lèi)特征不僅能夠較好地描述行人特征，還能有效地區(qū)分行人之間的相似性；尋找一種更加有效的人體部件檢測(cè)算法，能高效識(shí)別復(fù)雜場(chǎng)景中的行人。針對(duì)此問(wèn)題，本文在傳統(tǒng)HOG特征+SVM行人檢測(cè)方法的基礎(chǔ)上，著重討論了如何建立一種更有效的行人特征描述方法，彌補(bǔ)圖像底層特征表達(dá)能力不足的問(wèn)題和如何構(gòu)建更有效的部件模型來(lái)檢測(cè)遮擋行人。本文從特征表達(dá)選擇和人體部件模型兩方面，對(duì)復(fù)雜場(chǎng)景中的行人檢測(cè)進(jìn)行深入研究。
　　針對(duì)傳統(tǒng)行人檢測(cè)中存

3、在人體全局特征表達(dá)能力不足，以及遮擋行人檢測(cè)精度較低的問(wèn)題，結(jié)合fisher vector的優(yōu)點(diǎn)，本文提出一種基于fisher vector的人體部件檢測(cè)算法。算法用fisher vector量化人體部件和整體的HOG特征，并用支持向量機(jī)學(xué)習(xí)訓(xùn)練得到人體部件分類(lèi)器和整體分類(lèi)器；然后用Hough投票對(duì)整體分類(lèi)器和部件分類(lèi)器的分類(lèi)結(jié)果進(jìn)行投票，得分最高者代表行人位置；并用非極大值抑制消除虛警，并在標(biāo)準(zhǔn)行人數(shù)據(jù)庫(kù)INRIA上進(jìn)行實(shí)驗(yàn)驗(yàn)證。

4、r>　　針對(duì)復(fù)雜場(chǎng)景中提取的HOG全局特征受外界干擾，部分特征不能很好地表達(dá)遮擋行人特征的問(wèn)題，提出一種基于特征選擇的加權(quán)可變形部件人體檢測(cè)算法。首先利用稀疏分?jǐn)?shù)的特征選擇算法在HOG特征集上選擇最具代表性的行人描述特征；再利用梯度下降優(yōu)化權(quán)值法對(duì)DPM的各部件進(jìn)行權(quán)值排序；最后結(jié)合LSVM訓(xùn)練算法形成高判別力的分類(lèi)器，并通過(guò)實(shí)驗(yàn)進(jìn)行驗(yàn)證。
　　本文利用MATLAB2014B來(lái)完成實(shí)驗(yàn)設(shè)計(jì)，在標(biāo)準(zhǔn)行人數(shù)據(jù)庫(kù)INRIA上進(jìn)行對(duì)比實(shí)驗(yàn)