基于多特征信息融合的靜態(tài)圖像行人檢測.pdf

1、行人檢測是計算機視覺領域重要的研究方向，其涉及到數(shù)學、模式識別、人工智能和機器學習等多學科的知識。行人檢測在智能交通領域（如車輛安全、視頻監(jiān)控和自動駕駛系統(tǒng)等）具有廣泛的應用前景。因此，對行人檢測的研究具有極大的理論意義和實際應用價值。然而，由于行人檢測受到光照變化、遮擋以及人體自身變化大等因素的影響，設計一個高效的行人檢測算法仍是一項具有挑戰(zhàn)的任務。
　　近年來，一些經(jīng)典的圖像特征的提出使得行人檢測方法的性能有了長足的進步。然而

2、，人為設計的特征仍然存在著一些局限性。本文針對靜態(tài)圖像的行人檢測中多特征信息融合的問題展開了三個方面的研究。本文主要工作和創(chuàng)新之處概括如下:
　　(1)提出了一種基于多特征融合的行人檢測方法。由于單個特征在設計時往往只考慮某些特定的視覺特性（如顏色、梯度和紋理等），因此其具有一定的局限性。多特征的融合有助于結(jié)合多個特征的優(yōu)點來提高行人檢測的性能。然而多特征的融合會導致高維數(shù)據(jù)的產(chǎn)生，因此引入一種有效的降維方法具有重要意義。傳統(tǒng)的偏

3、最小二乘(Partial Least Squares，PLS)降維方法已經(jīng)在特征降維中展現(xiàn)了其良好的性能。我們在其基礎上提出了一種基于正則加權最小二乘(RegularizedWeighted Least Squares，RWLS)的PLS方法，用于行人檢測中多特征融合后的特征降維。在該方法中，為了最小化樣本殘差，我們構造了一個RWLS的目標函數(shù)，并在其中增加了一個判別項用于更好地區(qū)分正負樣本。最終，通過求解該目標函數(shù)可以得到更加魯棒的潛

4、在矩陣和權重（投影）矩陣。實驗結(jié)果證明，本文提出的多特征融合的方法不僅可以有效地融合多特征的優(yōu)點，同時可以極大地減少了特征融合帶來的計算復雜度。
　　(2)提出了一種基于加權稀疏偏最小二乘方法(Weighted Sparse PartialLeast Squares，WSPLS)的行人檢測方法。在行人檢測中，通過積分技術對不同的圖像特征通道進行快速計算的方法得到了廣泛的關注，其中基于積分通道特征的方法是其代表性工作之一。本文在積分

5、通道特征方法（如Locally DecorrelatedChannel Features，LDCF)的基礎上，為了能利用特征選擇去除高維特征中的冗余和不相關信息，提出了一種基于WSPLS的行人檢測方法。在該方法中，結(jié)合(1)中得到的優(yōu)化后的潛在矩陣和稀疏偏最二乘法(Sparse Partial Least Squares，SPLS)訓練稀疏權重矩陣。最后，利用稀疏權重矩陣的稀疏特性選擇積分通道特征用于訓練決策樹分類器，同時把每個特征在稀

6、疏權重矩陣中的加權信息與每個決策樹相結(jié)合，訓練出更加魯棒的行人檢測分類器。實驗結(jié)果表明，基于WSPLS的特征選擇和權重信息融合的方法，不僅可以去除人體特征中大部分冗余和不相關信息，而且可以訓練出更加魯棒的行人分類器。
　　(3)提出了一種基于局部多特征共生性(Local Multiple Feature Co-occurrence，LMFC)的行人檢測方法。(2)中提出的WSPLS方法，在對積分通道特征進行選擇時，只選擇單個特征用