基于AdaBoost與顯著信息的行人檢測(cè)算法.pdf

1、行人檢測(cè)算法作為目標(biāo)檢測(cè)的一個(gè)具體問(wèn)題，涉及圖像處理、計(jì)算機(jī)視覺(jué)、機(jī)器學(xué)習(xí)等多個(gè)學(xué)科，可應(yīng)用于智能交通、視頻監(jiān)控、圖像壓縮、多媒體檢索等領(lǐng)域。正是因?yàn)檫@些廣泛的應(yīng)用，近年來(lái)行人檢測(cè)受到了科研人員以及企業(yè)越來(lái)越多的關(guān)注，該領(lǐng)域取得了長(zhǎng)足的進(jìn)步。但是由于行人本身及其周圍環(huán)境的特點(diǎn)，要做到準(zhǔn)確、實(shí)時(shí)地檢測(cè)仍然面臨兩個(gè)難點(diǎn)：（1）行人是一種非剛性的物體，因?yàn)檎玖⒔嵌龋ㄕ?、?cè)面、背面）、衣著、遮擋等情況的不同，導(dǎo)致了行人檢測(cè)的復(fù)雜性。（2）攝影

2、角度和屬性、光照角度和強(qiáng)度、周邊物體的多樣性等也給目標(biāo)的精確檢測(cè)帶來(lái)一定的難度。
　　本文在基于AdaBoost行人檢測(cè)算法的基礎(chǔ)上，做出了以下改進(jìn)：
　　（1）基于混合特征庫(kù)和AdaBoost級(jí)聯(lián)分類器
　　該方法構(gòu)建了一個(gè)包含了Haar-like矩形、改進(jìn)的邊緣方向直方圖（EOH）和梯度方向直方圖（HOG）的混合特征庫(kù)。我們首先提取訓(xùn)練樣本的混合特征數(shù)據(jù)，再利用級(jí)聯(lián)的AdaBoost算法挑選少量關(guān)鍵特征，最終得到快

3、速、準(zhǔn)確的行人檢測(cè)分類器。
　　（2）通過(guò)引入顯著信息修正AdaBoost分類器的檢測(cè)結(jié)果
　　由于圖像中行人所在區(qū)域常常與圖像較為顯著的區(qū)域較為吻合，所以本文在行人檢測(cè)的過(guò)程中引入顯著信息以提高檢測(cè)的準(zhǔn)確性。本文采用了兩種將顯著信息與AdaBoost分類器的結(jié)合方式，第一種方式與顯著物體檢測(cè)方法類似，直接利用行人的顯著特征訓(xùn)練分類器，第二種方式首先生成圖像的顯著圖，再利用顯著圖的區(qū)域顯著度動(dòng)態(tài)調(diào)整分類器的判別閾值。實(shí)驗(yàn)表明