基于AdaBoost和SVM的快速行人檢測方法研究.pdf

1、行人檢測作為計算機視覺領(lǐng)域的重要研究課題之一,在智能監(jiān)控、汽車輔助駕駛、救援輔助等領(lǐng)域有廣泛的應用前景。但行人外形多變,衣著不同造成行人特征描述困難,現(xiàn)階段的行人檢測方法在檢測精度與檢測速度上都很難達到應用水平。
　　本文首先對現(xiàn)階段的行人檢測方法進行學習分析,對行人特征描述子的選擇與行人的快速檢測方法等技術(shù)進行研究,設計實現(xiàn)了一種快速行人檢測方法,具體研究內(nèi)容如下:
　　1.研究學習常用的行人特征描述子,分析常用特征的計算

2、原理,設計實驗,在相同的應用環(huán)境下,計算各種特征并結(jié)合SVM分類器進行分類測試,對比各特征對應的檢測精度與特征提取速度,結(jié)果表明聚合通道特征不管是在檢測精度(大于92％)還是在特征計算速度(350fps)上都具有明顯優(yōu)勢。
　　2.AdaBoost分類器在分類檢測應用中具有檢測速度快精度高的優(yōu)點,但同時AdaBoost分類器的訓練時間非常耗時,特別是精度要求較高,弱分類器數(shù)目很多的情況。本文將深度為2的決策樹作為弱分類器,為優(yōu)化A

3、daBoost分類器訓練過程,加速弱分類器的訓練速度,設計實現(xiàn)了一種通過量化預處理訓練樣本特征,加快弱分類器訓練速度的方法,與傳統(tǒng)方法相比較該方法減少了弱分類器訓練中遍歷樣本的次數(shù),速度提高了2個數(shù)量級。
　　3.AdaBoost分類器訓練過程的開始階段添加弱分類器對檢測精度的提高明顯,而隨著弱分類器的增多,添加弱分類器的作用下降,且訓練分類時間增加。針對這個問題,在弱分類器數(shù)目過多時,使用 SVM分類器綜合完成分類,實現(xiàn)了 Ad

4、aBoost與線性SVM的級聯(lián)結(jié)構(gòu),使用SVM分類器對AdaBoost未能正確分類的樣本進行進一步判斷,將檢測精度提高了7%左右。SVM的訓練只針對AdaBoost弱分類器對應的特征點,最終得到的線性SVM分類器分類速度得到了保證。
　　4.為提高檢測速度,檢測過程中使用圖像特征金字塔層間的近似關(guān)系加速特征金字塔的構(gòu)建。首先計算圖像的稀疏采樣特征金字塔,其對應的精密采樣特征金字塔各層特征由臨近的稀疏金字塔對應層特征近似計算,實驗結(jié)