移動場景動目標(biāo)識別算法研究.pdf

1、移動場景下的動目標(biāo)識別技術(shù)屬于機(jī)器視覺的一個應(yīng)用分支，有著非常廣泛的應(yīng)用前景，行人檢測技術(shù)就是其一個具體應(yīng)用。隨著圖像技術(shù)與模式識別技術(shù)的發(fā)展，行人檢測技術(shù)已經(jīng)從理論研究階段走進(jìn)了我們的生活中。在智能監(jiān)控，汽車輔助駕駛系統(tǒng)，智能機(jī)器人等領(lǐng)域有著廣泛的應(yīng)用。當(dāng)前行人檢測技術(shù)主要分為兩大類：基于先驗(yàn)知識的檢測和基于機(jī)器學(xué)習(xí)的檢測。而在機(jī)器學(xué)習(xí)領(lǐng)域中，又以集成學(xué)習(xí)最為熱點(diǎn)。
　　 本文首先設(shè)計(jì)了一個基于先驗(yàn)知識的行人檢測算法。選用人體

2、的對稱性與頭肩部輪廓這一對非常獨(dú)特且具有一定魯棒性的特征，利用基于尋找行人對稱軸與頭肩部輪廓匹配的方法，在校園道路背景下準(zhǔn)確而快速的完成了行人的檢測。針對基于先驗(yàn)知識的行人檢測算法泛化性差的問題，設(shè)計(jì)了一個基于單獨(dú)機(jī)器學(xué)習(xí)的行人檢測算法。該算法針對Dalal算法中HOG特征塊過小只能描述細(xì)節(jié)特征的缺點(diǎn)，提出了既能描述細(xì)節(jié)特征又能描述整體與局部特征的變尺寸HOG特征：并針對變尺寸HOG特征維數(shù)過大問題，利用Fisher準(zhǔn)則給出了特征挑選機(jī)

3、制，最后使用線性SVM進(jìn)行分類。實(shí)驗(yàn)表明，在分類準(zhǔn)確率基本不變的情況下，將Dalai算法的檢測時間從1s降低到397ms。針對Dalal改進(jìn)算法中的“實(shí)時性”問題與“代價敏感”問題，分別提出了“Cascade”級聯(lián)結(jié)構(gòu)與“風(fēng)險敏感”支持向量機(jī)的分類方法。對于級聯(lián)結(jié)構(gòu)的每一級分類器的訓(xùn)練，分別使用了基于Fisher準(zhǔn)則預(yù)判斷和基于Adaboost集成學(xué)習(xí)的方法。在MIT行人數(shù)據(jù)庫上的實(shí)驗(yàn)表明：在誤檢率為1/1000時，檢測率分別可以達(dá)到9