基于機(jī)器學(xué)習(xí)的行人檢測(cè)算法研究.pdf

1、基于機(jī)器學(xué)習(xí)的行人檢測(cè)是一個(gè)很重要而又很有發(fā)展前景的研究領(lǐng)域，有著廣泛的應(yīng)用價(jià)值，其涉及多個(gè)領(lǐng)域比如人機(jī)交互、車輛輔助駕駛、視頻搜索和安全監(jiān)控等方面。但是由于行人外觀著裝的非剛性以及復(fù)雜背景的干擾且在實(shí)際應(yīng)用中要求極高的在線檢測(cè)，所有的這些限制因素最終導(dǎo)致行人檢測(cè)成為一項(xiàng)艱難的研究課題。目前有很多公開發(fā)表的行人檢測(cè)的算法，比如模板匹配方法和基于統(tǒng)計(jì)學(xué)習(xí)方法，模板匹配是一種比較容易實(shí)現(xiàn)且很早就應(yīng)用了的方法，是經(jīng)過時(shí)間考驗(yàn)的經(jīng)典性算法，人的

2、頭部輪廓有很好的不變性，在這樣的情況下，模板匹配能夠較好的描述目標(biāo)。基于學(xué)習(xí)的方法有兩個(gè)很重要的方面，一個(gè)是表征目標(biāo)的特征描述算子，另一個(gè)是采用的學(xué)習(xí)算法。
　　 本課題仔細(xì)地研究和分析了行人目標(biāo)檢測(cè)研究領(lǐng)域中當(dāng)前十分流行且受很多研究人員關(guān)注的檢測(cè)算法，比如特征提取算法和機(jī)器學(xué)習(xí)算法，Dalal提出了用于表征行人的特征算子的梯度方向直方圖近些年來受到很大的關(guān)注和研究改進(jìn)，該算法主要是基于行人輪廓形狀信息的分析，本文正是利用這一特

3、性，對(duì)梯度方向直方圖特征進(jìn)行改進(jìn)使其能夠提取出包含更多行人輪廓信息。采用支持向量機(jī)算法訓(xùn)練得到分類器模型測(cè)試結(jié)果表明，在INRIA行人數(shù)據(jù)庫(kù)上這種改進(jìn)的特征提取算法能夠取得很好的檢測(cè)效果。
　　 在分類器訓(xùn)練框架上采用了cascade級(jí)聯(lián)Adaboost分類器訓(xùn)練方法，但是根據(jù)本文算法的特點(diǎn)做了一些改進(jìn)，用線性SVM代替二叉樹成為弱分類器，和單個(gè)SVM訓(xùn)練得到分類器模型相比，實(shí)驗(yàn)結(jié)果表明該檢測(cè)框架訓(xùn)練得到的強(qiáng)分類器具有壓倒性的分

4、類判別優(yōu)勢(shì)。
　　 在檢測(cè)階段，通過檢測(cè)窗口在圖片中滑動(dòng)提取特征然后進(jìn)行判別，而且有的行人目標(biāo)在圖片中占據(jù)的位置偏大或者偏小，另外還會(huì)有多個(gè)檢測(cè)窗口同時(shí)框住同一個(gè)行人目標(biāo)，怎么樣合并這些檢測(cè)窗口，本文采用多尺度檢測(cè)技術(shù)和非極大值抑制能夠精確地合并檢測(cè)窗口以及定位行人在圖像中的具體位置。
　　 對(duì)行人特征樣本進(jìn)行訓(xùn)練學(xué)習(xí)和檢測(cè)是在VC6++和OpenCV1.0的軟件開發(fā)環(huán)境中實(shí)現(xiàn)的并且使用的行人測(cè)試庫(kù)是INRIA。實(shí)驗(yàn)結(jié)果