面向行人檢測的動態(tài)視覺詞提取與集成分類方法研究.pdf

1、行人檢測系統(tǒng)(Pedestrian Detection Systems:PDS)旨在通過安裝在汽車上的傳感器設(shè)備，識別汽車行進(jìn)視角一定范圍內(nèi)的行人，跟蹤其位置并判斷可能的碰撞，起到輔助駕駛、保障交通安全的目的。作為智能交通(Intelligent Transportation Systems:ITS)的核心技術(shù)之一，行人檢測受到產(chǎn)業(yè)界的高度關(guān)注，具有重要的應(yīng)用價值。此外，由于行人個體的多樣性和檢測背景的復(fù)雜性、動態(tài)性，行人檢測也是機(jī)器視

2、覺(Computer Vision)應(yīng)用中的一個重要研究課題，其研究涉及機(jī)器學(xué)習(xí)、計算智能、自動化與控制、信息融合等領(lǐng)域，是多學(xué)科交叉的研究熱點，具有重要的理論價值。
　　 與一般的目標(biāo)檢測相比，行人檢測的主要特點在于檢測的動態(tài)性和實時性。在檢測過程中汽車和行人都是運(yùn)動的，不僅行人個體具有很大差異性，地形、天氣、光照等路況因素的動態(tài)變化也給檢測帶來極大的困難。另一方面，由于實時性的要求又必須保證檢測速度，不能使用復(fù)雜度太高的檢測

3、算法。因此，如何開發(fā)能夠適應(yīng)路況變化的高效行人檢測方法是一個挑戰(zhàn)性技術(shù)問題。
　　 目前的行人檢測方法主要包含圖像處理和分類兩大類，其中圖像處理方法由于過程較為復(fù)雜，往往難以滿足系統(tǒng)的實時性需求，而基于分類的行人檢測由于簡單易用成為主流?；诜诸惖男腥藱z測通常包含特征提取和分類兩大步驟，特征提取階段從圖像中的一些興趣域提取物理特征描述子，在分類階段對于提取的物理特征使用分類器進(jìn)行分析，以判斷每個興趣域是否包含行人。
　　

4、 目前的研究中，在特征提取和分類兩大環(huán)節(jié)已經(jīng)有多種方法提出，這些方法在單一場景檢測中可以取得很好的效果，但是對于路況變化的應(yīng)對能力不足。特征提取方面，物理特征描述子對路況的變化較為敏感，路況變化時其分布也將發(fā)生變化，導(dǎo)致原有的特征描述失效。分類器設(shè)計方面，由于新舊場景特征分布的變化，原場景訓(xùn)練的分類器在新路況下直接檢測性能較差，而如果重新訓(xùn)練又無法滿足系統(tǒng)實時性需求。采用集成分類技術(shù)將不同路況下的分類器集成是一個可行的解決方案，但是目前

5、的集成分類研究主要針對單一場景，針對多場景數(shù)據(jù)如何通過集成達(dá)到最優(yōu)的性能組合仍然有待研究。
　　 針對現(xiàn)有行人檢測方法在路況變化對應(yīng)能力方面的不足，本文分別從集成分類技術(shù)、行人關(guān)鍵特征提取和動態(tài)特征分類器設(shè)計三個方面提出針對性的解決方案，為基于分類的行人檢測提供技術(shù)支撐。本文的主要工作和創(chuàng)新如下：
　　 1)針對行人檢測中完全集成策略性能不均衡的問題，提出一種演化生成的選擇性集成策略
　　 傳統(tǒng)的集成方法對于多場

6、景訓(xùn)練的分類器均采用完全集成策略，而在實踐中完全集成難以解決多場景數(shù)據(jù)冗余的問題，且未必能在檢測率、誤報率和檢測速度的綜合性能上取得最優(yōu)，只采用部分分類器的優(yōu)化組合有可能取得比完全集成更好的效果。本文提出一種演化生成的選擇性集成策略，通過智能算法優(yōu)化成員分類器的組合，為避免未成熟收斂及加速尋優(yōu)過程采用額外的種群協(xié)同進(jìn)化，并通過適應(yīng)度函數(shù)的設(shè)計將集成分類器的檢測速度考慮在內(nèi)，最終選擇綜合性能最優(yōu)的組合分類結(jié)構(gòu)。
　　 2)針對物理

7、特征對路況變化敏感的問題，提出一種更高抽象層次的行人關(guān)鍵特征
　　 原始的物理特征對場景變化較為敏感，導(dǎo)致路況變化后基于物理特征的分類器不再有效。為了提高場景適應(yīng)性，本文在原始物理特征基礎(chǔ)上提取一種具有更高抽象層次的描述子，作為視覺詞(Visual Words)。為了有效的用視覺詞描述樣本，在眾多視覺詞中需要選擇一個有代表性的碼表(codebook)，即行人關(guān)鍵特征集。本文提出一種基于流形學(xué)習(xí)和中心度量的關(guān)鍵詞選擇算法，流形學(xué)習(xí)

8、不僅起到降維的作用，還在低維空間建立了一個視覺詞的模型，在低維流形上通過本文的中心度量算法，可以選擇有代表性的視覺詞，形成行人關(guān)鍵特征集，即使在場景變化時，也可以得到一個相對穩(wěn)定的特征表示。
　　 3)提出一種使用動態(tài)特征集的分類器，路況變化時通過特征集的動態(tài)調(diào)整使得分類器無須重新訓(xùn)練亦可適應(yīng)場景變化
　　 現(xiàn)有方法中，原場景分類器在路況變化時性能難以滿足需求，而使用新場景樣本重新訓(xùn)練則無法實現(xiàn)在線檢測。本文提出一種基于