基于單目視覺(jué)的智能汽車行人檢測(cè)技術(shù)研究.pdf

1、基于單目視覺(jué)的行人檢測(cè)是城市交通環(huán)境下智能汽車輔助導(dǎo)航技術(shù)中的一項(xiàng)關(guān)鍵技術(shù)，也是目前計(jì)算機(jī)應(yīng)用領(lǐng)域的研究熱點(diǎn)之一。它對(duì)于保障現(xiàn)代城市道路交通安全具有重要的作用，已經(jīng)引起了各國(guó)政府部門(mén)和相關(guān)研究機(jī)構(gòu)的高度重視。本文針對(duì)復(fù)雜城市交通環(huán)境下行人的安全問(wèn)題，對(duì)以下關(guān)鍵技術(shù)進(jìn)行了研究：
　　1.一種基于樹(shù)形Adaboost算法和Haar-like特征的行人候選區(qū)域分割算法
　　根據(jù)Haar-like所提取的行人輪廓特征，利用了樹(shù)形Ad

2、aboost算法的簡(jiǎn)單和高效，提取圖像中可能存在行人的感興趣區(qū)域，為下一步行人的識(shí)別提供輸入信息。上述算法在保證較高檢測(cè)率的前提下，可以快速地剔除大多數(shù)不包含行人的掃描窗口。
　　2.基于mean shift的多尺度檢測(cè)融合
　　基于Haar-like特征和Adaboost的行人候選區(qū)域分割算法對(duì)目標(biāo)圖片進(jìn)行掃描、分類處理后，會(huì)得到許多互相重疊的檢測(cè)結(jié)果。數(shù)目較多的行人候選區(qū)域，會(huì)加重行人識(shí)別階段的工作負(fù)擔(dān)，因此需要在行人識(shí)

3、別之前首先對(duì)分割產(chǎn)生的檢測(cè)框進(jìn)行合并。在分析了多尺度檢測(cè)融合算法需要解決的問(wèn)題和設(shè)計(jì)原則的基礎(chǔ)上，將檢測(cè)框的融合問(wèn)題轉(zhuǎn)化為基于窗函數(shù)的模型估計(jì)問(wèn)題，然后提出了基于mean shift的多尺度檢測(cè)融合算法，并通過(guò)引入重采樣技術(shù)提高了檢測(cè)融合算法的速度。
　　3.基于改進(jìn)Shapelet特征的行人識(shí)別
　　研究基于形狀信息的行人識(shí)別算法。在分析現(xiàn)有的Haar－like、Edgelet特征和標(biāo)準(zhǔn)Shapelet特征集的基礎(chǔ)上，對(duì)標(biāo)

4、準(zhǔn)Shaplelet特征從子窗口的空間分布、歸一化方法和底層特征的計(jì)算等幾個(gè)方面進(jìn)行擴(kuò)展。相關(guān)實(shí)驗(yàn)的結(jié)果表明改進(jìn)的Shapelet特征與標(biāo)準(zhǔn)Shapelet特征相比，提高了行人識(shí)別算法的檢測(cè)性能。
　　4.基于部位的行人識(shí)別算法
　　針對(duì)復(fù)雜場(chǎng)景下行人之間、行人與其他障礙物之間的遮擋問(wèn)題，將改進(jìn)的Shapelet特征與子結(jié)構(gòu)概念相結(jié)合，提出了一種基于部位集成的行人識(shí)別算法。首先將人體建模為頭部、軀干、左臂、右臂和腿部五個(gè)部位

5、的自然組合，將對(duì)目標(biāo)行人的檢測(cè)分解為對(duì)五個(gè)部位的檢測(cè)，每個(gè)部位檢測(cè)器采用基于改進(jìn)Shaplelet特征的檢測(cè)方法。對(duì)于部位檢測(cè)器的集成，引入子結(jié)構(gòu)來(lái)刻畫(huà)各部位之間的位置、尺度等幾何約束。為了獲得最優(yōu)的集成方式，引入了覆蓋集概念，在集成檢測(cè)器的檢測(cè)率與它的拓?fù)浣Y(jié)構(gòu)之間建立聯(lián)系。然后，采用隨機(jī)搜索的方式從所有的子結(jié)構(gòu)中選擇滿足覆蓋集定義，并且具有最小虛警率的子結(jié)構(gòu)組合來(lái)構(gòu)建集成檢測(cè)器。最后，利用馬爾可夫隨機(jī)場(chǎng)(MRF)理論來(lái)完成基于集成模型

6、的行人檢測(cè)任務(wù)。
　　5.基于在線學(xué)習(xí)的行人檢測(cè)
　　針對(duì)Adaboost離線學(xué)習(xí)算法的不足，提出了一種應(yīng)用于行人檢測(cè)的在線學(xué)習(xí)與檢測(cè)框架，該檢測(cè)框架除了完成行人的在線檢測(cè)之外，還可以通過(guò)對(duì)漏檢行人樣本和錯(cuò)檢非行人樣本的在線學(xué)習(xí)，不斷提升檢測(cè)器的性能。關(guān)于在線學(xué)習(xí)算法，提出了利用Haar-like特征和在線Bayesian Decision弱學(xué)習(xí)算法的Adaboost在線學(xué)習(xí)算法。相關(guān)實(shí)驗(yàn)表明，基于在線學(xué)習(xí)算法的檢測(cè)器隨著學(xué)