多分類器級(jí)聯(lián)的街道場(chǎng)景遮擋行人檢測(cè).pdf

1、隨著人工智能和深度學(xué)習(xí)技術(shù)的不斷發(fā)展，目標(biāo)檢測(cè)、識(shí)別、跟蹤等計(jì)算機(jī)視覺(jué)應(yīng)用已經(jīng)越來(lái)越多地出現(xiàn)在我們的生活之中。行人檢測(cè)由于其應(yīng)用領(lǐng)域的廣泛，近年來(lái)得到了學(xué)者們的廣泛關(guān)注。由于行人自身的非剛性以及所處環(huán)境的復(fù)雜性，各類場(chǎng)景下的行人檢測(cè)依舊是目標(biāo)檢測(cè)領(lǐng)域的難點(diǎn)與重點(diǎn)。
　　本文首先介紹了行人檢測(cè)領(lǐng)域的研究背景與意義，結(jié)合具體事例闡述了行人檢測(cè)在實(shí)際生活中的各項(xiàng)應(yīng)用。然后介紹了目前行人檢測(cè)領(lǐng)域的技術(shù)難點(diǎn)與國(guó)內(nèi)外研究現(xiàn)狀，并對(duì)常用的特征算

2、子與分類方法做了詳細(xì)的介紹。本文的核心工作是針對(duì)日常街道場(chǎng)景中各類不同遮擋狀況的行人，提出一種多分類器級(jí)聯(lián)檢測(cè)的方式，并通過(guò)訓(xùn)練通用行人目標(biāo)檢測(cè)BING(binarized normed gradients)模板代替滑動(dòng)窗口掃描來(lái)加速檢測(cè)過(guò)程。本文的主要工作可以分為以下五個(gè)方面：
　　1、基于HOG(histogram of oriented gradient)特征和線性SVM(Support Vector Machines)分類

3、器，從INRIA數(shù)據(jù)集挑選合適的正負(fù)樣本訓(xùn)練了一個(gè)無(wú)遮擋行人分類器。該分類器用于研究行人不同部位被遮擋對(duì)檢測(cè)效果的影響是否不同。驗(yàn)證實(shí)驗(yàn)結(jié)果的數(shù)據(jù)一部分來(lái)自CVC-05 part occlusion數(shù)據(jù)集，一部分來(lái)自自己收集制作的遮擋行人數(shù)據(jù)集。
　　2、基于INRIA、CVC05-PartOcclusion數(shù)據(jù)集和自己收集的行人圖片制作了一系列遮擋行人專用正樣本，并利用這些數(shù)據(jù)集訓(xùn)練了九個(gè)檢測(cè)不同部位被遮擋的行人分類器。其中無(wú)遮

4、擋行人分類器一個(gè)，腿部遮擋行人分類器兩個(gè)，左右半身遮擋行人分類器各三個(gè)。
　　3、通過(guò)級(jí)聯(lián)的方式加速多分類器檢測(cè)過(guò)程。分類器設(shè)置為兩級(jí)，其中第一級(jí)一個(gè)分類器，第二級(jí)八個(gè)分類器，兩級(jí)分類器之間串聯(lián)，第二級(jí)分類器之間并聯(lián)。只有檢測(cè)得分大于第一級(jí)分類器設(shè)置的閾值的檢測(cè)窗口才會(huì)輸入到第二級(jí)分類器做進(jìn)一步的檢測(cè)。通過(guò)級(jí)聯(lián)分類器的方式使得檢測(cè)時(shí)間與單分類器基本持平。
　　4、在多分類器檢測(cè)結(jié)果融合階段提出一種 NMS+Mergi ng的