基于機(jī)器視覺的行人檢測(cè)技術(shù)研究.pdf

1、隨著智慧城市的建設(shè)需要，行人檢測(cè)技術(shù)的研究與發(fā)展備受關(guān)注。行人檢測(cè)技術(shù)是圖像處理、模式識(shí)別、機(jī)器學(xué)習(xí)等多學(xué)科交叉的研究課題。此外，行人檢測(cè)在智能汽車，安防等領(lǐng)域也具有廣闊的應(yīng)用空間。目前，行人檢測(cè)技術(shù)的研究已經(jīng)取得了很大的進(jìn)展，但是依然存在很多難點(diǎn)。例如，提取的感興趣區(qū)域窗口過(guò)多；提取的特征對(duì)行人描述不足；特征維度過(guò)高以及分類器等方面還有待進(jìn)一步的提高等。為了解決上述問題，本文從感興趣區(qū)域提取、特征提取和分類器三個(gè)方面對(duì)行人檢測(cè)技術(shù)開展

2、相關(guān)研究。本文的主要研究?jī)?nèi)容如下：
　?。?）在感興趣區(qū)域的研究中，由于行人檢測(cè)中使用廣泛的多尺度滑動(dòng)窗口法產(chǎn)生了過(guò)多的檢測(cè)窗口。本文提出了一種基于路面約束和圖像分割來(lái)提取感興趣區(qū)域的方法來(lái)減少待檢測(cè)窗口的數(shù)量。首先使用FCM算法對(duì)預(yù)處理之后的灰度圖像進(jìn)行分割，標(biāo)記處理之后的連通區(qū)域。另一方面通過(guò)區(qū)域生長(zhǎng)、邊緣檢測(cè)、霍夫變換等算法對(duì)行人檢測(cè)圖像中的路面區(qū)域進(jìn)行提取，并根據(jù)生活中行人與路面的關(guān)系，利用所提取的路面對(duì)已標(biāo)記的連通區(qū)域進(jìn)

3、行篩選，符合條件的連通區(qū)域即為感興趣區(qū)域。為了減弱光照的影響和突出行人區(qū)域，本文在預(yù)處理中加入了直方圖均衡化的方法。
　?。?）在特征提取中，針對(duì)HOG等單一的特征對(duì)行人描述不足，融合特征維度過(guò)高等問題。本文提出了一種多尺度融合的稀疏特征對(duì)行人進(jìn)行描述，以此兼顧特征描述不足和特征維度過(guò)高的問題。首先提取行人檢測(cè)圖像的HOG特征和LBP特征，對(duì)提取的HOG和LBP特征分別進(jìn)行稀疏表示，然后將兩個(gè)稀疏特征進(jìn)行多尺度的融合。HOG特征的

4、提取采用經(jīng)典的3780維特征，然后對(duì)其進(jìn)行稀疏表示。在LBP特征的提取中，首先將64*128的樣本分塊然后再提取塊內(nèi)的LBP特征，并對(duì)塊內(nèi)的特征進(jìn)行歸一化處理，并將所有塊內(nèi)的LBP特征組成圖像的LBP特征。通過(guò)實(shí)驗(yàn)研究發(fā)現(xiàn)，當(dāng)塊大小為8*16像素時(shí)，提取的LBP特征檢測(cè)效果較好。在進(jìn)行稀疏特征融合的過(guò)程中，比較了在不同融合尺度下的行人檢測(cè)效果。最終完成多尺度稀疏特征的融合。
　　（3）在分類器的研究中，本文首先將KNN分類器和行人