基于多特征融合的分級行人檢測方法研究.pdf

1、行人檢測技術研究的主體是現(xiàn)實世界主要的組成部分，因此成為人們探索追求的重點。隨著信息技術的發(fā)展，行人檢測技術也慢慢的被應用于現(xiàn)實之中，如智能監(jiān)控系統(tǒng)、車載輔助系統(tǒng)、智能機器人等。正是由于社會發(fā)展的需求，行人檢測技術領域吸引了眾人參與到這個領域的研究。2005年HOG特征被提出用于行人檢測是行人檢測技術突破性進展。隨后的十年衍生出眾多的方法，都獲得了豐碩的成果。但是行人檢測本身存在著許多的難點：（1）行人作為非剛性目標，自身的外觀、姿態(tài)等

2、方面都會隨時的改變，影響行人檢測的準確性；（2）復雜的背景環(huán)境會導致行人檢測出現(xiàn)誤檢或漏檢，如何去除復雜背景干擾成為研究的難點；（3）在大場景下行人高度密集，行人遮擋造成了行人檢測的復雜性。
　　本文采用了分級檢測行人的方法，主要工作內(nèi)容如下：
　?。?）引用傳統(tǒng)的HOG特征和信息熵特征相結合進行目標檢測
　　傳統(tǒng)的HOG特征提取的方法只提取了自身唯一特征用于目標檢測，自身特征只能表征少許有用的特征信息?？紤]到行人目標

3、存在許多可以表征的特征，本文提出結合信息熵特征用于檢測目標。信息熵定義起源于熱力學，應用于圖像處理可以在一定程度上表征圖像的紋理特征。利用改進的HOG特征和滑動窗口檢測會初步得到一系列興趣窗口。
　?。?）引入集合通道特征用于目標檢測
　　集合通道特征包含了多種特征。本文中主要使用了顏色特征、梯度直方圖特征和梯度幅值特征。多特征融合會有效改善行人檢測的效果，因為多特征可以更好的表征行人目標信息。本文提出快速計算特征方法，快速

4、特征計算方法是對不同尺度下的特征近似計算。傳統(tǒng)的特征提取分別計算多尺度下的特征，這樣在會消耗大量的計算時間。區(qū)別于傳統(tǒng)的特征提取，快速計算特征方法是利用當前尺度下得到的特征近似計算相鄰尺度下特征。提取得到的特征使用Adaboost算法訓練最強分類器用于目標檢測。在上一步粗略檢測之后，利用集合通道特征對得到的一系列興趣窗口進行精確的分類，得到最終的分類結果。
　　本文實驗所采用的數(shù)據(jù)庫為開源公共數(shù)據(jù)集，實驗的平臺酷睿雙核處理器，內(nèi)存