基于多部位聯(lián)合的行人檢查方法研究.pdf

1、行人檢測(cè)是進(jìn)行行人識(shí)別、行為分析等更深層研究工作的基礎(chǔ)。目前最主流的行人檢測(cè)方法是找到一種能有效描述行人的特征，使用機(jī)器學(xué)習(xí)算法對(duì)樣本圖像中的這種特征進(jìn)行訓(xùn)練，最后用模式分類的方法來(lái)檢測(cè)目標(biāo)圖像中的行人。
　　當(dāng)前大多數(shù)的行人檢測(cè)方法無(wú)法檢測(cè)到被遮擋的行人，針對(duì)這一問題，本文使用了一種對(duì)人體多個(gè)部位提取特征的檢測(cè)方法。我們建立了兩個(gè)行人特征模型:一個(gè)提取較低分辨率圖像中的梯度方向直方圖(HOG)特征;一個(gè)在高分辨率的圖像中對(duì)人臉、

2、頭肩、軀干與腿部提取一種改進(jìn)的局部二值模式(LBP)特征。通過實(shí)驗(yàn)證明該方法能有效提高被遮擋行人的檢測(cè)精度。本文的主要工作如下:
　　1、闡述行人檢測(cè)中的關(guān)鍵技術(shù)。行人檢測(cè)主要包括提取行人特征、使用機(jī)器學(xué)習(xí)方法對(duì)行人特征訓(xùn)練分類器以及利用訓(xùn)練好的分類器對(duì)測(cè)試樣本進(jìn)行檢測(cè)。當(dāng)前最經(jīng)典的行人特征有小波特征、梯度方向直方圖特征、局部二值模式特征等，我們通過實(shí)驗(yàn)比對(duì)分析這些特征的優(yōu)缺點(diǎn)。分類算法主要有K-最近鄰、貝葉斯、支持向量機(jī)以及Ad

3、aboost算法，我們分析并總結(jié)了這些算法在行人檢測(cè)中的應(yīng)用。
　　2、將改進(jìn)的HOG與LBP特征應(yīng)用于行人檢測(cè)。將訓(xùn)練樣本向下采樣得到較低分辨率的圖像，對(duì)該圖像提取HOG特征，并使用主成分分析對(duì)特征向量降維。使用支持向量機(jī)算法(SVM)對(duì)維度較低的特征訓(xùn)練分類器，能減少訓(xùn)練時(shí)間，提高檢測(cè)速度。將四元數(shù)與LBP特征相結(jié)合，利用四元數(shù)的復(fù)數(shù)特性，得到一種改進(jìn)的LBP特征，該特征能夠有效的保留彩色圖像三個(gè)通道的信息，對(duì)背景顏色有很強(qiáng)的