基于AdaBoost和SVM的快速行人檢測(cè)方法研究.pdf

1、行人檢測(cè)作為計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究課題之一,在智能監(jiān)控、汽車(chē)輔助駕駛、救援輔助等領(lǐng)域有廣泛的應(yīng)用前景。但行人外形多變,衣著不同造成行人特征描述困難,現(xiàn)階段的行人檢測(cè)方法在檢測(cè)精度與檢測(cè)速度上都很難達(dá)到應(yīng)用水平。
　　本文首先對(duì)現(xiàn)階段的行人檢測(cè)方法進(jìn)行學(xué)習(xí)分析,對(duì)行人特征描述子的選擇與行人的快速檢測(cè)方法等技術(shù)進(jìn)行研究,設(shè)計(jì)實(shí)現(xiàn)了一種快速行人檢測(cè)方法,具體研究?jī)?nèi)容如下:
　　1.研究學(xué)習(xí)常用的行人特征描述子,分析常用特征的計(jì)算

2、原理,設(shè)計(jì)實(shí)驗(yàn),在相同的應(yīng)用環(huán)境下,計(jì)算各種特征并結(jié)合SVM分類(lèi)器進(jìn)行分類(lèi)測(cè)試,對(duì)比各特征對(duì)應(yīng)的檢測(cè)精度與特征提取速度,結(jié)果表明聚合通道特征不管是在檢測(cè)精度(大于92％)還是在特征計(jì)算速度(350fps)上都具有明顯優(yōu)勢(shì)。
　　2.AdaBoost分類(lèi)器在分類(lèi)檢測(cè)應(yīng)用中具有檢測(cè)速度快精度高的優(yōu)點(diǎn),但同時(shí)AdaBoost分類(lèi)器的訓(xùn)練時(shí)間非常耗時(shí),特別是精度要求較高,弱分類(lèi)器數(shù)目很多的情況。本文將深度為2的決策樹(shù)作為弱分類(lèi)器,為優(yōu)化A

3、daBoost分類(lèi)器訓(xùn)練過(guò)程,加速弱分類(lèi)器的訓(xùn)練速度,設(shè)計(jì)實(shí)現(xiàn)了一種通過(guò)量化預(yù)處理訓(xùn)練樣本特征,加快弱分類(lèi)器訓(xùn)練速度的方法,與傳統(tǒng)方法相比較該方法減少了弱分類(lèi)器訓(xùn)練中遍歷樣本的次數(shù),速度提高了2個(gè)數(shù)量級(jí)。
　　3.AdaBoost分類(lèi)器訓(xùn)練過(guò)程的開(kāi)始階段添加弱分類(lèi)器對(duì)檢測(cè)精度的提高明顯,而隨著弱分類(lèi)器的增多,添加弱分類(lèi)器的作用下降,且訓(xùn)練分類(lèi)時(shí)間增加。針對(duì)這個(gè)問(wèn)題,在弱分類(lèi)器數(shù)目過(guò)多時(shí),使用 SVM分類(lèi)器綜合完成分類(lèi),實(shí)現(xiàn)了 Ad

4、aBoost與線性SVM的級(jí)聯(lián)結(jié)構(gòu),使用SVM分類(lèi)器對(duì)AdaBoost未能正確分類(lèi)的樣本進(jìn)行進(jìn)一步判斷,將檢測(cè)精度提高了7%左右。SVM的訓(xùn)練只針對(duì)AdaBoost弱分類(lèi)器對(duì)應(yīng)的特征點(diǎn),最終得到的線性SVM分類(lèi)器分類(lèi)速度得到了保證。
　　4.為提高檢測(cè)速度,檢測(cè)過(guò)程中使用圖像特征金字塔層間的近似關(guān)系加速特征金字塔的構(gòu)建。首先計(jì)算圖像的稀疏采樣特征金字塔,其對(duì)應(yīng)的精密采樣特征金字塔各層特征由臨近的稀疏金字塔對(duì)應(yīng)層特征近似計(jì)算,實(shí)驗(yàn)結(jié)