HOG融合特征及DL在行人檢測(cè)算法中的研究.pdf

1、在計(jì)算機(jī)領(lǐng)域，模式識(shí)別一直是具有挑戰(zhàn)性的課題，雖然存在很多阻礙與瓶頸，但仍吸引著大量專(zhuān)家學(xué)者。行人檢測(cè)是模式識(shí)別中的一項(xiàng)重要領(lǐng)域，在智能監(jiān)控、人機(jī)交互和危險(xiǎn)警告等方面有著廣泛應(yīng)用，本文針對(duì)靜態(tài)圖像中是否存在行人展開(kāi)研究。
　　論文首先了解行人檢測(cè)的研究背景及意義，分析了國(guó)內(nèi)外研究現(xiàn)狀，并且針對(duì)常用的特征檢測(cè)子、分類(lèi)器和深度學(xué)習(xí)常用模型做了簡(jiǎn)單概述。針對(duì)現(xiàn)有研究技術(shù)存在的一些缺陷，本文從兩個(gè)方面開(kāi)展工作：
　　(1)檢測(cè)技術(shù)主

2、要關(guān)注于如何改進(jìn)特征與分類(lèi)問(wèn)題，因此，提出了一種改進(jìn)的融合特征算法進(jìn)行行人檢測(cè)。該算法首先對(duì)輸入圖像進(jìn)行灰度處理，一方面提取HOG特征；另一方面，進(jìn)行二級(jí)小波變換，分別保留二級(jí)分解所得到的低頻子圖像(LL，LL1)，并采用LBP算子分別計(jì)算其LBP特征譜，再統(tǒng)計(jì)該直方圖，最終得到小波LBP特征；融合上述HOG與小波LBP特征，用主成分分析法(Principal Component Analysis,PCA)對(duì)其進(jìn)行降維，得到最終融合特征

3、，將該特征放入支持向量機(jī)(Support Vector Machine,SVM)中進(jìn)行訓(xùn)練和測(cè)試。實(shí)驗(yàn)結(jié)果表明，本文所提方法在對(duì)比算法中具有一定的優(yōu)勢(shì)。
　　(2)從深度學(xué)習(xí)基本理論入手，結(jié)合其自主提取特征的性能，利用卷積神經(jīng)網(wǎng)絡(luò)提取的圖像特征，預(yù)測(cè)出圖像中的預(yù)選區(qū)域框，并使得檢測(cè)網(wǎng)絡(luò)與預(yù)選區(qū)域網(wǎng)絡(luò)共享卷積特征，大大減少了計(jì)算復(fù)雜度，降低了運(yùn)行時(shí)間。本文在此基礎(chǔ)上，進(jìn)行大量實(shí)驗(yàn)：首先驗(yàn)證預(yù)選區(qū)域網(wǎng)絡(luò)的有效性，然后精調(diào)閾值，使圖像達(dá)