论文部分内容阅读
行人检测作为目标检测研究的热点问题,研究的目的在于从不同的背景的图像中检测出直立姿态的行人。它广泛应用于智能交通、驾驶辅助系统、视频监控、机器人等领域,具有很高的商业价值。行人检测的技术难点在于复杂场景中光照和阴影的干扰,行人姿态、服饰的随机性以及遮挡物等众多不可控因素的影响。因此,如何解决这些的问题,研究出适合于各种场景的行人检测算法,对于行人检测技术的推广和应用有着很重要的意义。本文简单介绍了基于快速特征金字塔行人检测的算法,在行人特征提取ACF(Aggregate Channel Feature)方法的基础上进行了改进,提出了模板积分特征法和基于离线选择的ACF特征法;其次,加入了第二级检测器以减少快速特征金字塔行人检测结果中的误检窗口数。针对ACF特征缺乏对行人先验知识加以利用的问题,提出了模板积分特征,根据行人直立的特点,采用了水平和垂直两种差分模板,求取模板内元素加权平均和的差分值,生成了更加针对行人的特征。通过实验的结果表明,模板积分特征的使用提升了行人的检测率。针对在线训练阶段Adaboost分类器有很大可能选择混淆的背景信息作为判别特征的问题,提出了使用离线选择ACF特征的方法以去除无关的背景信息:在离线选择阶段,利用基于决策树的Adaboost分类器进行特征选择,得到若干的特征及其索引,选择其中出现频率高的特征作为有效特征,将特征索引应用于在线阶段Adaboost的训练中,减少了混淆背景特征的干扰。通过实验的结果表明,离线选择ACF特征的使用能够提升行人的检测率。为了减少快速特征金字塔行人检测结果中存在的误检窗口数,提出加入基于稀疏表示分类行人检测的二级检测的方法。在训练阶段,分别对正负样本提取特征建立过完备字典;在检测阶段求取待测样本的稀疏表示系数向量,分别求取正负样本稀疏系数之和,以它们的比例作为误检窗口的判别依据。实验结果表明,加入第二级检测器减少了误检窗口的数目,提升了检测系统的性能。