论文部分内容阅读
随着人工智能和计算机技术的不断发展，目标检测已成为计算机视觉的热点研究领域之一。在目标检测中，行人的检测是一个重要分支，广泛应用于汽车辅助驾驶、视频监控、行人检测及跟踪等领域。 行人检测作为计算机视觉的重要组成部分，是行人识别、行人行为分析等相关研究的首要步骤。因为行人姿态多变、衣着各异、所处环境复杂、光照多变等，所以精确的行人检测算法很难实现。就目前而言，行人检测算法主要分为两类:基于视觉传感器的行人检测算法和基于非视觉传感器的行人检测算法。其中，基于视觉传感器的行人检测算法依靠视觉传感器获得周围环境信息，通过一些行人检测算法检测出其中的行人并以图像的形式显示出来，该方法较为直观、操作方便，但是所采用的算法较为复杂;基于非视觉传感器的行人检测算法主要依靠红外传感器、激光雷达等设备获取周围少量的信息，进而检测出其中的行人，该方法所需信息量少、误检率低，但是所需要的设备价格较高。 本文围绕基于视觉传感器的行人检测算法重点研究了基于统计学习的行人检测算法及其所使用的关键技术。论文的主要工作和创新成果如下: 1、深入研究了基于统计学习的行人检测算法，分析了感兴趣区域提取算法、常用的分类特征及分类器、检测算法优劣的评价等关键技术。 2、提出了一种直立行人感兴趣区域提取算法，该方法通过分析多个数据集中行人的尺寸信息，发现行人在图像中的尺寸在一定的范围内，根据这一信息并结合行人的边缘特点提出了一种行人感兴趣区域提取算法。实验证明该算法可以很好的提取出行人所在区域，进而加速检测过程、提高检测效果。 3、提出了一种通用行人感兴趣区域提取算法，该方法通过SVM获取置信度较高的检测框，并根据这些检测框提取出行人感兴趣区域。实验证明该方法可以很好的提取出行人所在区域，其不仅可以加速检测过程，还可以降低误检率。 4、将行人感兴趣区域提取应用于行人检测系统，通过提取行人感兴趣区域来加速整个行人检测的过程。实验证明这个思想可以加速行人检测过程，应用于实时行人检测系统。