多特征融合的行人检测算法研究

• 作 者: 何博
• 机 构: 湖南大学
• 出 处: 湖南大学
• 发表日期: 2015年期
• 关键词: 方向梯度直方图 肤色 发色 曲率 弹性模型 局部二次加权

行人检测在安全驾驶、视频监控、机器人应用等诸多领域都有着广泛的应用前景,是备受关注的热门研究方向。本文研究内容为静态高精度图像复杂背景下的行人检测算法,是对图像中大体保持直立的行人的检测,具有较强的适用性和广泛性,是基础的研究课题。由于行人在图像中存在大小不一、颜色各异、姿态万千、位置不定、局部遮挡、光照变化等问题,行人检测的性能还有待不断进步提高。行人检测算法由形状模板的匹配到基于统计学习的特征提取,从单一特征、单一传感器向多特征融合、多类传感器组合发展,而基于统计学习的特征提取是目前行人检测的主流方法。本文研究了其中常用的特征,如HOG特征、Haar特征等,选用其中最为主流的HOG特征进行有效改进并作为本文的主要特征。针对行人的局部特征,本文研究了具有较强共性的肤色、发色与曲率特征,建立了适用的本文特征模型。本文首先基于传统HOG算法结构提出了改进HOG算法,改进了HOG特征,运用SVM分类算法训练整体模板,通过金字塔图层滑动窗口扫描方式来对复杂图像进行分类检测。然后进一步的增加了人体局部模板并运用了模板弹性模型,提出了局部与整体模板弹性模型算法,将人体局部与整体弹性组合并设置偏移值,有效提高了对行人姿态多样与局部遮挡的鲁棒性,提高识别率,但也增加了计算量。最后本文提出了局部二次加权与多特征融合算法,增加了初次HOG检测排除大量非行人区域,融合了肤色、发色与曲率特征,克服单一特征检测的局限性,有效利用了局部模板区域检测局部特征,特征融合效率高且较好地控制了算法复杂度。仿真结果表明,局部与整体模板弹性模型算法相对于HOG算法在识别率上有较大提高,但计算量也显著增加。而局部二次加权与多特征融合算法弥补了单一特征的不足,有效加强了行人整体与局部关键特征监测,提高了识别率,有效控制了算法复杂度。