基于人體部件的復雜場景行人檢測研究.pdf

1、行人檢測在軍事國防管理、遇險人員搜救、交通狀態(tài)判別、汽車輔助駕駛以及智能家居等方面有著重要的應用?；趫D像的行人檢測是對圖片中的行人位置進行定位，并用標記框框出行人。其中基于特征的行人檢測算法首先對圖像進行特征學習分類形成檢測器，再輸入圖像檢測出圖像中的行人。由于現實情況中行人環(huán)境場景的不確定性以及被檢測目標人體自身的非剛性，行人檢測準確定位仍然是一大挑戰(zhàn)。其研究的難點在于：尋找一種更具魯棒性的圖像特征描述子，以此來描述復雜場景下多行人

2、遮擋時的行人。這類特征不僅能夠較好地描述行人特征，還能有效地區(qū)分行人之間的相似性；尋找一種更加有效的人體部件檢測算法，能高效識別復雜場景中的行人。針對此問題，本文在傳統(tǒng)HOG特征+SVM行人檢測方法的基礎上，著重討論了如何建立一種更有效的行人特征描述方法，彌補圖像底層特征表達能力不足的問題和如何構建更有效的部件模型來檢測遮擋行人。本文從特征表達選擇和人體部件模型兩方面，對復雜場景中的行人檢測進行深入研究。
　　針對傳統(tǒng)行人檢測中存

3、在人體全局特征表達能力不足，以及遮擋行人檢測精度較低的問題，結合fisher vector的優(yōu)點，本文提出一種基于fisher vector的人體部件檢測算法。算法用fisher vector量化人體部件和整體的HOG特征，并用支持向量機學習訓練得到人體部件分類器和整體分類器；然后用Hough投票對整體分類器和部件分類器的分類結果進行投票，得分最高者代表行人位置；并用非極大值抑制消除虛警，并在標準行人數據庫INRIA上進行實驗驗證。

4、r>　　針對復雜場景中提取的HOG全局特征受外界干擾，部分特征不能很好地表達遮擋行人特征的問題，提出一種基于特征選擇的加權可變形部件人體檢測算法。首先利用稀疏分數的特征選擇算法在HOG特征集上選擇最具代表性的行人描述特征；再利用梯度下降優(yōu)化權值法對DPM的各部件進行權值排序；最后結合LSVM訓練算法形成高判別力的分類器，并通過實驗進行驗證。
　　本文利用MATLAB2014B來完成實驗設計，在標準行人數據庫INRIA上進行對比實驗