基于多模板匹配的行人檢測(cè)算法研究.pdf

1、行人檢測(cè)是指檢測(cè)圖像或視頻中是否存在行人并給出相應(yīng)的位置信息，是計(jì)算機(jī)視覺的重要研究方向之一，其在汽車輔助駕駛系統(tǒng)、軍事偵查、視頻智能監(jiān)控等諸多領(lǐng)域具有廣泛的應(yīng)用前景。近年來，人們提出了許多更為準(zhǔn)確、高效的行人檢測(cè)算法，大都將行人檢測(cè)轉(zhuǎn)化為二分類問題，并采用機(jī)器學(xué)習(xí)的方法訓(xùn)練分類器生成模板，對(duì)待檢測(cè)圖像進(jìn)行多尺度滑窗搜索。在該類方法中，特征求取和分類器的訓(xùn)練是決定其檢測(cè)準(zhǔn)確率的兩個(gè)關(guān)鍵因素。
　　本文針對(duì)行人外觀姿態(tài)多樣、背景復(fù)雜

2、的難點(diǎn)，從分類器的訓(xùn)練過程出發(fā)，以線性支持向量機(jī)（Support Vector Machine，SVM）作為分類器，提出兩種自適應(yīng)學(xué)習(xí)多個(gè)模板的行人檢測(cè)算法，使得多個(gè)模板更好的適應(yīng)不同外觀的行人，進(jìn)而提高行人的檢測(cè)準(zhǔn)確率。主要研究成果概括如下：
　　第一，提出了基于聚類的多模板匹配行人檢測(cè)算法。算法考慮選取對(duì)顏色和光照變化不敏感的特征描述目標(biāo)（本文選取了梯度方向直方圖（ Histogram of Oriented Gradient

3、，HOG）特征），首先采用聚類算法對(duì)訓(xùn)練正樣本進(jìn)行聚類，將具有相似外觀（例如姿態(tài)和視角）的行人樣本聚成一類，再分別對(duì)每一類樣本獨(dú)立訓(xùn)練生成模板，使得每個(gè)模板僅針對(duì)一類行人目標(biāo)，以提高模板對(duì)該類目標(biāo)的適應(yīng)性；其次，在檢測(cè)階段，每個(gè)模板獨(dú)立并行檢測(cè)測(cè)試圖像；最后通過線性加權(quán)的方式合并不同模板的重復(fù)檢測(cè)結(jié)果。在INRIA和ETH行人數(shù)據(jù)庫(kù)上對(duì)算法進(jìn)行測(cè)試，通過不同聚類方法（基于內(nèi)平方距離的層次聚類算法、K-Mea ns算法和FCM算法）和不同

4、聚類數(shù)目（2類、3類和4類）的仿真實(shí)驗(yàn)，并對(duì)比了HOG算法，結(jié)果表明，該算法可以更好的適應(yīng)行人外觀的變化，在一定程度上降低檢測(cè)結(jié)果的平均丟失率，獲得更高的檢測(cè)準(zhǔn)確率。
　　第二，提出了基于級(jí)聯(lián)訓(xùn)練的多模板匹配行人檢測(cè)算法。在訓(xùn)練階段，采用分類器級(jí)聯(lián)的訓(xùn)練方式，針對(duì)前一級(jí)訓(xùn)練樣本中的易錯(cuò)樣本自適應(yīng)選擇新特征訓(xùn)練生成多個(gè)模板。算法定義選取的新特征為互補(bǔ)特征，由本文提出的互補(bǔ)特征選擇策略（Complementary Features S

5、election Strategy，CFSS）從候選特征集中選取，最終選取了RGB和 LUV通道下的 HOG特征，細(xì)胞結(jié)構(gòu)的局部二值模式（Local Binary Patterns，LBP）特征。在檢測(cè)階段，每個(gè)模板獨(dú)立并行檢測(cè)測(cè)試圖像，最后通過線性加權(quán)的方式融合不同模板的重復(fù)檢測(cè)結(jié)果。在IN RI A行人數(shù)據(jù)庫(kù)上對(duì)算法進(jìn)行測(cè)試，并對(duì)比了 VJ、HOG、HogLbp和 MultiFtr四種經(jīng)典的行人檢測(cè)算法，結(jié)果表明，算法采用的級(jí)聯(lián)訓(xùn)練