行人检测方法研究

精品文档。1欢迎下载1绪论1.1研究背景在信息高速发展的今天，几乎所有领域都离不开计算机，在满足人们的习惯方式和生活习惯下，让计算机进行很好的通信，是计算机智能的一个必备的条件。其中，计算机智能视觉是其应用的重要方向，它是研究使用各种成像输入设备替换人类视觉器官的领域叫智能视觉，并使用智能设备来替代人们完成识别和分析。让智能设备能够像人类一样观察和理解是人们研究计算机视觉，而且智能设备还能随着环境的变化而做出相应的改变。行人检测是计算机视觉的一个具体表现形式，并应用在以下方面：智能监控目前，为了防止财产安全和留下有效的证据，大部分的公众场所都装备了摄像监控设备。但是，这些监控设备大部分还是有专人进行的查看的，这会导致以下问题的出现，一方面长时间的监控，监控人员很可能出现疲惫，可能导致某些重要信息的遗漏，另一方面不能充分的把监控信息利用起来。然而人工的不足可以利用行人检测相关技术很好的解决，这样不仅可以减少各种资源的投入，又可以让监控的精确度得到很好的改善，当遇到紧急情况有可以及时预警。车辆辅助系统随着社会的发展，人民的经济水平不断提高，汽车逐渐走入了千家万户，然而汽车数量的急剧增长也导致了频繁的交通事故，无情的夺去了人们的生命财产安全。如果我们将行人检测系统加入到汽车控制系统中，这样在行驶过程中车辆附近的人们可以被识别出来，极大了避免的交通事故的发生。这样不仅可以有效的降低交通事故，而且这也可以带来汽车行业的革命式变化。实际上，现在有许多公司已经研制出了无人驾驶的汽车，这些车的使用都需要行人检测技术，当然现在的能智能还没进入市场，目前还在试验当中。高级人机接口在21世纪，计算机技术得到了迅猛发展，并且愈加趋于智能化的特点，极大地改变了我们的生活方式。我们不仅要求计算机能够快速准确的接收到外界输入的信息，而且能够高效地对信息进行处理并得到最合适的输出信息，作出的相应的反应。人脸识别技术和物体检测技术的发展，可以很好的帮助计算机去获取和处理外界的信息。这不仅精品文档。2欢迎下载需要良好的智能设备，同时也需要行人检测技术去协助完成。1.2研究现状行人检测在汽车领域具有很大的应用前景，近年来是模式识别领域研究的热点课题方向之一。并且国内外也有了很多了研究成果，如由本田公司研发的基于红外摄像机的行人检测系统[1]；CMU[2]、MIT[3]等国外的大学在这方面取得了很大的进步，清华大学[4]等也进行了相关方面的研究。行人检测技术实际上为图像处理技术的分支，其核心思想就是利用计算机视觉技术和数字图像处理技术，去分析监控设备获取的信息，分析处理行人的行为。行人检测的成功开发具有很大的应用前景，可以在各个领域得到发展。而且由于检测的行人外形不同，加上周围的复杂混乱的环境，给行人检测系统的运行带来了很大的挑战。早期的行人检测以静态图像处理中的分割、边缘提取、运动检测等方法为主。例如：（1）以Gavrila为代表的全局模板方法[5]；（2）以Broggi为代表的局部模板方法[6]；（3）以Lipton为代表的光流检测方法[7]；（4）以Heisele为代表的运动检测方法[8]；（5）以Wohler为代表的神经网络方法[9]；但是这些方法的检测速度很慢，而且普遍存在着误报、漏检率高的特点。行人检测的现状：大体可以分为两类：（1）基于背景建模的方法：分割出前景，提取运动目标，在进一步提取特征，分类判别。然而这个方法构建了很复杂的模型，因此系统很容易受到干扰。（2）基于统计学习的方法：根据大量训练样本来构建行人检测分类器，提取样本的特征，一般分类器包括SVM[10]，AdaBoost[11]。目前，基于学习的行人检测方法得到了很大的发展，如基于AdaBoost、基于SVM、基于HOG等行人检测方法。首先，这些方法都是学习正样本和负样本的变化，再根据大量的训练样本对不同的特征进行分类，因此，基于统计学习的方法有广泛的适用性。在行人检测系统中，目标识别和ROIs分割是两个重要的部分。目标识别依据监测信息的不同分为基于形状的方法和基于运动的方法。ROIs分割可分为基于运动、基于距离、基于图像特征和基于摄像机参数四种方法。在具体操作中，一般将这四种方法综合起来使用，能取得更好的结果。1.3研究难点目前行人检测技术面临着如下的技术难点:精品文档。3欢迎下载（a）每个人都有各自的姿态，着装各异；（b）特征空间的待提取的特征分布不集中；（c）受训练的样本变化大，造成系统分类效果的好坏；（d）受训练的样本很难包含各种复杂的真实环境；现在的行人检测技术正处于发展的关键时期，已经取得了一些可喜的进步，但许多难点问题急待解决。在一些环境背景良好的情况下，行人检测算法检测效果很好，但是实际中很多环境是很复杂的，检测的效果并不能满足要求。另外，检测时会有延时也降低了系统的实用性，而且目前还缺乏标准的测试方法和数据库的建立。1.4本文研究的主要内容首先，本文简要地介绍了目前的各种算法，并相互对比，指出其中的优点和存在的问题。其次，介绍本文研究的重要算法HOG算法原理，并进行改进，并比较改进前后，算法性能的变化。最后，本文提出HOG+SVM算法，通过将现有的HOG算法和SVM分类器，巧妙的将两者结合改进，使之满足各种复杂条件。本文的创新之处在于，通过将HOG和SVM算法结合并加以改进，使检测效率大大提高，并且实时性更强。本文结构：第一章是绪论，介绍了行人检测的背景和意义，并阐述了其研究现状，给出了本文的研究内容；第二章详细介绍了行人检测主要算法，并相互比较，得到其中的优缺点；第三章主要介绍HOG算法原理以及该算法的优缺点；第四章研究了基于HOG和SVM算法的行人检测算法，并进行了改进得到试验结果，详细分析后得到结论；第五章主要是对本文研究的总结以及未来技术发展的展望。2行人检测主要方法介绍及比较2.1引言目前，随着智能交通的发展，行人检测这方面的算法的研究也在不断的深入，每年都会涌现出很多优秀的文论，有的是对行人检测进行全新的研究，或者是对原有算法进行深入的改善，提高检测的准确度以及检测的速度，加快了行人检测的实用化进程。以下是对两类算法的详细介绍：第一类为基于特征的算法。在将矩形框范围内的行人作为一个整体的前提下，它的关键在于找到能够代表框内精品文档。4欢迎下载行人的特征信号参数，然后利用机器学习算法将这种参数进行分类，这样就可以区分行人和非行人，达到识别的目的。从这个过程中，我们可以知道基于特征的算法分为分类器的学习和特征的提取，所以一个好的特征提取算法变得很重要。比如HOG特征、wavelet特征、shapelet特征，LBP等。该类方法的实现的算法比较简单，架构容易，当使用不同特征方法时，也不用更改原来的架构，且易于实现。然而能够使用分类效果好的特征，就可以很好地从被检测目标很好的检测出行人目标。前面我们提到行人都有各自的特点，所以目前很难找到一个完美的算法来描述行人的特征。尤其是在行人行走过程中，行人的姿势不断变化、监控设备的视角也在变化、同时行人也会被其他物体遮掩。现在的所有特征参数不能取得很好的效果。目前，被研究人员认为最稳定的特征是行人的轮廓，因此很多研究人员都将重点放在了提取行人的轮廓信息。第二类为基于多部位的方法，就是分别取检测人的各个部位，然后综合起来判断是否是行人。通过一定的算法，来分析各个部位的关系，从而判断是否为行人目标。当行人在行走过程中发生部分遮掩，使用该类方法能够很好的解决，而且处理效果要比第一类方法好许多。但是，该类方法的核心在于，如何通过一个有效的机制，将各部分的检测结果合成一个整体，来判断是否为检测的目标。受到人脸识别的启发，将人脸的正侧面分别作为训练样本，减少类内差别，可以使训练难度降低。在这里，我们可以将行人分为正面和侧面，按照类似的处理方法，同样得到了一定的成果。但是，在无形之中需要增加很多的训练样本值，使得工作量变大很多。但是处理效果很好。2.2基于特征的方法2.2.1wavelet特征在1997年，机器学习的思想被Oren[18]第一次引进到行人检测领域，该方法的大致是通过大量的训练样本，然后对样本进行学习，形成合适的模型，使得机器能够通过自动学习来建立模型。这种方法使行人检测取得了很大的突破，开创了行人检测的新局面。但是随着时间的变化，行人检测的技术在不断的发展，该算法的效果并不能满足人们的要求。理解它，可以帮助我们很好的学习后续的复杂的算法。该方法的提出主要有以下的贡献：第一，该方法实验结果表明，在行人检测领域引入机器学习是很有必要的通过吧一些简单的特征进行分类训练，然后加以分类是一个很好的方案。第二，该方法对负样本的规范定义，在Oren提出该方法之前，负样本还没用统一的标准。如何选取准确的负样本，是许多研究人员关心的问题，但是一直都没有精品文档。5欢迎下载找到很好的方案。由于这种方法的出现，负样本的训练对系统的益处大大地增加。在此之后，许多研究人员沿着这一方向继续研究，并出现了新算法。2.2.2Adaboost算法Adaboost算法是通过改变数据的分布实现的，是一种迭代算法。在每次进行训练之前，都会对之前所有训练的样本进行初始化权重，判断上一轮分类器的总体准确率。在对样本就行训练时，对完全能够准确分类的样本，就降低它的权值。在下一轮训练时，被选中的概率就会降低。与之相反的是，如果被判断错误的分类样本，在下一次训练时，被选中作为样本的概率就会变大。这样，在每次训练时，都会训练上一次被判断为错误分类的样本，学习了正确的样本。最终由各个弱分类器级联成强分类器。Adaboost算法不仅有计算效率高，弱分类器的兼容性好、参数少等特点被广泛应用。2.2.3shapelet特征该算法是基于boosting算法进行两次处理。第一次提取一些简单的的特征，然后对提取出的特征进行训练，将训练的结果进行加权，得到shapelet。接下来第二次，是将得到的shapelet通过训练器再进行训练，得到最终的训练分类器。该算法的优点在于，通过简单的特征作为基础，通过学习、训练得到比较好的训练分类器。因此该算法的性能比较良好，在检测效率上，shapelet也高于与之相似的edgelet算法，应用也很广泛。2.3基于多部位的方法2.3.1自适应组合分类器首先，该算法将人分为头肩、左肩、右肩和下半身四个部分，然后利用算法分别训练出每个部位的模型，得到各自的分类器。该算法使用了基于小波的算法，但是特征的维数更高，因此性能也有了一定的提升。然后将这四个分类器的参数作为最终分类器的参数输入，利用算法再做训练，得到最终分类器的模型。需要指出的是，必须在一定范围内对四个部位的分类器进行搜索，得到最优的返回值。2.3.2基于贝叶斯推断的组合算法基于贝叶斯推断的方法是由BoWu从概率角度出发提出的，然后通过一系列计算，得到最大概率解。在这个算法中，将人分成头肩、躯干、腿部三个主要部分。类似于2.3.1的方法，首先，对检测对象的三个部位进行训练，得到训练分类器，并进行检测。最后，将各个部分得到的实验结果比较分析，以贝叶斯为依据来判断是否出现了行人。精品文档。6欢迎下载2.3.3隐式形状模型该算法在训练阶段，首先建立图片块字典，也就是为所有的图片块建一个索引。随后，要得到图片块的任何信息时，通过前面建立的索引，进行查询。首先，我们需要获得在兴趣点附近的图片信息，并在对应的字典中找到相应的匹配项，通过比对相关信息，对中心位置进行分析即投票。毋庸置疑，那些得到票数最高将作为结果。最后，分析实验数据，确定实验结果。2.4基于多视角的方法基于多视角的方法在人脸识别的领域应用很广泛，但是将该方法引入行人检测方向的方法目前还不是很多。这是因为在不同视角下，人脸的差别是很大，但是对于行人来讲该特征确要小很多。另外，目前的训练样本还不够充足，不能得到理想的试验效果。目前多视角的方法有以下几种：第一种方法是对于视角的差异，我们并不做不同处理，而是将它们统一处理。正因为这样处理，这种方法的难点是假如不同的视角的物体差别很大，那将导致类间差别很大，使得训练出来的分类器是无效的。对于行