混合交通中行人检测方法研究

论文摘要

混合交通中的行人检测是研究如何让计算机以人的思维方式从图像或视频中提取出车辆前方行人所在区域的技术,是继人脸检测后,在计算机视觉领域的又一新的研究热点。运动行人的检测与跟踪是在城市混合交通的复杂环境下的智能驾驶以及交通监控中的一项关键技术,对推动智能车的发展和保障城市交通的安全有重要的作用。本文针对城市混合交通下的行人安全问题,研究了在摄像机采集图像序列下,基于计算机视觉的行人检测方法。主要分析了在摄像机静止和摄像机运动两种情况下的行入检测方法。在摄像机静止的情况下,研究了背景平均法,混合高斯背景建模法,码本背景建模法等,对其效果进行了对比,选用了码本背景建模法,提取出摄像机前方的运动前景区域,根据站立行人的一些属性来判断前景区域是否为行人。在进行阴影检测部分做了改进。该方法速度快但是精度不高,在此基础上又继续研究了摄像机运动情况下的基于统计学习分类的行人检测方法。在摄像机运动的情况下,首先深入研究了基于Haar-like特征的分类方法,在已有矩形特征的基础上,增加了几种能表现人体部位的矩形特征,并采用积分图方法来计算矩形特征,加快了训练和检测速度。基于AdaBoost算法训练了级联分类器,采用Gentle AdaBoost代替Discrete AdaBoost,训练所用的时间较长,但是检测的时间大大缩短,基本能满足实时的要求。又分析了基于梯度方向直方图的方法,通过提取局部区域的边缘方向和梯度大小获得行人的HOG特征,将得到的HOG向量输入到线性SVM中进行训练,得到一个能区分行人非行人的最优分类面。针对传统HOG特征块是固定大小的,只能获得有限特征,引入了变尺度的特征块,采用类似于计算矩形特征的积分向量图来计算HOG特征,加快了训练和检测的速度,能增强检测的精度。最后,针对矩形特征检测速度快和HOG特征检测精度高的特点,提出了将矩形特征和HOG特征组合的方法。每次检测时先用一个级联级数较低的矩形特征分类器进行粗提取,这时候行人将基本被检测出来,但同时还有大量的误检,再用HOG特征进行精提取,保留了行人,去除上层的误检窗口,利用各自的优点进行行人的检测。这样HOG分类器不必每帧都全局的搜索行人,而是将范围缩小到了上层分类器得到的疑似行人区域中。矩形特征和HOG特征组合的二层分类器的精度能达到HOG的精度,同时速度约为HOG分类器的两倍,仿真实验表明在保证精度的基础上能加快检测速度。

论文目录

• 摘要
• ABSTRACT
• 第1章 绪论
• 1.1 课题研究的背景和目的
• 1.2 国内外研究现状
• 1.2.1 行人检测的研究现状
• 1.2.2 比较成功应用的行人检测系统
• 1.2.3 计算机开源工具包OpenCV的介绍
• 1.3 本文的研究内容
• 第2章 数字图像预处理技术
• 2.1 预处理的分类
• 2.2 空域平滑滤波
• 2.3 去噪方法
• 2.3.1 均值滤波
• 2.3.2 带阈值的邻域平均法
• 2.3.3 中值滤波
• 2.4 直方图均衡化
• 2.4.1 直方图的基本概念
• 2.4.2 直方图均衡化的基本思想
• 2.4.3 直方图均衡化的方法
• 2.5 本章小结
• 第3章 摄像头固定的背景建模
• 3.1 帧间差分法
• 3.2 背景差分法
• 3.3 常用的背景建模方法
• 3.3.1 传统背景建模方法
• 3.3.2 单高斯模型的背景建模
• 3.3.3 混合高斯背景建模
• 3.4 编码本背景建模
• 3.4.1 编码本背景模型介绍
• 3.4.2 建模方法
• 3.4.3 训练码本
• 3.4.4 前景检测
• 3.4.5 阴影消除
• 3.4.6 目标检测过程的码本更新
• 3.4.7 判断前景目标是否为行人
• 3.5 本章小结
• 第4章 基于矩形特征的行人检测
• 4.1 AdaBoost算法
• 4.1.1 AdaBoost背景介绍
• 4.1.2 AdaBoost训练算法
• 4.1.3 Gentle AdaBoost流程
• 4.2 级联分类器设计
• 4.3 矩形特征
• 4.3.1 基本的矩形特征
• 4.3.2 增加的矩形特征
• 4.4 积分图
• 4.4.1 积分图的引进
• 4.4.2 积分图的原理
• 4.4.3 将积分图用在矩形特征上
• 4.5 训练分类器
• 4.5.1 训练流程
• 4.5.2 检测阶段
• 4.5.3 检测效果
• 4.6 性能分析
• 4.7 本章小结
• 第5章 基于HOG特征的行人检测
• 5.1 梯度方向直方图算法
• 5.2 算法的实现
• 5.3 HOG算法的改进
• 5.3.1 可变尺度的block
• 5.3.2 积分梯度方向直方图的引进
• 5.4 用SVM进行训练
• 5.4.1 SVM的数学表示
• 5.4.2 核函数
• 5.4.3 松弛变量的引入
• 5.4.4 引入不对称风险
• 5.4.5 用SVM进行训练
• 5.5 训练级联分类器
• 5.6 结合矩形特征和HOG特征的行人检测方法
• 5.7 检测结果
• 5.8 性能分析
• 5.9 本章小结
• 结论
• 参考文献
• 攻读硕士学位期间发表的论文和取得的科研成果
• 致谢