基于支持向量机的行人检测

论文摘要

行人检测是智能交通、智能监控、多媒体检索等领域的基本组成部分。针对上述广泛的应用,行人检测技术已经成为计算机视觉领域的热门研究对象。然而,行人的姿态、外貌、数量、方向、运动以及场景的遮挡和光照变化等因素均会影响检测的性能。本文使用梯度方向直方图（HOG）和局部二值模式（LBP）的混合特征训练行人分类器,并运用帧差法运动历史图像加速视频中行人检测的速度。（1）基于支持向量机的行人检测方法本文采用梯度方向直方图（HOG）和局部二值模式（LBP）作为特征,使用线性支持向量机（SVM）进行训练,实现了对行人的检测。通过大量对比实验表明：梯度方向直方图（HOG）和局部二值模式（LBP）联合特征能更好表征行人,训练得到的行人分类器具有更好的健壮性和有效性,对于小尺寸、不同姿态和不同穿着的行人均具有较强的检测能力,由于采用了积分图法计算HOG特征,使得我们的检测速度大幅提升。（2）基于视频的快速行人检测在视频检测中,由于视频的帧间连续性,我们采用帧间差分法和运动历史图像,先取得运动区域,然后在此基础上采用（1）中训练得到的行人分类器检测行人。运动历史图像和帧差法对视频运动区域有很好的描述作用,检测得到的运动区域联合前帧的检测位置,共同组成当前帧待检测区域。这种方法可以使视频中行人检测的速度大幅度提升。通过实验,本文采用的HOG+LBP特征具有良好的行人表征能力。在基于视频的行人检测中,我们采用的先对视频获取运动区域,再进行检测的算法,具有很好的效果,可以对现实中的视频进行实时的处理。

论文目录

• 致谢
• 中文摘要
• ABSTRACT
• 1 引言
• 1.1 行人检测的背景与意义
• 1.2 行人检测的研究现状
• 1.2.1 基于整体的行人检测方法
• 1.2.2 基于部件的行人检测方法
• 1.3 行人检测的难点
• 1.3.1 行人检测算法存在的难点
• 1.3.2 为什么不用背景建模的方法
• 1.4 研究内容及结构安排
• 2 行人特征简述
• 2.1 类HAAR特征
• 2.1.1 创建类Haar特征集
• 2.1.2 Haar特征的快速计算
• 2.2 LBP特征
• 2.2.1 LBP的一般形式
• 2.2.2 LBP的uniform形式
• 2.2.3 创建类LBP特征集
• 2.3 SIFT特征
• 2.3.1 图像梯度特征
• 2.3.2 SIFT特征计算
• 2.4 HOG特征
• 2.4.1 HOG特征的计算
• 2.4.2 HOG特征的提取算法改进
• 2.5 本章小结
• 3 支持向量机理论及应用
• 3.1 概述
• 3.2 统计学习理论
• 3.2.1 经验风险最小化原则
• 3.2.2 函数集的VC维及泛化能力
• 3.2.3 一致收敛的速度
• 3.2.4 结构风险最小化
• 3.3 支持向量机
• 3.3.1 支持向量机原理
• 3.3.2 线性可分情形
• 3.3.3 线性不可分情况
• 3.3.4 特征空间与核函数
• 3.4 本章小结
• 4 基于图像的行人检测
• 4.1 用SVM训练行人分类器
• 4.1.1 训练库与测试库
• 4.1.2 HOG-LBP特征的计算
• 4.1.3 SVM的训练
• 4.2 训练结果评测
• 4.2.1 评测方法
• 4.2.2 评测结果及分析
• 4.3 多尺度滑窗检测图像中的行人
• 4.4 检测窗口融合
• 4.4.1 判断两个正值窗口属于同一个人的条件
• 4.4.2 并查集
• 4.4.3 并查集应用于检测窗口融合
• 4.5 本章小结
• 5 基于视频的快速行人检测
• 5.1 帧差法
• 5.1.1 帧差法基本思想
• 5.1.2 基于MHI帧差更新的运动目标检测算法原理
• 5.2 获得待检测区域
• 5.3 SVM行人分类器用于视频行人检测
• 5.4 本章小结
• 6 总结与工作展望
• 6.1 工作总结
• 6.2 工作展望
• 参考文献
• 作者简历
• 学位论文数据集