基于稀疏特征以及可变形部件模型的行人检测

摘要

近些年来，行人检测作为物体检测的一个重要分支，在计算机视觉领域越来越受到关注和研究，逐渐成为一个热点话题。行人检测在智能交通、监控系统、运动分析、游戏娱乐等领域有着广泛的应用。它不仅可以直接应用到实际的生产生活中来，还为计算机的人体跟踪与识别等技术打下了基础，具有较高的研究价值。
　　本文主要研究描述特征图像的特征算子以及检测目标的模型，采用语义的形式，用不同的组合形式和规则来描述一些模型。例如从较简单的刚型模型到比较复杂的可变形部件模型，逐步地去丰富行人语义模型。建立模型之后并训练模型来提高行人检测的性能，最后在指定的PASCAL VOC挑战赛数据集中来验证相应模型的可靠性。
　　由于HOG特征存在着各种局限性，因此需引入另一种特征描述算子—HSC特征。它采用稀疏学习的方式来获取目标图像的特征，更具鲁棒性和识别力。文中采用的是没有指明是什么部件的“弱”标签数据，为训练弱标签的数据集，引入弱标签结构SVM（WL-SSVM）的方法，跟传统方法相比，提高了性能。
　　在实际研究行人检测时，对行人目标的检测要求极其严格，不仅要准确率高，而且要速度较快。本文采取级联检测的方式，选择级联阈值并裁剪阈值，与非级联方式的检测相比所耗时间缩短为原来的1/4。

目录

封面

声明

中文摘要

英文摘要

目录

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.3 主要研究内容和论文结构

第2章 目标图像特征的提取与表示

2.1 图像特征

2.2 目标检测语义模型

2.3 本章小结

第3章 弱标签隐藏变量结构化SVM算法

3.1 结构化SVM

3.2 含隐藏变量的SVM

3.3 弱标签隐藏变量结构化SVM

3.4 人体目标检测优化问题

3.5 本章小结

第4章 行人检测模型与检测

4.1 星型模型

4.2 混合模型

4.3 丰富的语义模型

4.4 级联检测

第5章 实验数据分析与处理

5.1 评判规则

5.2 行人检测的实现及结果分析

5.3 本章小结

第6章 总结与展望

致谢

参考文献

攻读学位期间的研究成果