基于混合局部二值模式的快速特征金字塔方法的行人检测研究

摘要

在现代生活中智能汽车的出现和视频监控的大规模应用，使得对于场景中的物体分析变得愈发的重要，而在这之中对于行人的检测变的十分具有应用意义。行人检测技术已经成为了一门应用广泛的技术。在现实场景中，由于行人在姿态和大小上存在多样性的不同以及光照强弱所造成的多样性的干扰，导致行人检测技术中还存在着很多需要解决的问题。
　　行人检测研究的重点之一就是训练得到一个区分能力强的分类器。传统的方法中采用的诸如梯度方向直方图(HOG)、局部二值模式(LBP)、SIFT等特征进行分类器的训练，并得到具有一定检测能力的行人检测分类器，但是这些分类器的检测效果并不是十分的理想。因此，本文提出了使用图像编码的二值模式对待检测的图像进行二值编码的转换，把复杂的模式计算过程转换为简单模式计算过程并得到区分能力强的特征图像，同时采用快速特征金字塔的方法得到相邻特征图像之间的放缩估计参数，通过这个参数进行实验并实施检测。本文主要的研究内容如下:
　　1)本文提出了一种新的特征。通过对比HOG特征和LBP特征的实现细节，发现在保留梯度方向算子的前提下，依然有较大的改进空间从而提升系统的运行效率。因此采用新的方法设计新特征-BPG特征，BPG特征为把梯度方向分成8个bin的范围，在不同的梯度方向bin上统计相应梯度值的累加，求8方向的bin值的均值作为判断的阈值，通过与阈值进行作差的比较进行相应二值化编码过程得到BPG特征。实验结果分析表明:新特征具有更好的识别能力，且能实现较好的识别效果。
　　2)使用BPG特征和LBP特征作为训练和分类过程中使用的特征池。由于在图像检测过程中采用的是金字塔放缩的思想对图片进行放缩检验，因此在放缩到一定的级数之后，图像的BPG特征将会出现部分特征弱化的情况，这时的识别效果将会出现影响，引入简单的LBP特征会在图片进行放缩之后对图片特征中丢失的信息加以补充，从而提高检测的效率。
　　3)本文采用的是动态阈值的Adaboost算法进行训练并得到强分类器。动态阈值的求解可以避免在选择每一级强分类阈值的过程中随机选择的不确定性，在选择范围内可以找到满足条件的最优阈值。
　　4)本文对检测过程中比较费时的图片放缩过程进行了相应的改进，针对特征之间的统计特性，采用临近特征幂指定律计算出相邻图像特征之间的估算参数，通过带参数的快速计算公式估算出相邻尺度之间的特征图像，进而减少在检测一幅图片上放缩时间的花费。

目录

声明

摘要

图表目录

第一章 绪论

1．1 研究背景及意义

1．2 国内外研究现状

1．2．1 有关行人检测特征的国内外研究现状

1．2．2 有关行人检测算法的国内外研究现状

1．2．3 有关金字塔缩放的国内外研究现状

1．3 论文组织结构

第二章 行人检测相关技术

2．1 行人特征描述

2．1．1 SIFT特征

2．1．2 HOG特征

2．1．3 LBP特征

2．2 分类器算法构造

2．2．1 Adaboost分类器

2．2．2 SVM分类器

2．3 本章小结

第三章 局部二值模式的行人检测

3．1 二值模式特征的Adaboost算法

3．1．1 二值模式特征的分类器训练

3．1．2 弱分类器的构成

3．1．3 Adaboost算法的动态阈值方法

3．2 梯度二值模式特征

3．3 混合特征池的行人检测

3．4 本章小结

第四章 快速特征金字塔

4．1 特征图片的幂指定律

4．1．1 图像梯度直方图近似

4．1．2 多尺度特征中的幂指定律

4．1．3 估计参数λΩ

4．2 参数估计实验

4．3 本章小结

第五章 基于局部二值模式的快速特征金字塔的行人检测

5．1 特征和参数选择

5．2 实验过程

5．2．1 训练集和测试集

5．2．2 提取BPG-LBP特征

5．2．3 训练Adaboost分类器

5．2．4 临近特征尺度估计

5．2．5 实验结果

5．2．6 结果评测

5．3 本章小结

第六章 总结与展望

6．1 主要结论

6．2 未来的工作

参考文献

致谢

攻读硕士学位期间发表的学术论文