基于目标运动信息和HOG特征的行人检测的研究与实现

摘要

对运动目标的检测作为计算机视觉研究中是提取目标信息的关键步骤之一,是下一步作目标的跟踪以及目标分类等处理的基础。人类是其中很常见和重要的一类目标,对于行人的检测已经成为计算机视觉领域的一个研究的热点和难点,而行人检测在计算机视觉,智能的视频监控以及人机交互等领域的应用前景十分广阔。
　　本文选用的是基于分类训练的行人检测方法,通过对样本进行训练并对样本特征进行提取,建立我们所需要的行人检测分类器,从而可以将目标场景中的人体识别检测出来。以梯度方向直方图(Histograms of Oriented Gradient,HOG)的为核心的方法是行人检测中性能较优异的一种方法,HOG特征用于行人检测要优于PCA-SIFT, Haa r特征以及形状上下文(Shape context)等,而支持向量机(Support Vector Machine, SVM)用于处理高维特征信息有很大的优势。HOG与SVM分类器进行行人检测的组合,可以达到比较好的效果。但是使用HOG来描述行人特征的人体检测也存在少许缺点,由于HOG特征的向量维数会比较高,时间损耗会比较大,影响检测的实时性,而且目标场景中可能存在其他对检测结果有影响的干扰和噪声等,单纯采用HOG特征对人体检测会存在很多偏差,效果不是特别理想。
　　本文采用HOG缓存的思想来计算HOG特征,可以加快对特征提取的速度,减少系统运行时间。同时,本文利用了目标运动信息,首先结合背景差分法以及帧间差分法将运动目标区域进行提取,接着进行相应的检测部分实验,而且在检测过程采用多尺度缩放进行检测,进一步提高了系统运行的速度,提高检测的准确性,降低误检率。

目录

封面

声明

中文摘要

英文摘要

目录

第一章：绪论

1. 1 研究背景和意义

1. 2 国内外发展现状

1. 3 论文主要内容安排

第二章 运动目标区域提取

2. 1 图像前期处理

2. 2 运动区域提取方法

2. 3 本章小结

第三章 行人检测基本技术

3. 1 行人检测中的基本特征及相关理论

3.2 HOG特征

3. 3 机器学习算法

3.4 SVM方法

3. 5 本章小结

第四章 基于目标运动信息和HOG特征的行人检测以及实验仿真结果和分析

4. 1 引言

4. 2 基于目标运动信息和HO G特征的行人检测

4. 3实验结果和分析

4. 4 本章小结

第五章 总结与展望

致谢

参考文献