复杂动态背景下基于近似IKSVM分类器的行人检测

摘要

如今，随着汽车保有量和城市交通量的增加，交通事故频繁发生，交通安全已经成为一个重要的社会问题。从交通事故造成的后果来看，行人是主要的受害群体，因此，以保护行人安全为目的智能辅助驾驶系统的研究引起了世界各国的广泛关注，行人检测系统作为其重要组成部分，主要原理是利用车载摄像头获取车辆前方的视频信息，并从视频序列中检测行人，提醒驾驶员及时做出反应。由于行人姿态的多样性，场景快速变化以及实时性要求等，复杂动态场景下的行人检测是一项具有挑战性的任务。
　　针对这些问题，本文提出了一种基于路面提取的近似IKSVM分类的行人检测方法。其步骤是：首先是通过一定方法提取路面，然后是基于路面区域和立体深度信息对感兴趣区域（ROI）进行尺度归一，最后使用近似IKSVM分类器进行分类。
　　本文方法的优点在于：1）采用的ROI尺度归一极大减少搜索范围，降低计算复杂性，同时也显著降低虚警率；2）近似IKSVM是一种非线性核SVM分类器，其计算复杂度和线性SVM分类器相等，采用近似IKSVM分类器在提高检测精度的同时，没有增加计算复杂性。实验结果表明，本文方法在保证检测时间的同时，降低了虚警率，提高了行人的检测精度。

目录

封面

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景

1.2国内外研究现状

1.3行人检测技术简介

1.4研究内容与创新之处

1.5本文整体结构

第二章 基于路面提取和立体深度信息的ROI尺度归一

2.1 引言

2.2 路面提取常见算法

2.3基于光照不变空间理论的路面提取方法

2.4基于立体视觉的ROI尺度归一

2.5 ROI尺度归一算法

2.6 本章小结

第三章 HOG特征描述子提取

3.1基本概念

3.2 HOG特征提取过程

3.3 HOG特征提取算法流程

3.4 本章小结

第四章 近似IKSVM分类器设计

4.1 引言

4.2支持向量机理论

4.3近似IKSVM分类器原理

4.4本章小结

第五章 实验结果及分析

5.1数据集

5.2分类器训练

5.3 行人检测过程

5.4实验结果统计

5.5 实验结论与分析

第六章 总结和展望

6.1 成果总结

6.2 研究展望

参考文献

致谢

攻读硕士学位期间已发表或录用的论文

声明