基于加权可变形部件模型的行人检测算法

摘要

行人检测近几年已成为模式识别发展的一个重要领域。首先，行人检测的应用领域十分广泛，在人机交互、智能监控摄像头及移动智能设备上面都有着重要的应用。其次，行人检测也是当前物体检测领域的一个难点所在。由于行人和刚性物体不同，在不同角度和不同姿态下变化非常大，并且自然场景中行人的位置具有任意性，与物体发生遮挡具有随机性。这些都严重影响了行人检测的实际效果，进而制约着智能移动设备和智能摄像头的用户体验。
　　可变形部件模型（Deformable Part Model,DPM）是近年来比较流行的行人检测算法之一，该模型是在梯度方向直方图特征（Histograms of Oriented Gradients,HOG）和支撑向量机分类器（Support Vector Machine,SVM）的基础上进行了扩展，划分出根分类器和部件分类器，其中根分类器的位置可以判定滑动窗口中的物体的大体轮廓，而部件分类器的作用是通过进一步的细节特征判断窗口是否为行人部件，这样由粗糙到精细的检测策略达到了良好的检测效果。本文在可变形部件模型的基础上，充分考虑到不同部件分类器的投票权重的关系，提出了一种加权的可变形部件模型的方法。同时，本文还提出了一种通过根分类器和滑动窗口卷积和分割来判断遮挡位置的策略，然后调整遮挡部分和非遮挡部分的部件分类器的权重，这种策略能一定程度上提高检测的准确率。
　　本文的主要贡献如下：(1)充分分析了DPM模型的根分类器和部件分类器之间的关系，提出了基于权重可变的部件分类器模型；(2)充分分析了根分类器和滑动窗口特征向量的关系，判断滑动窗口中的遮挡位置信息，根据信息进行权重调整；(3)在INRIA行人数据库中进行验证，基于加权的DPM模型的方法的检测率高于传统方法。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3论文结构

第二章 图像特征提取

2.1 Harr特征

2.2 LBP特征

2.3 HOG特征

2.4本章小结

第三章 SVM分类器

3.1 SVM的背景介绍

3.2 SVM基本原理

3.3线性可分SVM模型

3.4线性不可分SVM模型

3.5本章小结

第四章 基于DPM模型的检测策略

4.1行人检测模型

4.2 Latent SVM分类器

4.3 Latent SVM训练行人模型的流程

4.4后处理

4.5本章小结

第五章 权重可变的DPM模型的行人检测策略

5.1权重可变的DPM模型

5.2遮挡情况下行人检测策略

5.3行人检测常用数据库

5.4实验结果和分析

5.5本章小结

第六章 总结与展望

6.1总结

6.2展望

参考文献

发表论文和参加科研情况说明

致谢