基于梯度特征和纹理特征的行人检测-模式识别与智能系统专业论文.docx

独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的 独创性声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的 研究成果。据我所知，除了文串特别加以标注争致谢的地方外，论文中不包含其 他人已经发表或撰写过的研究成果，也不包含为获得安徽大学或其他教育机构的 ! 学位或证书而使用过的材料。与我_二丽工作的煎志对本研究所做的任何贡献均已 在论文中作了明确的说骑并表示谢意。 学位论文作者签名： 磐殳甄 签尊B鲰：溯；卑歹其≯|甚 学位论文版权使用授权书 本学位论文作者完全了解安徽大学有关保留、使用学位论文的规定，有权 保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借麓。 本人授权安徽大学可以将学位论文的全部或部分内容编入有关数据库进行检索， 可以采用影印、缩印或扫描等复稍手段保存、汇编学位论文。 (保密的学位论文在解密詹适用本授权书) 学位论文作者签名：夔 叉锄 导师签名： 以卜7一P＼ 签字日期：扣，件，月乡旭 签字蠢期： ．≯l y硝删g 万方数据 摘要摘要 摘要 摘要 行人检测是计算机视觉的一个关键应用领域，一直受到人们的广泛关注，如 何对静态图片中的行人进行准确而快速的检测，是目前具有良好应用前景的研究 方向。 本文我们融合几种初级特征提取的方法，采用支持向量机(Support Vector Machine，lib．SVM)作为分类器，对静态行人样本进行分类。为了进一步地提高 检测率，减少分类器的时间消耗，我们对提取的初级特征进行了进一步的降维处 理(如奇异值分解、稀疏表达)，得到样本的低维特征，并在行人图片数据库INRIA 和Daimler_L得到验证性的实验结果。通过比较两组实验的结果，并通过处理时 间和误检率的对比，分析每种处理条件下得到的特征的表现。本文采取梯度直方 图特征和纹理特征作为初级特征，经过投影到不同的低维空间，得到不同的低维 二级特征，然后将同一低维空间的两种二级特征进行组合，并且将同一初级特征 的两种二级特征组合，具体处理过程如下： 首先，采用梯度直方图特征(Histograms ofOriented Gradients，HOG)和表达 纹理特征的局部二值模式(Local Binary Pattern，LBP)提取样本的初级特征。并 将两种初级特征进行简单的组合，作为新的组合特征(HOG．LBP)，实验表明， 组合后的特征可有效提高检测率。 其次，采用大家熟悉的PCA对两种初级特征进行降维，将初级特征投影到低 维空间，得到低维空间的新特征。同时用K．SVD通过学习过完备字典，得到两种 初级特征的稀疏表达，同样得到降低初级特征维度的效果。实验表明，降维后的 特征大大降低了时间的消耗，同时检测率并没有损失。 再次，为了进一步探索梯度特征和纹理特征的组合效果，将PCA处理过的两 种低维特征进行简单组合，作为新的特征。同样地，将K．SVD提取的稀疏表达， 进行简单组合，作为新的特征，实验表明，相同投影方式下得到的两种初级特征 的组合特征，相比较于初级特征直接组合(HOG．LBP)，检测时间大大降低， 同时误检率也得到一定程度的降低。 最后，对于梯度直方图特征，将两种低维空间中的特征进行组合，即得到同 一特征不同投影空间的特征的组合。对纹理特征做同样的处理，实验表明，同一 种特征，经过不同投影方式处理后，得到的组合特征也能有效地提高检测率。 T 万方数据 基于梯度特征和纹理特征的行人检测关键词：行人检测；局部二值模式：梯度直方图；稀疏表达；K．SVD 基于梯度特征和纹理特征的行人检测 关键词：行人检测；局部二值模式：梯度直方图；稀疏表达；K．SVD Ⅱ 万方数据 AbstractAbstract Abstract Abstract Pedestrian detection is key application fields of computer vision，which has received extensive attention of people． Quickly and accurately pedestrian detecting from the static image currently has good application prospect． In this thesis，combining several primary feature extraction method，using SVM (Support vector machine，lib-SVM)as classifier，we studied how to classify static samples of pedestrians．In order to impr