网站大量收购独家精品文档,联系QQ:2885784924

基于特征学习的人体检测-计算机应用技术专业论文.docxVIP

基于特征学习的人体检测-计算机应用技术专业论文.docx

  1. 1、本文档共59页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  5. 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  6. 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  7. 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  8. 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
万方数据 万方数据 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,除了文中特别加以标注和致谢的地方外,论文中不包含其他 人已经发表或撰写过的研究成果,也不包含为获得电子科技大学或其它教育机构 的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均 已在论文中作了明确的说明并表示谢意。 签名: 日期: 年 月 日 关于论文使用授权的说明 本学位论文作者完全了解电子科技大学有关保留、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阅。本人授权电子科技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 等复制手段保存、汇编学位论文。 (保密的学位论文在解密后应遵守此规定) 签名: 导师签名: 日期: 年 月 日 万方数据 万方数据 摘 要 摘 要 人体检测是目标检测中非常重要的分支,其在智能视频监控、智能驾驶辅助 系统、智能人机交互等方面有着巨大的研究价值和应用前景,已经成为计算机视 觉领域非常热门的研究方向。由于人体在姿态、外观的多样性以及背景、光照、 遮挡等的干扰,人体检测仍然是一项非常具有挑战性的难题。当前主流研究方向 是将人体检测转化为模式识别中的二类分类问题,包含训练和检测两部分,通过 提取训练样本中能够有效表征人体的特征,利用统计学习的方法,建立人体分类 器,进而利用此分类器实现人体检测。本文的人体检测就是基于此框架下实现。 本文分析了人体检测的难点及研究现状,详细介绍了目前人体检测领域广泛 使用的人体特征集:Harr-like 特征、梯度方向直方图(Histograms of Oriented Gradients,HOG)特征和局部二值模式(Local Binary Pattern,LBP)特征,包括他 们的提取方式、改进算法、发展趋势等,并基于三种不同的分块方式比较了 HOG 特征和 LBP 特征在人体检测方面的特点、各自优势和不足。在此基础上,本文将 HOG 特征和 LBP 特征组合,提出了基于图像分块的 HOG-LBP 特征,结合支持向 量机比较了基于此组合特征和基于单一特征的人体分类器性能上的差异,验证了 组合特征的优势。进一步我们讨论了不同的分块方式对人体检测器性能的影响, 得到最合适的分块方式,进而获得最优的分类器。 最后,我们利用得到的最优分类器实现人体检测。检测过程中,我们采用了 基于多尺度“金字塔”的滑窗检测方法,并对检测过程中同一个人体出现多个检测结 果的情况进行融合,实现了最终人体检测结果。 实验结果表明,我们的 HOG-LBP 组合特征能够更好的适应人体外观姿态的变 化和复杂环境,实现更好的检测效果。 关键词:人体检测,HOG 特征,LBP 特征,支持向量机 I ABSTRACT ABSTRACT Pedestrian detection is a very important branch of object detection. It has been widely used in smart surveillance, driver assistant systems, human-computer interaction and so on. Due to such tremendous research value and application prospect, pedestrian detection has become a popular research area in the field of computer vision. However, it’s still a challenging task for the diversification of posture and appearance, the interference of background, lighting condition and occlusions.The prevalent approach is transforming the human detection problem into a binary classification problem which including the procedure of training and detecting. The first step in training process is extracting the effective feature, and then using the statistical learning method to establish

您可能关注的文档

文档评论(0)

1234554321 + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档