基于梯度特征和多分类器的行人检测方法-计算机科学与技术专业论文.docxVIP

万方数据 万方数据 Classified Index: TP391.4 U.D.C: 004.9 Dissertation for the Master Degree in Engineering GRADIENT AND MULTIPLE CLASSIFIERS BASED PDDESTRIAN DETECTION METHOD Candidate: Jialu Zhao Supervisor: Prof. Yong Xu Academic Degree Applied for: Master of Engineering Specialty: Computer Science and Technology Affiliation: Shenzhen Graduate School Date of Defence: December, 2013 Degree-Conferring-Institution: Harbin Institute of Technology 哈尔滨工业大学工学硕士学位论文 哈尔滨工业大学工学硕士学位论文 摘 要 作为计算机视觉中的一大研究领域，行人检测技术在最近几年已经赢得了 越来越多关注的目光。行人检测的主要目的是要把图片或视频场景中的行人与 背景进行区分，并确定行人在图像中的位置。传统的行人检测方法主要是通过 提取图片中行人的大小、形状、纹理、颜色等外观信息，并结合一定的先验条 件来判断图片中是否有行人。然而传统的行人检测方法由于使用单一、不稳定 的特征，其判别能力并不是很高。随着梯度特征和多分类器的引入，行人检测 的算法无论是在速度上还是在准确度上都有了新的提高。 本文主要针对基于梯度特征和多分类器的行人检测方法展开了研究，主要 研究内容包括以下几点： 图像 梯度特征的提取与多特征 的 融合 。 在 行人检测 算法 中 ，会经常 用到 Edgelet、Shapele、类 Haar 等生物特征，考虑到这些特征容易受到行人姿势变 化以及不同行人个体间多样性等因素的影响，在特征提取阶段本文选取了图像 的梯度特征来描述行人性质。同时，考虑到行人的大小及远近不同，提取了金 字塔图像的梯度特征。最后，考虑到单一特征的片面性，本文中首次将金字塔 梯度方向直方图特征和金字塔中心对称局部二值模式这两种特征相结合，组建 了多特征。 基于 Bagging 算法的行人检测方法。Bagging 算法可以将不稳定弱分类器 学习算法的分类性能明显地提高，非常适合并行运算，大大缩减了训练多分类 器的时间。在 Bagging 算法的决策阶段，所用到的基本分类算法分别是 KMSE 算法和 SVM 算法。考虑到在多分类器进行集成的过程中集成的速度及规模问 题，本文提出了一种删除最差基本分类器的 Bagging 剪枝方法，相对于原始的 Bagging 方法，这种基于剪枝的方法在分类精度上有了一定的提高。 基于后验概率的行人检测方法。常见的两类分类器中，通常采用简单的阈 值来表示最终的分类结果，这在后期多分类器融合的过程中可能会带来很大的 干扰。通过使用后验概率，如果某 单一 分类器对边界点不能决策出其所属类 别，那么就将该样本移交到其他的分类器来做进一步判断，同时，这个分类器 也要提供对该样本的一些决策信息作为最终多分类器融合的分类参考，这种方 法取得了不错的分类效果。 关键词 生物特征识别；行人检测；梯度特征；多分类器融合；多特征融合 I - Abstract As a branch of computer vision, the pedestrian detection technology has already attracted more and more attention in recent years. The main purpose of pedestrian detection is to distinguish pedestrians and background in pictures or videos, and to determine the location of the pedestrians in the image. The traditional pedestrian detection method refers to the extraction of size, shape, texture, color or appearance information of pedestrians, and to determine whether there are pedestrians in the image according to some prior knowledge. A