论文部分内容阅读
行人检测技术在当今的交通监控系统中扮演着十分重要的角色，其对于提高安全性驾驶，保障行人安全具有重要作用。除此之外，行人检测还被应用在监控系统、智能车辆及人机交互系统中。近几年来，由于上述的广泛应用，行人检测作为目标检测的重要研究方向，已经成为机器视觉的一个热门研究领域。 本文在分析了行人检测当前流行的特征提取、分类算法和行人图像的特点后，选取了Dalal等人提出的方向梯度直方图特征来表述行人特征。我们分别选择了当前广泛使用的AdaBoost算法与BP神经网络算法集成和AdaBoost与支持向量机集成的两类分类算法，实现行人检测的研究。 1、选用HOG特征作为分类器输入，并且将若干由训练样本训练得到的BP神经网络作为弱分类器，然后通过AdaBoost算法进行算法加强，得到由这些弱分类器组成的强分类器。为了不影响分类效果，我们选用了主成分分析算法进行特征降维，将降维后的特征向量作为分类器的输入。 2、同样将HOG特征向量作为分类器的输入，将经由不同训练样本集训练得到的支持向量机作为AdaBoost算法迭代的弱分类器，迭代完成后得到最终的分类器进行行人检测。 论文实现了以上所述算法，并详细阐述了几种当前流行的行人检测算法，并将结果进行比较。我们分别在INRIA行人数据库和MIT行人数据库上进行训练和测试。实验结果显示，与其他行人检测方法相比，本文提出的方法在检测率和时间上均取得了较好的结果。