学位论文 > 优秀研究生学位论文题录展示

基于集成机器学习的行人检测方法研究

作　者: 廖仙美
导　师: 杨胜
学　校: 湖南大学
专　业: 信息与通信工程
关键词: 行人检测 HOG特征 LBP特征 AdaBoost算法 级联分类器 背景差分
分类号: TP391.41
类　型: 硕士论文
年　份: 2013年
下　载: 3次
引　用: 0次
阅　读: 论文下载
 

内容摘要


行人检测就是指将行人从视频或者图像中检测出来的过程，它是计算机视觉中的重要组成部分。行人检测技术在智能监控、高级人机交互、智能家居等方面有广阔的应用前景和潜在的经济价值。但又由于各种外部环境因素的影响，如行人姿态千变万化，光照复杂多变，目前仍没有一个比较成熟的检测方法，使得行人检测在实际应用中既是机遇又是挑战。本文采用HOG和LBP的混合特征和级联形式Gentle AdaBoost分类器训练人体检测模型，并运用背景差分法加速检测视频中的行人。主要从以下两方面进行研究：对于图像中的行人检测，提出了结合梯度方向直方图（HOG）和局部二元模式（LBP）这两种特征与级联形式的Gentle AdaBoost进行的检测算法。针对单一特征检测率低的问题，结合这两种特征，既能描述物体的轮廓信息又能描述物体的纹理信息。以往特征都是单一尺度特征，现提出多尺度特征。同时为了加速特征提取过程，采用积分图像方法提取特征。针对分类器，首先采用CART决策树作为弱分类器，然后采用Gentle AdaBoost强分类器挑选有效的弱分类器。最后，为了加速排除大部分的背景区域，采用级联形式的Gentle AdaBoost进行训练和检测。另外，对于行人的检测方法，研究了金字塔缩放的检测方法和多尺度窗口滑动的检测方法。此外，对于窗口融合方法，比较了mean-shift的融合方法和基于窗口的融合方法。实验结果表明，在FPPW=10-4情况下，我们提出的改进算法的检测性能比原始检测方法提高大约5%。对于视频中的行人检测，提出了一种结合帧间差分法和背景差分法的运动目标检测算法，利用混合高斯建模对背景进行更新，同时对检测得到的二值图像采用数学形态学处理，得到候选区域。然后，对提取的感兴趣区域用前面训练的级联Gentle AdaBoost分类器进行检测。通过这种方法可以缩小检测范围，大大提高检测速度。

全文目录


摘要  5-6
Abstract  6-10
插图索引  10-12
附表索引  12-13
第1章 绪论  13-21
  1.1 研究背景及意义  13-14
  1.2 国内外研究现状  14-18
  1.3 行人检测目前存在的难点  18-19
  1.4 本文的主要研究工作  19-20
  1.5 章节安排  20-21
第2章 图像特征和机器学习  21-37
  2.1 引言  21
  2.2 特征提取  21-29
    2.2.1 Harr-Like 特征  21-23
    2.2.2 CENTRIST  23-24
    2.2.3 HOG 特征  24-27
    2.2.4 LBP 特征  27-29
  2.3 机器学习方法  29-32
    2.3.1 AdaBoost 学习算法  29-30
    2.3.2 SVM 分类器  30-32
  2.4 样本库及检测性能评价  32-36
    2.4.1 行人样本库  32-34
    2.4.2 检测性能评价  34-36
  2.5 本章小结  36-37
第3章 基于 HOG-LBP 特征和级联分类器的行人检测  37-56
  3.1 引言  37
  3.2 多尺度特征提取  37-41
    3.2.1 积分图像提取  38
    3.2.2 HOG-LBP 特征提取  38-41
  3.3 Gentle AdaBoost 强分类器  41-42
    3.3.1 CART 弱分类器  41-42
    3.3.2 Gentle AdaBoost 强分类器  42
  3.4 Gentle AdaBoost 级联分类器  42-45
    3.4.1 级联分类器的结构  43
    3.4.2 级联分类器的训练  43-45
  3.5 系统框架及检测方法  45-48
    3.5.1 系统框架  45-46
    3.5.2 检测方法  46-48
  3.6 窗口融合  48-51
    3.6.1 基于 Mean-Shift 的方法  48-49
    3.6.2 基于窗口重叠的方法  49-51
  3.7 实验结果及对比分析  51-55
    3.7.1 实验结果及对比分析  51-55
  3.8 本章小结  55-56
第4章 基于混合高斯背景建模和分类器的行人检测  56-63
  4.1 引言  56
  4.2 运动目标检测  56-57
    4.2.1 光流法  56-57
    4.2.2 帧间差分法  57
    4.2.3 背景差分法  57
  4.3 混合高斯背景模型  57-58
  4.4 改进的背景差分法  58-59
  4.5 形态学处理  59-60
  4.6 实验结果分析  60-61
  4.7 本章小结  61-63
总结和展望  63-65
参考文献  65-70
致谢  70-71
附录A 攻读硕士学位期间发表论文目录  71-72
附录B 攻读硕士学位期间所参与的科研活动  72

相似论文

  1. 基于监督流形学习算法的固有不规则蛋白质结构预测研究,Q51
  2. 基于智能视频检测技术的交通灯控制,TM923.5
  3. 人脸检测算法的FPGA设计与实现,TP391.41
  4. 水平集方法及其在视频车辆检测中的应用研究,TP391.41
  5. 基于AdaBoost算法的车辆识别系统研究与实现,TP391.41
  6. 基于视频流的快速人脸检测与实时跟踪算法研究,TP391.41
  7. 人脸检测系统研究,TP391.41
  8. 视频图像中的行人检测算法研究与实现,TP391.41
  9. 基于全景视觉的自动扶梯节能及智能监控系统,TP277
  10. 基于AdaBoost算法的人脸检测方法研究,TP391.41
  11. 面向智能交通的视频车辆检测、跟踪和识别算法研究,TP391.41
  12. 群控电梯客流密度实时识别技术研究,TP391.41
  13. 基于AdaBoost算法的人脸识别研究,TP391.41
  14. 基于OpenCV的人脸检测方法研究,TP391.41
  15. 人脸表情识别算法研究,TP391.41
  16. 基于互联网的人脸图像搜索,TP391.41
  17. 视频监控的行人跟踪与辨识,TP391.41
  18. 实用近红外人脸识别方法研究,TP391.41
  19. 融合整体与组件特征的车辆检测方法研究,TP391.41
  20. 基于图像分析的人脸比对技术研究,TP391.41
  21. 复杂背景下的车辆牌照定位算法研究及实现,TP391.41

中图分类: > 工业技术 > 自动化技术、计算机技术 > 计算技术、计算机技术 > 计算机的应用 > 信息处理（信息加工） > 模式识别与装置 > 图像识别及其装置
© 2012 www.xueweilunwen.com