2023年全國碩士研究生考試考研英語一試題真題(含答案詳解+作文范文)_第1頁
已閱讀1頁,還剩63頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、行人檢測(Pedestrian Detection)是近年來計算機視覺領域的一個研究熱點,作為目標檢測的一個重要方向,行人檢測技術在智能監(jiān)控,智能交通,輔助駕駛等方面有著廣泛的應用前景。行人作為視頻場景中的主要目標,對行人行為的分析和理解是計算機視覺技術的一個重要任務,而行人檢測又是行人行為分析的先決條件和重要基礎,所以如何精確而高效的完成對行人的檢測正得到研究者越來越多的關注。然而由于行人檢測實際應用時的復雜背景干擾,光照變化以及遮擋

2、問題,雖然行人檢測技術已經得到了廣泛的研究,但至今仍沒有一個通用健壯的行人檢測算法可以滿足實際應用時的精度和速度要求。
  基于統(tǒng)計學習的檢測方法是近年來主流的行人檢測方法,從包含有大量正負行人樣本的樣本庫中,提取行人特征,學習生成行人的統(tǒng)計模型,將行人檢測問題轉變?yōu)橐粋€機器學習中的分類問題。2005年 Dalal等人提出了對人體具有很好描述性的梯度方向直方圖(HOG)特征,使用支持向量機進行學習生成分類器,取得了十分良好的檢測效

3、果,該算法也成為行人檢測領域的經典算法之一。然而,HOG特征的維數(shù)過高,使用支持向量機進行訓練和檢測時在特征提取上十分耗時,難以滿足實時監(jiān)測的需求。而Viola等人提出的級聯(lián)Adaboost物體檢測框架結構簡單,具有很高的檢測速度。
  因此本文結合HOG特征和級聯(lián)Adaboost檢測框架進行人體檢測,并在以下幾個方面做出改進:a)針對Adaboost算法的多特征學習能力,結合HOG特征和Haar-Like特征構建混合特征庫,充分

4、利用HOG特征的人體輪廓描述能力和Haar-Like特征的局部細節(jié)描述能力,實現(xiàn)對人體模型的更充分表達;b)為了進一步提高HOG特征的多樣性,采用塊大小可變的HOG特征提取方法,針對HOG特征維數(shù)過高的問題,采用加權fisher線性判別準則對HOG特征進行降維處理,更好的融入Adaboost算法,提高了檢測速度;c)使用連續(xù)Adaboost算法代替級聯(lián)結構中離散Adaboost算法,將傳統(tǒng)的閾值型分類器替換為精度更高的基于查找表型的分類

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論