基于多特征和Adaboost的行人檢測研究.pdf

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