论文部分内容阅读
随着视频监控系统、智能机器人、机动车辆辅助驾驶系统等应用领域智能化需求的增加,行人检测技术已经发展成为这些领域的核心应用之一。在复杂的环境背景下,单一特征描述行人存在检测识别率低、实时性低等问题,论文针对这些问题展开研究,主要研究内容如下。在复杂的环境背景中,由于提取的行人特征存在较多干扰信息导致行人检测识别率低。针对此问题,提出了采用描述行人梯度的HOG特征和纹理信息的ULBP特征串联融合检测行人的方法,实验表明多特征结合明显提高了行人检测识别率。但是多特征融合后特征向量维度过高,导致行人检测耗时增加,检测速度变慢。通过对实验过程分析后,采用主成分分析算法对高维度的HOG特征降维处理,形成了HOG-PCA+ULBP特征。实验结果表明,改进后的算法有效的提高了行人识别率和检测速度。通过研究发现HOG特征和ULBP特征具有不同的识别行人能力,单纯的多特征串联融合方法不能使其发挥出最佳的检测性能。针对多特征串联融合存在的问题和不足,提出了训练弱分类器以不同权重系数结合形成强分类器的行人检测算法。在测试样本上训练HOG弱分类器和ULBP弱分类器,将训练好的两个弱分类器按照线性关系组合形成最后检测行人的强分类器。采用此分类器模型在行人检测的第一阶段,ULBP弱分类器能够有效地剔除非行人目标窗口,剩下有行人目标的待检测窗口通过强分类器进行分类识别。采用这种检测的方法,有效的节省了检测的时间,提高了行人检测速度和行人识别率。在行人检测窗口融合时,最终输出的行人检测窗口存在较小的窗口被误检情况。针对这个问题,提出了改进传统的贪心非极大值抑制算法的方法。首先采用传统的NMS窗口融合算法筛选出行人目标窗口,然后比较每组中置信度最大的行人检测窗口与置信度阈值的大小,最后按照大小关系剔除被误检的较小行人检测窗口。通过Matlab仿真实验,结果表明改进的NMS算法有效地解决了较小的检测窗口可能被误检的问题。总之,在复杂的环境背景下,本文提出的改进算法有效的提高了行人检测识别率和检测速度。经Matlab仿真实验验证,基于权重的弱分类器行人检测算法准确率提高了20%,检测单张图片时间缩短约为0.07s,多特征融合的算法比单一特征识别行人性能好。