在行人监控视频中,传统的行人检测方式是人工识别。随着行人视频数据的增多,这种传统方式不仅消耗大量的人力,而且效率非常低,易出现漏检的情况。若采用机器来完成这个过程,将大大提高检测效率并能够减少人力以及财力资源的消耗。行人检测技术可以通过赋予机器智能识别行人和跟踪行人的能力,解决传统行人监控中的这些问题,同时还可广泛应用于高级辅助驾驶、智能安防监控以及智能机器人等领域。本文主要针对交通监控系统中的行人检测方法进行了研究。本文的具体研究内容如下:针对基于HOG的行人检测方法在光照变化及背景繁杂情况下,行人检测精度不高的问题,本文在HOG特征的基础之上,引入HOP特征来构造HOPG特征,此特征可以识别和定位更多的结构信息,对光照变化和背景繁杂的情况更具鲁棒性。首先将输入图像划分为局部区域,在输入图像的每个像素中相对于其邻域计算梯度和相位一致性幅值及方向。在每个局部区域中计算方向相位直方图和方向梯度直方图,并将它们相互组合。然后将这些直方图串联起来以形成表示输入图像的HOPG特征。最后将这些特征馈送到训练后的SVM分类器来确定是否为行人。实验证明,基于HOPG特征的行人检测方法与基于HOG特征的行人检测方法相比,检测性能更具优势。针对基于ACF的行人检测方法产生过多误检窗口的问题,本文在ACF的方法的基础上,引入卷积神经网络VGG-16,使用微调的VGG-16网络训练一个行人目标分类模型,该网络模型能够提取高层次的抽象特征,益于行人检测。首先用ACF提取的特征训练一个粗AdaBoost分类器模型对测试样本进行分类得到候选检测窗口,然后用微调的VGG-16网络提取的特征训练一个精细AdaBoost分类器模型对候选检测窗口进行分类,最后使用NMS算法消除冗余的行人检测框。实验证明基于ACF和VGG-16相结合的行人检测方法与基于ACF的行人检测方法相比,降低了漏检率,提高了检测率。基于ACF和卷积神经网络相结合的行人检测方法一般分为两个步骤,ACF特征训练的分类器用于生成候选区域,卷积神经网络训练的分类器用于对候选区域进行分类,尽管检测性能有了进一步的提升,但仍有改进的必要。如卷积神经网络通过提取的池化层特征训练分类器,而忽略了区域得分和CNN内层的特征,为了克服这一缺点,构建多层通道特征来进行行人检测。首先将HOG+LUV与CNN的每一层集成到多层图像通道中。然后基于多层图像通道学习多级级联AdaBoost。多级级联AdaBoost各阶段的弱分类器是从对应层的图像通道中学习到的,使用各阶段的弱分类器排除非行人检测窗口。实验证明基于多层通道特征的行人检测方法与基于ACF+VGG-16和HOPG方法相比,检测性能得到了进一步提升。