论文部分内容阅读
目标检测是当前计算机视觉和人工智能领域的研究热点,行人检测作为目标检测的重要分支,在高级驾驶辅助系统、智能安防和智能交通等领域中得到广泛应用。行人作为易形变目标,具有刚性物体和柔性物体的双重特征,其检测精度容易受到行人的姿势、服饰、动作以及视角等因素影响。单一的行人特征对行人的描述能力相对有限,因此基于单一特征的行人检测算法精度不高。为了提高行人检测的精度和速度,本文采用特征空间融合和多通道特征融合的方法,提出基于多特征融合的行人检测算法。实验验证表明,与单一特征相比,所提算法具有更好的检测性能。本文的主要研究内容如下:(1)针对描述梯度和纹理的HOG-ULBP特征在行人检测中的融合特征维数过高,造成过多冗余信息,从而影响检测速度和检测精度的问题,本文利用主成分分析方法(PCA)对HOG特征进行降维,将降维后的HOG特征与ULBP特征串联,形成新的融合特征,提高行人检测算法的检测速度。(2)针对HOG-ULBP行人检测算法存在实时性差的问题,本文提出基于权重的级联分类器融合算法,分别训练基于HOG的弱分类器和基于ULBP的弱分类器,再将两个弱分类器通过权重级联的方式构成一个强分类器。通过使用ULBP弱分类器输出待验证的行人区域,再通过强分类器对行人区域进行验证,有效提高了行人检测速度。(3)针对基于非极大值抑制(NMS)检测窗口融合算法不能剔除误检窗口的问题,本文提出基于NMS的窗口融合算法来筛选候选窗口,再通过相邻窗口检测和置信度比较进一步剔除误检窗口,降低误检率。(4)为进一步加快行人检测速度,提出采用通道特征融合的方式,将多种通道特征应用于行人检测。针对视频传输多采用的YUV视频编码,本文利用YUV颜色通道特征代替传统的LUV颜色通道特征,与梯度直方图特征和梯度幅值特征进行融合,得出新的通道特征。针对检测速度慢等问题,本文利用积分图像法快速计算通道特征,并结合多尺度特征估计,快速完成图像多尺度通道特征计算,实现检测速度提升。(5)针对多通道特征的特点,提出了依据每个通道各自不同的特性,采用不同的归一化方案。例如梯度直方图特征可利用梯度幅值实现归一化,颜色通道特征和梯度幅值通道特征等则利用像素区域关系进行归一化,以提高行人检测的性能。