论文部分内容阅读
行人检测作为计算机视觉领域的重要分支,已经广泛应用于智能交通控制系统、高级驾驶辅助系统、姿态估计等领域,同时,行人检测面临着行人外观多变、背景环境复杂等诸多难题,行人检测现今成为一个极具研究价值且具有挑战性的热点。本文在研究基于统计学习的行人检测方法基础上,着重分析基于HOG特征与SVM分类器的行人检测方法,并在此基础上,针对单一特征和分类器分类过拟合造成准确率不高的问题,提出一种基于特征融合与聚合SVM分类器的行人检测方法。本文的主要研究工作如下:1.基于SVM分类器的行人检测采用欠采样方法,存在正负行人比例不平衡,造成准确率不高,对此提出一种改进的聚合支持向量机(Ensemble SVM)分类器行人检测方法。该方法结合欠采样SVM分类器的两次训练机制和EasyEnsemble的分治策略:首先,随机选择负样本作为初始训练样本,并将其划分为与正样本集均衡的多个子负样本集,构建平衡子训练集,线性组合成EasyEnsemble SVM分类器;然后利用该分类器对负样本进行分类判断,将误判样本作为难例样本,重新划分构建新的平衡子训练集,训练子分类器,结合EasyEnsemble SVM分类器,得到Ensemble SVM分类器行人检测方法。在INRIA数据集上进行实验,验证Ensemble SVM的行人检测算法性能。2.针对单个HOG特征不能很好的描述行人信息,在处理行人遮挡时准确率不高的问题,提出一种改进的特征融合行人检测方法。采用HOG特征与Gabor特征进行融合,然后训练Ensemble SVM分类器。分别在INRIA数据集中加入随机噪声块、实际遮挡物两种遮挡,验证HOG特征与Gabor特征融合有助于检测准确率的。实验表明,采用Ensemble SVM分类器能很好的解决因正负样本数据不平衡造成分类过拟合的问题。并且,在此基础上进行特征融合,进一步解决行人图像中存在遮挡的问题。