基于小波变换纹理特征及多部件二次验证行人检测算法

【摘要】：行人检测技术是目前机器视觉方面研究的热点之一,已经被广泛应用在智能辅助驾驶、智能机器人、行人行为识别等方面。通过近些年来的不懈研究,科研人员们提出了一系列的基于统计的行人检测算法,此类方法一般分成两个部分：样本的特征提取、分类器设计。样本特征提取的目的是对样本提取出最有代表性的特性；分类器设计属于机器学习领域,目的是得到更有效、更快速、更好泛化的分类器。本文在对行人检测的国内外研究现状以及研究的瓶颈进行认真分析的基础上,对当前的主流特征提取方式进行一定改进,论文的主要贡献如下：1、局部二值变换的Haar-LL算法针对目前行人检测技术中的检测准确率以及检测时间消耗的不足,提出了一种基于二维离散Haar小波变换的局部二值模式(LBP)与局部梯度模式(LGP)的特征融合方法Haar-LL算法。该方法首先对图像进行二维离散Haar小波变换,从而得到四个不同频率的子图像,然后对低频部分子图像提取LBP特征,对三个高频部分子图像提取LGP特征,并将三个LGP特征并接融合后与LBP特征串接融合然后进行行人检测,通过大量实验数据表明,该方法可行有效。2、多部件二次验证行人检测算法针对当前行人检测算法在行人整体检测中对遮挡情况下的漏检、特征融合可能出现特征抑制以及特征融合所造成的时间开销大等不足之处,本文提出了一种基于多部件的二次验证方法。该方法首先将从行人整体图像提取的LBP特征与从二维离散小波变换的LL低频图像提取的LGP特征进行融合,初次进行行人检测；若检测结果的决策值大于阂值,则算法结束,否则再从人的头肩部件提取LBP特征并从腿部部件提取HOG特征,进而用人体部件进行行人的二次验证,修正原来的初次检测结果。实验证明该方法对实际检测效率影响较小,而对于检测准确率却有一定的提高。
【关键词】：行人检测 特征融合 LGP Haar-LL 多部件
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TP391.41