行人检测方法素材.doc

1　绪论 1.1 研究背景 在信息高速发展的今天，几乎所有领域都离不开计算机，在满足人们的习惯方式和生活习惯下，让计算机进行很好的通信，是计算机智能的一个必备的条件。 其中，计算机智能视觉是其应用的重要方向，它是研究使用各种成像输入设备替换人类视觉器官的领域叫智能视觉，并使用智能设备来替代人们完成识别和分析。让智能设备能够像人类一样观察和理解是人们研究计算机视觉，而且智能设备还能随着环境的变化而做出相应的改变。行人检测是计算机视觉的一个具体表现形式，并应用在以下方面： 智能监控 目前，为了防止财产安全和留下有效的证据，大部分的公众场所都装备了摄像监控设备。但是，这些监控设备大部分还是有专人进行的查看的，这会导致以下问题的出现，一方面长时间的监控，监控人员很可能出现疲惫，可能导致某些重要信息的遗漏，另一方面不能充分的把监控信息利用起来。然而人工的不足可以利用行人检测相关技术很好的解决，这样不仅可以减少各种资源的投入，又可以让监控的精确度得到很好的改善，当遇到紧急情况有可以及时预警。 车辆辅助系统 随着社会的发展，人民的经济水平不断提高，汽车逐渐走入了千家万户，然而汽车数量的急剧增长也导致了频繁的交通事故，无情的夺去了人们的生命财产安全。如果我们将行人检测系统加入到汽车控制系统中，这样在行驶过程中车辆附近的人们可以被识别出来，极大了避免的交通事故的发生。这样不仅可以有效的降低交通事故，而且这也可以带来汽车行业的革命式变化。实际上，现在有许多公司已经研制出了无人驾驶的汽车，这些车的使用都需要行人检测技术，当然现在的能智能还没进入市场，目前还在试验当中。 高级人机接口 在21世纪，计算机技术得到了迅猛发展，并且愈加趋于智能化的特点，极大地改变了我们的生活方式。我们不仅要求计算机能够快速准确的接收到外界输入的信息，而且能够高效地对信息进行处理并得到最合适的输出信息，作出的相应的反应。人脸识别技术和物体检测技术的发展，可以很好的帮助计算机去获取和处理外界的信息。这不仅需要良好的智能设备，同时也需要行人检测技术去协助完成。 1.2 研究现状 行人检测在汽车领域具有很大的应用前景，近年来是模式识别领域研究的热点课题方向之一。并且国内外也有了很多了研究成果，如由本田公司研发的基于红外摄像机的行人检测系统； CMU、MI清华大学等也。 早期的行人检测以静态图像处理中的分割、边缘提取、运动检测等方法为主。例如： （1）以Gavrila为代表的全局模板方法[]； （2）以Broggi为代表的局部模板方法[]； （3）以Lipton为代表的光流检测方法[]； （4）以Heisele为代表的运动检测方法[]； （5）以Wohler为代表的神经网络方法[]； 但是这些方法的检测速度很慢，而且普遍存在着误报、漏检率高的特点。 行人检测的现状：大体可以分为两类：1）基于背景建模的方法：分割出前景，提取运动目标，进一步提取特征，分类判别（2）基于统计学习的方法：根据大量训练样本构建行人检测分类器提取的特征分类器包括SVM，AdaBoost 目前，基于学习的行人检测方法得到了很大的发展，如基于AdaBoost、基于SVM、基于HOG等行人检测方法。首先，这些方法都是学习正样本和负样本的变化，再根据大量的训练样本对不同的特征进行分类，因此，基于统计学习的方法有广泛的适用性。 在行人检测系统中，目标识别和ROIs分割ROIs分割分为基于运动、基于距离、基于图像特征和基于摄像机参数四种方法。。 目前行人检测技术面临着如下的技术难点: （a）； 本文研究的主要内容 算法HOG， 2 行人检测主要方法介绍及比较 2.1 引言 目前，随着智能交通的发展，行人检测这方面的算法的研究也在不断的深入，每年都会涌现出很多优秀的文论，有的是对行人检测进行全新的研究，或者是对原有算法进行深入的改善，提高检测的准确度以及检测的速度，加快了行人检测的实用化进程。以下是对两类算法的详细介绍： 第一类为基于特征的算法。 在将矩形框范围内的行人作为一个整体的前提下，它的关键在于找到能够代表框内行人的特征信号参数，然后利用机器学习算法将这种参数进行分类，这样就可以区分行人和非行人，达到识别的目的。从这个过程中，我们可以知道基于特征的算法分为分类器的学习和特征的提取，所以一个好的特征提取算法变得很重要。比如HOG特征、wavelet特征、shapelet特征LBP等。该类方法的实现的算法比较简单，架构容易，当使用不同特征方法时，也不用更改原来的架构，且易于实现。然而能够使用分类效果好的特征，就可以很好地从被检测目标很好的检测出行人目标。前面我们提到行人都有各自的特点，所以目前很难找到一个完美的算法来描述行人的特征。尤其是在行人行走过程中，行人的姿势不断变化、监控设备的视角也在变化、同时行人也会被其他