说明书基于ldcf行人检测算法的优化5130309612_李远-sjtucs.pdf

说明书 基于LDCF 行人检测算法的优化 5130309612_李远 技术领域 本创新工作涉及的是一种行人检测领域的方法，具体是一种基于LDCF 行人检测算法 的优化和改进方法。 背景技术 行人检测是目标检测中的一项热点和重要内容，目标是在灰度、彩色、深度等图像或视 频中找到直立行走的行人，在汽车辅助驾驶、智能交通管理、智能视频监控等方面有着广泛 的应用。 目前，行人检测算法大体上有三类：DPM 类、决策森林类和深度学习类。其中决策森 林类算法更具优势。LDCF 算法可以从训练集中提取颜色、梯度方向和梯度幅值三种特征信 息，训练成分类器。在检测行人时，则采用缩放图像构成尺度金字塔的策略，使用决策树进 行多尺度检测。 经过对现有技术的文献检索发现，Piotr Doll’ar 等人在“Pedestrian Detection:An Evaluation of the State of the Art ”论文中提到了行人检测的一些几何特征，比如行人的宽度 与高度的关系，行人的高度与其距离摄像头之间距离的关系等。可以利用这些几何特征，在 行人检测的过程中加入几何约束的条件，从而提高LDCF 检测的正确率。而Piotr Doll’ar等 人在另一篇论文“Integral Channel Features –Addendum ”中，则提到了利用Non-Maximal Suppression （非极大抑制），来去除重合的检测框并降低miss rate （失效率）。然而，非极 大抑制也可以运用到大小差异较大、部分重合的检测框的去除中，更好地提高算法的正确率。 创新工作内容 本创新工作针对现有方法存在的上述不足，提出了两种基于 LDCF 行人检测算法的优 化方法。 第一种优化方法是进行几何约束。在车载视频的应用场景下，车载摄像头安装的位置、 焦距参数、图像分辨率等参数容易得到，而需要检测的目标行人在外形方面也有一些几何约 束条件。可以根据这些先验知识将长宽比不符合行人特点的以及目标位置不在监控合理区域 的检测盒删除。 本创新工作是通过以下技术方案实现的，本创新工作包括以下步骤： 第一步、估算地平线高度。 第二步、计算摄像头参数，并根据训练集数据获得行人的高度与距离摄像头的距离之间 的关系。 第三步、根据训练集数据获得行人的高度与宽度的关系。 第四步、将前三步推得的三个几何约束条件运用到检测中，提高检测效率。 本创新工作的原理是，LDCF 行人检测算法是一个误检率较高、漏检率较低的行人检测 算法。检测框常见的几何错误有三种：检测框位于地平线上，因而这些检测框大多是错误的 （如图2(a)所示）；检测框的宽度过窄或过宽，不满足行人的动作特点（如图2(b)所示）； 检测框的高度与行人距离摄像头的距离不符合近大远小的规律，如距离摄像头较远的行人高 度过高（如图2(c)所示），或者距离摄像头较近的行人高度过矮(如图2(d)所示) 。通过几何 约束，可以去除掉这一部分不合理的检测盒，从而降低该算法的误检率。 与现有技术相比，本创新工作有效地利用了行人的几何特征，提高了算法的准确度。 第二种优化方法是进行关于 LDCF 上应用的贪心非极大抑制算法的改进。由于 LDCF 使用的策略是如果一个窗口被抑制则它不会再次抑制，如果一个正确窗口被抑制，则相应正 确的抑制将会丢失，从而存在有效信息未充分利用的缺点。我们小组主要从这点出发研究了 对贪心非极大抑制算法的改进。 本创新工作是通过以下技术方案实现的，本创新工作包括以下步骤： 第一步、估算检测分数比和检测对象尺度比的阈值Error! Reference source not found. ， δ 。 第二步、总结出动态阈值的公式，分别实验得到Error! Reference source not found. ，δ 最佳值。得到最后的动态阈值公式。 第三步、修改原NMS 算法，引入保留外围窗口的非极大抑制策略。 第四步、修改原NMS 算法，引入激活机制的非极大抑制策略。 第五步，分别将前面两种改进(第三种需要和第二种配合使用)应用到实际检