计算机视觉——行人检测方法改进

《计算机视觉——行人检测方法改进》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、计算机视觉——行人检测方法改进摘要：该文在阐述行人检测方法改进的主要思路、范围和方法的基础上，进一步对行人检测所使用的统计方法和特征进行了分析比较，提出了基于融合分类器的行人检测算法，并在检测前先进行前景标注，然后再在带标注的图像上进行行人检测。关键词：计算机视觉；行人检测方法；改进；级联分类器中图分类号：TP391.41文献标识码：A文章编号：1009-3044(2012)22-5341-03ComputerVision—ImprovementinPedestrianDetectionDUWen-lu(ColledgeofJapanese&SoftwareEngineerin

2、g,DalianJiaotongUniversity,Dalian116052,China)Abstract:Thispassageisaboutpedestriandetectionanditsimprovementconcerningitsmainidea,scopeandmethod.Thepedestriandetectionbasedonstatisticalmethodsareanalyzedandcombinedwiththecharacteristics.Themethodofmergedclassifierswhichcanimprovethedetectio

3、n10rateontheconditionthattheperformancewillnotdecreaseisusedinthisexperiment.Amarkingforegroundmethodisproposedthattheforegroundisextractedandmarked,sothatonlytheforegroundpixelsaredetectedinsteadofalloftheimageatthedetectionstage,whichcanimprovetheaccuracyofdetection,andmakethedetectionspee

4、dmorefaster.Keywords:computervision;pedestriandetection;improvement;mergedclassifiers计算机视觉对于人类的影响是重大的，它伴随着计算机的蓬勃发展成为了一个不可或缺的分支。毫无疑问视觉信息在我们的日常生活中具有重要的地位。如果计算机能够像人类那样理解摄像机捕捉到的视觉信息，则会给我们的生活带来巨大的影响和帮助。然而目前对于计算机视觉的研究还不是很成熟的，比如小孩到了4、5岁的时候就能在轻易地分辨出图像卡片中的树、人、车等不同类别的物体，还能区别不同的树，如杨树、柳树、果树等，在这方面，计算机明显还

5、存在着巨大的不足之处。该文针对计算机视觉中的行人检测部分做了深入的研究，力求能让计算机能够高速高质量的辨别一段视频中的人。下面详细的对所做的实验的方法以及结果做以介绍。101行人检测方法改进的主要思路实验的主要思路为在行人检测研究时，根据现有的级联分类器的不足之处，提出了融合两个级联分类器来进行行人检测的方法。具体采用了表观特征向量来描述人体，并结合统计学习的分类方法来检测视频中的行人。为了保证融合分类器的检测性能和实时性，融合的两个分器分别选取了类Haar特征分类器和Shapelet特征分器，前者作为第一级分类器，后者作为第二级分类器。提出了使用Haar-like结合人体头肩

6、的特征和Shapelet结合人体头肩的特征来描述人体；在分类器训练时，采用的是Gentle-Adaboost机器学习算法；并且为提高分类器检测速度，首先对视频序列进行了前景标注，采用背景差分将前景点标注出来，这样在检测时只需检测前景点即可，减少了大量背景上的检测时间。该文检测方法的具体流程如图所示。图1行人检测具体流程图2研究的范围与方法2.1本实验主要研究的是静态背景下的行人检测10根据拍摄的摄像头的情况，可以将运动目标检测的研究主要分为两大类：动态背景情况下的目标检测与静态背景下的目标检测。前者主要是在拍摄的过程中，摄像头是跟着目标前进，后退等方式移动的，背景环境因此也是不

7、断变化的；后者情况下，摄像头是固定的，相对于目标场景来说是静止的，因此背景环境是相对不变的。而视频监控系统中使用的大多数方式便是固定摄像头，所以本实验主要研究的是静态背景下的目标检测。另外此实验是基于统计方法的行人目标检测。采用统计分类学习来研究目标检测问题。该方法通过统计学习获得的分类器某个类别目标的检测器（例如人脸、汽车和行人等），然后根据得到的检测器来进行目标检测。基于统计方法的目标检测方法一般被分为两个阶段：离线检测模型的训练和在线目标检测阶段，在离线训练阶段，首先要收集大量的样本，