基于特征融合的行人检测与图像聚类研究

《基于特征融合的行人检测与图像聚类研究》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、学校代码：10264研究生学号：M150502673上海海洋大学硕士学位论文题目：基于特征融合的行人检测与图像聚类研究ResearchonPedestrianDetectionandImage英文题目：ClusteringBasedonFeatureFusion专业：计算机科学与技术研究领域：图像处理姓名：曹璐指导教师：陈明二O一八年五月上海海洋大学硕士学位论文上海海洋大学学位论文原创性声明本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经明确注

2、明和引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品及成果的内容。论文为本人亲自撰写，我对所写的内容负责，并完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日上海海洋大学学位论文版权使用授权书学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权上海海洋大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。保密□，在年解密后适用本版权

3、书。本学位论文属于不保密■学位论文作者签名：指导教师签名：日期：年月日日期：年月上海海洋大学硕士学位论文上海海洋大学硕士学位论文答辩委员会成员名单姓名工作单位职称备注刘广钟上海海事大学教授主席秦艳芳上海海洋大学副教授委员葛艳上海海洋大学副教授委员裴丽娜上海海洋大学秘书答辩地点信息学院306答辩日期2018.5.24上海海洋大学硕士学位论文基于特征融合的行人检测与图像聚类研究摘要随着人工智能和计算机性能的快速发展，图像数据处理变为计算机视觉中的研究重点。其中行人检测可以运用在诸如交通监控，人机交互，智能驾驶，行为分析等领

4、域，具有广阔的应用前景。但在现实生活中行人经常受到光照变化，形变，遮挡等诸多因素影响，而且行人数据集有限，导致人工选择的特征提取困难，行人检测变得更有挑战性。另外人类虽然积累了大量图像样本数据，但这些数据是无标签的，人工标注效率低下，传统聚类算法效果差。针对这些问题，本文的研究工作主要包含以下内容：（1）实现了多特征融合的行人检测。针对单一的特征无法准确描述行人特性，采用多特征融合的方式来提取行人特征。本文选取行人的关键区域后，提取其HOG（HistogramofOrientedGradient，HOG）特征和Unif

5、ormLBP（UniformLocalBinaryPattern）特征，然后根据这两种特征对于行人的识别能力强弱设置权重系数，自适应加权融合为一个特征向量，最后利用SVM（SupportVectorMachine）分类器进行检测。在公开行人图像数据集上，采用该算法进行实验，实验说明提出的方法与传统单一特征方法相比，准确率和速度更高。（2）提出一种基于多通道输入的稀疏卷积神经网络行人检测算法。人工提取特征一般从原始数据出发，需要借助专家领域知识，对数据进行深入分析，这样会花费大量人力与计算资源。本文在基于卷积神经网络结构

6、的基础上构建效果更好，使用更方便的行人检测算法，无需人工设计特征，自动学习数据特征。针对传统卷积神经网络的输入是原始图片，冗余信息多，对局部边缘和纹理的刻画不明显，本文提出了一种基于多通道输入的稀疏卷积神经网络检测算法。首先将图片HOG特征构成的HOG特征图和YUV颜色空间组成三个通道，通过卷积层提取特征，并采用稀疏自动编码器稀疏化特征，最后利用softmax分类器进行行人检测。模型充分利用图片的像素级特征以及HOG特征对于行人轮廓显著描述的优点，改善了算法的检测效率。（3）提出了一种基于特征融合的深度卷积聚类算法。由

7、于现实生活中缺乏有标签的样本，人工标注的代价十分巨大，所以可行的方法是让机器自动对图像聚类，从而将不同类型的数据区分开，为行人检测这样的图像分类任务训练准备数据。传统深度聚类算法没有充分利用卷积神经网络的优势，也不能保护原始数据的特征局部结构。本文在DEC（DeepEmbeddingCluster）的基础上，采用卷I上海海洋大学硕士学位论文积自动编码器来进行特征学习，定义一种新的损失函数用于训练来保证聚类的每个类的中心尽可能地远，同时将编码层前一层的输出与编码层的输出融合作为需要优化的聚类特征，这样可以减少特征信息的损

8、失，有效提高了聚类的效果。关键词：行人检测，特征融合，卷积神经网络，聚类II上海海洋大学硕士学位论文ResearchonPedestrianDetectionandImageClusteringBasedonFeatureFusionABSTRACTWiththerapiddevelopmentofartificialintell