监控环境下的行人属性检测方法研究

《监控环境下的行人属性检测方法研究》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、中文摘要行人属性是指人的一些典型外部特征，如“性别”、“发型”、“穿衣风格”等。行人属性检测的主要目的是从未知的视频或图像中自动识别属性类别，从而有效缩小底层特征和高层特征之间的语义鸿沟。该技术在智能视频监控、自然人机交互、高效视检索等工业领域应用广泛，已成为当前学术界研究热点。本文将对人体属性检测方法进行了深入学习和研究。近年来，视觉属性的研究及其相关的应用在计算机视觉领域中已成为热点问题。物体的视觉属性是指人类语义可以描述的物体特征，如“绿色”，“椭圆形”，“有毛发”等。物体的类别具有排他性，而物体的属性比物体类别更具有通用性。本文首先从行人属性种类、数据库以及常用方法三个

2、方面阐述行人属性研究的现状，然后对论文三个主要研究内容进行详细论述：1）基于底层特征的行人属性检测。本文从数据总量和属性种类两个方面分析和对比了目前数据库的优缺点，同时比较和分析了常见底层特征（如颜色特征、纹理特征、局部特征）以及各种特征相互结合的实验结果；2）基于词袋学习的行人属性检测。本文用硬聚类和软聚类进行词典学习和特征投影，并采用均值聚合构建属性样本的全部表征。生成的特征能够描述更加丰富的细节信息；3）基于隐条件随机场的行人属性检测。本文提出了一种判别式的方法来检测图像的局部属性。该方法首先将图片进行分割，然后检测行人图像拥有的属性，并标注属性在图像中的具体位置。本文通

3、过实验分别对三种行人属性检测方法进行了评估，并对实验结果进行了详细的分析。实验结果证明这三种方法的可行性。关键词：视觉属性；属性分类；词袋模型；图像分割；条件随机场；视频监控ABSTRACTThedefinitionofpedestrianattributesissomeappearancevisualfeatures,likegender,hairstyleandclothstyle.Pedestrianattributesdetectionaimstorecognizeattributecategoryfromanunknownvideoorimagestonarrowdo

4、wnthesemanticgapbetweenlow-levelfeaturesandhigh-levelsemanticmeanings.Theintelligentmonitoring,humanizedhuman-computerinteraction,effectivevideoslabelandretrievalareimportantissuesforcomputerintellectualizingdevelopment.Pedestrianattributedetectionplaysthekeyroleintheseissues.Thispaperconduc

5、tsanin-depthstudyandresearchonthetopicofpedestrianattributedetection.Recently,visualsemanticattributesgetawiderangeofapplicationinthefieldofcomputervision.Themainpurposeofvisualsemanticattributeistodescribeobjectfeature,like‘green’,‘elliptical’,‘hairy’.Attributesismoreuniversalthanclasswhend

6、escribingobjects.Wefirstintroduceresearchstatuswithrespondingtodataset,attributecategoryandmainmethods.Thenwepresentdetailedexplanationsonourmainresearchpoints:1)Pedestrianattributedetectionusinglow-levelfeatures.Wefirstlycomparecurrentpopulardatasetandthenconductexperimentsbasedonseverallow

7、-levelfeatures,suchascolor,textureandmixedfeatures.2)PedestrianattributesrecognitionbasedonBag-of-Word.Weapplysoftclusteringandhardclusteringseparatelytolearnacodebookfromalargecollectionoflocalfeaturesextractedfromatrainingdataset,thencreatingtheg