欢迎来到天天文库
浏览记录
ID:36827428
大小:3.96 MB
页数:61页
时间:2019-05-16
《智能交通行人检测系统的分类技术研究》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、中国科学技术大学硕士学位论文智能交通行人检测系统的分类技术研究姓名:樊龙夫申请学位级别:硕士专业:模式识别与智能系统指导教师:乔红;周荷琴20100501摘要智能交通的行人检测系统是指通过汽车上动态的视觉传感器,对汽车视觉范围内的行人进行检测,从而在对行人运动理解的基础上,采取一定的措施,达到辅助驾驶甚至自动驾驶的功能的一个系统。行人检测技术是智能交通的重要组成部分,是一门交叉了多种学科和多种系统的综合技术,包括传感器系统,硬件计算系统,智能系统等一系列因素。着重于找到一种更好的分类方法,本文调研了特征提取和分类技术的发
2、展,分析了现有方法的不足及其原因,总结了行人检测的研究现状,在分类方法上提出了改进的思路。传统的分类器和组合方法在行人检测中都遇到了各自的缺陷,SVM分类方法在模式识别的很多领域被广泛应用,但是由于其计算代价大而使得其在行人检测中没有得到充分的利用。特征选择在模式分类中扮演了一个重要的角色。它的目标是尽可能多地将不相关特征排除在外,同时,得到区分度大的特征子集。那些信息量小的特征的存在,不仅使得学习算法表现不佳,而且会掩盖数据背后重要的本质信息。随着新兴技术的发展,在很多领域数据集变得越来越大,很多不相关特征通常会出现在
3、这样的数据集中,使得传统的学习算法遇到了巨大的挑战,尤其在效率和推广性方面。于是,一种可以从数据集中消除冗余和非相关信息的算法变得十分必要。本文提出利用基于boosting策略的特征选择方法,通过基于核空间的距离评价函数,采用前向分步搜索方法,为核向量机(CvM)分类器选择特征子集。实验结果显示,这种方法和非boosting策略,以及其他评价方法相比,能给分类器带来更优的特征。组合分类方法是行人检测中常用的方法,但是无论是串联还是并联的方法,甚至串联和并联相结合的方法,都在行人检测中遇到了挑战。树状组合分类器被认为是一种
4、结合了并联和串联二者优点的组合分类方法,本文在引入树状组合分类器的基础上,对训练过程进行了优化,其中包括对负样本选择和对正样本划分的优化,达到了很好的效果。实验证明结合非平衡SVM和组合分类器的方法用于进一步过滤负实例是十分有效的。关键词:行人检测特征选择Boosting支持向量机树状组合分类器训练过程优化ABSTRACTPedestrianDetectionSystem(PDS)inIntelligentTransportationsSystemsiswhatdetectsthepedestriansintheview
5、ofthevehicle,andtakesactionsaftercomprehendingthebehaviorofpedestrianstoaidthedrivingorevendrivethevehicleautomatically.PDStechnology,硒thebasilicacomponentoftheIntelligentTransportationsSystems,isanacrossresearchtopicrelatedtosensorsystem,hardwaresystem,andmachin
6、elearningsystem,etc.Aimingtofindingamoreeffectiveclassificationmethod,thethesisstudiedthefeatureextractingandclassificationtechnology,analyzedthedisadvantageofeachtechnology,summarizedthestateoftheart,andproposessomethoughttoimproveit.The仃aditionalclassifiersandi
7、lscombinationsencounterdifferentlimitation.Thoughusedwidelyinpatternrecognition,SVMclassifierisnotutilizedadequatelyinpedestriandetectionasitshighcomputationalcost.Featureselectionperformsanimportantroleinpatternclassification.Itaimsatexcludingtheirrelevantfeatur
8、esasmoreaspossible,andobtainingadistinguishedsubsetofthefeaturesthatCansimplifytheclassifier.Thelessinformativefeaturesnotonlymakethelearningalgorithmweaker,bu
此文档下载收益归作者所有