行人动态检测与识别

VIP免费

3.0 侯斌 2025-01-09 5 4 7.27MB 69 页 15积分

侵权投诉

摘要

近年来，交通事故频发、城市管理和调度滞后，导致交通、环境和安全问题

日趋恶劣，行人动态检测和识别的信息为城市信息管理系统提供了重要的数据源，

基于计算机视觉的行人检测系统作为最佳的行人检测系统得到了进一步地研究与

推广。

支持向量机（SVM，Support Vector Machines) 是一种基于统计学理论，遵循

结构风险最小化原则的模式识别算法。支持向量机根据针对的训练数据的不同，

可以分为线性可分支持向量机，线性支持向量机，非线性支持向量机和适用于普

遍情况的 C-支持向量分类机。一般采用序列最小最优化（SMO）算法实现支持向

量机的训练。通常而言，图像中像素的梯度和边缘方向的分布密度可以很好地表

述出物体的局部的轮廓和灰度特征。将图像的局部方向梯度用直方图的形式统计，

并进一步进行组合形成特征描述子，称为方向梯度直方图特征（HOG，Histogram of

Gradient）。 HOG 特征描述器被公认为做图像行人检测的有效方法。

本文创新地提出了基于质心法和形态学的 ROIs 方法，与传统方法不同，本方

法首先采用高效的质心结合形态性的方法获取运动轨迹特征，实现行人检测算法

来减少耗费的时间，并结合 ROIs 用于初步行人检测，以提高行人检测的精度。这

里，将目标区域图像像素的灰度作为权值，其对应于图像的坐标作为变量，目标

区域的质心即为目标区域的像素坐标的加权和与像素总和的商。行人目标区域的

质心表示行人区域的像素中心，当行人发生移动时，目标区域的质心位置也发生

相应变化，因此可用质心位置的变化轨迹表示行人的运动轨迹，计算行人的运动

速度。

实验针对道路行人检测，自己采集样本进行分类器训练和行人检测试验。在

不同数量的行人检测试验中，SVM 结合 HOG 描述器可以有效地检测出行人，形

态学 ROIs 结合快速质心算法，可以有效地排除行人检测的误检测情况，从而提高

行人检测精度，行人检测方法的检测正确率随检测人数的增加而增大。

实验结果表明，SVM 结合 HOG 特征进行行人检测，并采取形态学 ROIs 结合

快速质心算法对行人目标进行筛选，可以达到较高的行人检测精度，降低了行人

误检测率，提高了系统的鲁棒性。由于需要进行两次行人检测计算，系统的检测

时间相对较长，为了解决此类问题，需要对系统的硬件环境和软件算法进行改进

和优化。

关键词：行人检测 SVM HOG 特征 ROIs 形态学快速质心算法

ABSTRACT

In recent years, frequent traffic accidents, urban management and scheduling delay,

due to traffic, environment and safety problems are becoming more and more serious,

pedestrian dynamic detection and identification information provides an important data

source for the urban information management system, and the pedestrian detection

system based on computer vision as the best pedestrian detection system has been

further research and extension.

The Support Vector Machine (SVM) is a kind of pattern recognition method which

based on statistical theory and the principle of minimizing the structure risk.

According to the different training data, SVM can be divided into several category,

which are linearly separable support vector machine, linear support vector machine,

nonlinear support vector machine and C - support vector classification machine which is

suitable for the general situation. Generally, sequential minimal optimization (SMO)

algorithm is used to achieve the training of SVM. As a general rule, the gradient and the

direction of the edge of each pixels in image can describe and draw the outline of an

object's local gray features successfully. Express the oriented gradients of the partial

image with the form of a Histogram statistics, and further combined to form feature

descriptor, called Histogram of Oriented Gradients (HOG).HOG feature descriptor is

recognized as the effective method to image pedestrian detection.

This paper puts forward the innovation based on the qualitative method and the

morphology of the ROIs method, different from the traditional methods, this method

first uses efficient qualitative combine with the morphology method to acquire the

motion trail characteristics and realize the pedestrian detection algorithm to reduce the

cost of time, and combining the ROIs for preliminary pedestrian detection, in order to

improve the accuracy of the pedestrian detection. Here, use the pixel gray level as

weights of the target area image, and its coordinates corresponding to the image as a

variable, then the centroid of the target area is the weighted sum of pixel coordinates

divided by the total number of pixels of target area. Because the centroid of target area

shows the pixel center of target area, we use the path of centroid change to express the

motion trail of pedestrian, and then calculate the movement speed.

The experiment direct at pedestrian detection of road, samples are collected by

myself to train the classifier and the experiments of pedestrian detection. In different

number of pedestrian detection experiment, the SVM combined with HOG descriptor

can effectively detect the pedestrian, and morphological ROIs combined with fast

centroid algorithm, can effectively eliminate the false detection of pedestrian detection,

so as to improve the pedestrian detection precision, the detection accuracy of pedestrian

detection method increases with the increase of the pedestrian.

The experimental results show that the SVM combined with the feature of HOG

for pedestrian detection, and take the morphological ROIs algorithm combined with fast

centroid to pedestrians target selection, can reach high precision of the pedestrian

detection, at the same time, reduces the pedestrian detection error rate and improve the

robustness of the system. However, due to need twice detection, the testing time is

longer relatively, in order to solve such problem, the hardware environment and

software algorithm need to be improved and optimized.

Kew words: Pedestrian detection, SVM, HOG pattern, ROIs,

Morphology, Fast centroid algorithm

中文摘要

ABSTRACT

第一章绪论 ............................................................................................................. 1

1.1 研究背景及意义 ............................................................................................ 1

1.2 行人检测 ........................................................................................................ 1

1.3 计算机视觉 .................................................................................................... 2

1.4 ROIs ................................................................................................................. 3

1.5 目标识别 ........................................................................................................ 5

1.6 本章小结 ........................................................................................................ 7

1.7 本文工作以及章节安排 ................................................................................ 8

第二章支持向量机模型构建与实现 ....................................................................... 10

2.1 支持向量机的统计学模型 .......................................................................... 10

2.2 支持向量机的数学模型建立 ...................................................................... 12

2.2.1 线性可分支持向量机 ....................................................................... 12

2.2.2 线性支持向量机 ............................................................................... 14

2.2.3 非线性支持向量机 ........................................................................... 15

2.2.4 C-支持向量分类机 ............................................................................ 18

2.3 支持向量机的训练 ...................................................................................... 18

2.4 本章小结 ...................................................................................................... 23

第三章基于 HOG 特征的初步行人检测 ................................................................ 24

3.1 HOG 行人特征 ............................................................................................. 24

3.2 HOG 行人特征的提取 ................................................................................. 24

3.2.1 HOG 特征提取的一般步骤 .............................................................. 24

3.2.2 HOG 行人特征提取方案 .................................................................. 27

3.3 初步行人检测 .............................................................................................. 29

3.3.1 分类器训练 ....................................................................................... 29

3.3.2 多尺度行人检测 ............................................................................... 30

3.3.3 初步行人检测实验 ........................................................................... 30

3.4 本章小结 ...................................................................................................... 32

第四章形态学 ROIs 和快速质心算法 ..................................................................... 33

4.1 形态学 ROIs ................................................................................................. 33

4.1.1 感兴趣区域分割（ROIs） ............................................................... 33

4.1.2 行人成像模型 ................................................................................... 33

4.1.3 形态学腐蚀 ....................................................................................... 35

4.1.4 形态学重构 ....................................................................................... 37

4.1.5 ROIs .................................................................................................... 38

4.2 第二次行人检测与动态跟踪 ...................................................................... 39

4.2.1 快速质心算法 ................................................................................... 39

4.2.2 行人检测 ........................................................................................... 40

4.2.3 行人动态轨迹跟踪 ........................................................................... 42

4.2.4 行人运动速度 ................................................................................... 43

4.3 本章小结 ...................................................................................................... 44

第五章实验与分析 ................................................................................................... 45

5.1 训练样本的采集 .......................................................................................... 45

5.2 实验平台 ...................................................................................................... 46

5.3 实验结果统计与分析 .................................................................................. 48

5.3.1 使用 ROIs 对检测精度的影响 ......................................................... 48

5.3.2 行人检测误检测率分析 ................................................................... 54

5.3.3 检测人数对系统精度影响的分析 ................................................... 56

5.4 本章小结 ...................................................................................................... 57

第六章总结与展望 ................................................................................................... 58

参考文献 ..................................................................................................................... 60

在读期间公开发表的论文和和取得成果 ................................................................. 65

致谢 ......................................................................................................................... 66

第一章绪论

1.1 研究背景及意义

近年来，随着科技的迅速发展和全球人口的不断上升，交通事故频发、城市

管理和调度滞后，导致交通、环境和安全问题日趋恶劣，严重影响了居民的生活

质量。为解决此类问题，发达国家率先投入了大量的人力、物力构建城市信息管

理系统，其中包括智能交通系统 ITS(Intelligent Transportation System)、视频监控与

识别系统、公交统计与调度系统等智能化识别、统计和管理系统。在这些系统中，

行人检测系统毫无例外的成为其中基本、重要的智能传感与识别环节，通过该系

统可以对特定场所如公交站点、空港、海港、展会、商场以及有关单位等进行人

员统计甚至识别，此外还可以配合指纹、虹膜等信息进行身份验证等工作。其中

行人动态检测和识别的信息都为城市信息管理系统提供了重要的数据源，行人的

动态检测和识别系统可以判断行人是否存在并获取其动态信息，也被广泛应用在

智能视频监控[40,38]，人体行为分析[46]以及航拍图像和受害者营救等新兴领域[4]。

图 1-1 行人识别图

目前行人检测的实现主要有计算机视觉、雷达[5]、红外[6]等检测手段。已有的

基于雷达的行人检测系统价格偏高, 而且这种检测系统的视场较窄，同时侧向分辨

率较差, 因此在实际应用中很难得到推广。红外检测易受温度、光线等环境因素影

响，不能获得较高的鲁棒性和抗干扰性。因此，基于计算机视觉的行人检测系统

作为最佳的行人检测系统得到了进一步地研究与推广。

1.2 行人检测

基于计算机视觉的行人检测系统以摄像机为传感器采集视频和图像，用计算

机结合特定的视觉算法对视频和图像进行行人检测。因此，计算机视觉算法的选

上海理工大学硕士学位论文

择和实现作为行人检测系统的重点需要进行深入的研究，并结合实验进行进一步

地改进。同时，由于行人自身和环境的特点，如行人的衣着不同，身材姿态各异，

背景复杂多样，障碍物遮挡和光照变化等，视觉行人检测系统在图像的采集和相

应的算法处理方面存在着独有的难点[49]，以下将进行分析和介绍。

（1）行人的衣着和身材多样

行人的衣着根据季节、审美和习惯而各不相同，身材也因高、矮、胖、瘦而

各异。这些不统一和不稳定的因素会造成行人图像轮廓的复杂和多变，对行人识

别的鲁棒性造成很大的影响，解决此类问题也成为行人识别研究问题的重点之一。

（2）行人的姿态多样

由于行人的非刚性特点，当行人站立角度，运动姿势或运动方式不同时，其

形态轮廓也变化巨大，这些变化的存在对行人识别系统的鲁棒性和灵活性提出了

很高的要求，需要行人检测系统具有很高的适应性，能够适应行人的各种姿态的

变化。

（3）背景的复杂多样

一般情况下，待检测的行人所处的背景不同，背景中可能包含与人体形状相

似的障碍物，树木和路灯等，由于其未知性和一般性，这些问题容易造成检测系

统的误检测从而达到影响系统的检测精度。解决此类问题，需要对行人的特征进

行更准确的描述，同时需要检测系统具有较好的灵活性。

（4）行人的遮挡问题

现实生活中，行人常常携带东西出行，或者行人走在路上，其身体部位可能

被车辆、树木等物体遮挡住，这些问题常常使行人检测系统发生漏检问题。解决

行人的遮挡问题是提高行人检测系统鲁棒性的重点方向，也是检验行人检测算法

的重要方法。

（5）光照变化的多样性

行人的边缘特征和灰度特征会因所处环境的光线不同而发生差异，因此在行

人检测系统中，当采集完行人的图像信息后，一般需要先对图像进行预处理，消

除光照不同对图像造成的影响。

由于人体具有以上各种特点，行人检测成为目前计算机视觉研究领富有挑战

性和高度研究价值的课题。

1.3 计算机视觉

人类通过眼睛感知外界的信息，并通过大脑对信息进行分析判断以实现相应

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

行人动态检测与识别.pdf

共69页,预览7页

还剩页未读，继续阅读

行人动态检测与识别

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: