【摘要】：行人檢測是利用計算機視覺處理技術(shù)在視頻序列中發(fā)現(xiàn)是否存在行人并進行精確定位。隨著自動駕駛、智能監(jiān)控等需求的不斷增長,行人檢測技術(shù)在檢測速度及復(fù)雜背景適應(yīng)上的要求越來越高,成為當前理論研究熱點。本文在分析國內(nèi)外相關(guān)工作成果的基礎(chǔ)上,分別研究了基于支持向量機( ,SVM)和深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)的行人檢測方法,實現(xiàn)了基于組合支持向量機行人檢測方法、SVM-LeNet行人檢測方法和-行人檢測方法,在一定程度上降低復(fù)雜場景下行人檢測的漏檢率和誤檢率,提高了檢測速度。本文的主要貢獻如下:(1)實現(xiàn)了基于組合支持向量機行人檢測方法( ,CSVM)。在復(fù)雜背景行人檢測問題上,針對單個SVM表現(xiàn)出的性能不穩(wěn)定問題,實現(xiàn)了面向HOG特征的、組合多個SVM分類器的行人檢測方法:HOG-CSVM。實驗表明,相比HOG-SVM行人檢測算法,HOG-CSVM具有更低的誤檢率和漏檢率;(2)實現(xiàn)了SVM-LeNet行人檢測方法。本方法的關(guān)鍵技術(shù)包含:a)為了提高對行人特征的高區(qū)分能力,構(gòu)建了融合LUV顏色特征和HOG特征的組合特征。
b)為了增加分類器對行人目標特征微小差異的敏感性,提出使用SVM進行第一階段分類,然后使用三層卷積神經(jīng)網(wǎng)絡(luò)進行第二階段分類的方法。該方法有效避免單一分類模型的偏差無法得到及時糾正的缺點。c)針對采用傳統(tǒng)的貪心非極大值抑制算法(Non- ,NMS)存在目標區(qū)域定位不準的問題,在該基礎(chǔ)上,實現(xiàn)了微調(diào)非極大值抑制算法(Fine- Non- ,FTNMS)svm cnn 行人檢測 比較,實驗表明,相比NMS,經(jīng)過FTNMS融合后的矩形能更準確框定真實目標;(3)實現(xiàn)了-行人檢測方法。首先對目標圖像進行去運動模糊處理,得到畫質(zhì)較清晰的圖像。然后采用選擇搜索法( )提取候選區(qū)域svm cnn 行人檢測 比較,以避免傳統(tǒng)多尺度滑動窗口方法難以處理行人姿態(tài)多變的不足,最后采用5層卷積神經(jīng)網(wǎng)絡(luò)( ,CNN)對候選區(qū)域進行目標分類。實驗表明,-行人檢測算法已經(jīng)達到了與-RCNN相當?shù)乃健?/p>