基于特征融合與在線學習的行人檢測算法研究與實現(xiàn).pdf

1、行人檢測是計算機視覺領域一個經(jīng)典的研究課題。同時，它也是車輛輔助駕駛、智能視頻監(jiān)控等計算機視覺應用的關鍵技術，具有很高的應用價值。行人檢測方法主要分為基于背景建模的行人檢測和基于前景建模的行人檢測方法兩大類。前者是對圖像中不運動的背景進行建模，將變化的前景區(qū)域從背景圖像中提取出來。后者通過對前景進行建模，從訓練樣本中學習行人特征表示，建立行人模型，一般利用滑窗掃描的策略，從圖像中窮舉所有行人出現(xiàn)的位置。由于基于背景建模的行人檢測方法存在

2、一個隱含的前提條件，即背景變化很小，存在較大運動的區(qū)域才能被認為是前景，因此，基于背景建模的行人檢測方法在目標靜止，或者攝像機運動時往往失效，目前對于行人檢測的研究熱點大多集中在基于前景建模的方法上。
　　事實上，由于行人外觀、光照以及背景變化等因素的多樣性，使用單一固定的前景模板很難有效的完成長時間、高精度的行人檢測任務。針對上述問題，本文重點研究了基于特征融合與在線學習的行人檢測算法。本文的研究內容具體如下：
　　(1)

3、在特征提取方面，本文采用混合不同特征的策略，采用積分通道特征的方式將多種特征引入行人檢測方法中，在分析和測試多種單一特征的基礎上，將多個特征有機的結合到一起。本文第二章詳細介紹了各個特征性能測試實驗，并確定了最適合檢測行人的特征組合。
　　(2)在學習算法上，本文選擇online Adaboost算法作為在線特征學習方法。和傳統(tǒng)離線行人學習算法不同的是，其可以根據(jù)已有的檢測結果不斷學習場景中的行人特征，使得行人檢測算法具備很強的自

4、適應和自學習能力。
　　(3)針對在線學習中樣本類別自動標注的難點，本文使用協(xié)同訓練算法對每幀得到的檢測結果進行自動標注，同時針對Tri-training算法訓練出來的分類器獨立性低的問題，提出了基于Tri-training框架下的改進算法，使用PCA劃分樣本集使其滿足兩個充分冗余視圖條件，構造差異性足夠的三個數(shù)據(jù)集，訓練出優(yōu)秀且更加獨立的分類器。通過使用Tri-training協(xié)同訓練策略，有效利用了無標注樣本，實現(xiàn)了半監(jiān)督學習