行人动态检测与识别
VIP免费
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
目 录
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
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
相关推荐
作者：侯斌
分类：高等教育资料
价格：15积分
属性：69 页
大小：7.27MB
格式：PDF
时间：2025-01-09
