車載熱成像行人檢測系統(tǒng)通過熱成像傳感器獲取場景信息,使用模式識別技術(shù)檢測道路場景中的行人。現(xiàn)有的方法多將圖像行人與背景作為二類分類問題處理。道路場景動態(tài),行人屬非剛體,外觀多變,行人樣本與背景樣本的分類邊界呈非線性,線性分類器很難準確分類道路場景中的行人和背景。本文通過分析數(shù)據(jù)分布,采用子類劃分減小行人類內(nèi)差異,依此優(yōu)化數(shù)據(jù)分布和分類器結(jié)構(gòu),提高車載熱成像行人檢測模型性能。1.傳感器視角和行人姿態(tài)連續(xù)變化,道路場景行人多樣性顯著,樣本類內(nèi)差異較大。依據(jù)行人特征進行子類劃分,人工子類劃分效率效果受限,采用聚類算法自動劃分行人子類。高維數(shù)據(jù)聚類難以收斂,采用流形學習在保留行人結(jié)構(gòu)特征的前提下將高維行人特征映射為低維表達。2.實驗表明各個子類樣本數(shù)量不平衡影響深度卷積網(wǎng)絡(luò)模型性能,針對熱成像行人設(shè)計數(shù)據(jù)平衡方法,促進模型學習不同行人外觀的共性特征。采用重采樣使行人子類樣本數(shù)量趨于平衡;為防止重采樣后模型過擬合,設(shè)計熱成像圖像實例切換策略,增強行人樣本多樣性;優(yōu)化損失函數(shù)調(diào)整各行人子類學習權(quán)重。實驗表明經(jīng)優(yōu)化處理,模型的檢測精度得到提高。3.系統(tǒng)級集成優(yōu)化。通過子類訓練獲得多個基分類器,根據(jù)分... 

【文章來源】：華南理工大學廣東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學位級別】：碩士

【部分圖文】：

圖１－１可見光圖像與紅外圖像的對比??

?第一章緒論???ｉｉｉｉｉｉｉｌ??圖１－２依據(jù)行人姿態(tài)模板匹配的行人檢測方法??２００３年，Ｖｉｏｌａ和Ｊｏｎｅｓ提出ＶＪ檢測器用于行人檢測，自２００５年Ｄａｌａｉ提出ＨＯＧ［６１］??特征將檢測器的檢測效果提升到新的高度以后，行人檢測得到了快速的發(fā)展，而基于??ＨＯＧ特征提出的ＤＰＭ［６２］?（ｄｅｆｏｒｍａｂｌｅ?ｐａｒｔ?ｍｏｄｅｌ）方法在２００９年提出并達到了深度學??習方法提出以前最好的檢測效果。??行人檢測器從原理上一般分為兩個主要階段：感興趣區(qū)域生成、樣本分類。其中感??興趣區(qū)域生成模塊從輸入圖像中提取可能存在性的區(qū)域，并將其送入分類器進行識別，??分類器廣泛采用統(tǒng)計學習的方法，通過從大量的樣本中提取統(tǒng)計信息構(gòu)建行人檢測器，??常用的分類器如支持向量機［２８］?（ＳＶＭ），Ａｄａｂｏｏｓｔ乃至如今研宄最多的深度學習模型。??在２０１６年之前，主流的行人檢測方法大都基于傳統(tǒng)算法，其改進方向是設(shè)計更能??表現(xiàn)行人特性的特征表示，因此在此期間出現(xiàn)大量的手工特征以及多特征融合方法，常??見的如Ｈａａｒ［６（）］特征、ＨＯＧ特征及其改進、ＬＢＰ［５９］特征和ＩＳＳ［５８］特征，而這些特征多輸??入到ＳＶＭ和Ａｄａｂｏｏｓｔ分類器進行分類。如廣泛流行的ＨＯＧ＋ＳＶＭ方案，作為行人檢??測的經(jīng)典算法已被整合到ｏｐｅｎｃｖ中。??近年來隨著卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展，新提出的基于深度學習的行人檢測器??在檢測質(zhì)量上相比傳統(tǒng)方法都獲得了極大的進步。但這些方法都集中應(yīng)用于可見光圖像，??這就造成檢測中對環(huán)境的照明條件有著較髙的要求，而夜間或是惡劣天氣下的昏暗場景??明顯不適合使用可見光檢測。??Ｙａｎｇ［１３］通過

?華南理工大學工程碩士學位論文???而ＬＬＥ方法的目的則是在將髙維數(shù)據(jù)映射到低維空間后，其仍然保持這種線性關(guān)??系，即對映射后的數(shù)據(jù)；仍有：??ｘ［?＝?Ｏｉ１２ｘ＇２?＋?（〇１３Ｘ３?＋?〇）１４：ｘ４?（２－２）??基于這一思想，將局部的線性表述逐步轉(zhuǎn)化成全局的非線性表示整體流程如下所述：??對于輸入的《個數(shù)據(jù)組成的樣本集￡＞?＝?將其映射到ｄ維，首先尋??找每個樣本在歐氏距離意義上的ｋ個最近鄰。求解每個樣本的局部協(xié)方差矩陣：??Ｚｊ?＝?（ｘｔ?－?Ｘｊ）｛ｘｉ?－?ｘｊｆ?（２－３）??計算對應(yīng)的權(quán)重系數(shù)向量；??ｚ￣Ｈｋ?ｆ?、??ｉＫｉｆｃ?２－４??其中Ｕ表示元素全為１的向量，得到髙維的權(quán)重系數(shù)向量后，我們希望這些權(quán)重系??數(shù)對應(yīng)的線性關(guān)系在降維后的低維數(shù)據(jù)中保持，將所有《個數(shù)據(jù)的的權(quán)重系數(shù)向量組成??權(quán)重系數(shù)矩陣％并計算矩陣??Ｍ?＝?〇?－?Ｗ）（Ｉ?－?Ｗ）Ｔ?（２－５）??得到矩陣Ｍ后，計算矩陣的前辦１維特征值，并計算這辦１個特征值對應(yīng)的特征向??量（ｙｉ，ｙ２，ｙ３，ｙｄ＋１｝，使用第２至辦１個特征向量所組成的矩陣集為輸出低維樣本集。??／??圖２－１使用ＬＬＥ方法展開三維流形??２．２．２?Ｋ均值聚類算法??圖像聚類方法是對圖像進行定量分析，再把圖像劃分到某一種特征類別中以代替人??類對圖像的視覺判別，目的是使得類間的相似度盡量小，而類內(nèi)的相似度則盡量髙，本??１２??

【參考文獻】：
期刊論文
[1]基于后驗HOG特征的多姿態(tài)行人檢測[J]. 劉威,段成偉,遇冰,柴麗穎,袁淮,趙宏.  電子學報. 2015(02)



本文編號：3274576