【摘要】：計(jì)算機(jī)視覺中,無論是對(duì)圖片分類,還是目標(biāo)的識(shí)別和跟蹤,傳統(tǒng)的方法都需要根據(jù)特征訓(xùn)練特定的分類器對(duì)輸入圖像進(jìn)行滑動(dòng)窗口掃描。這會(huì)產(chǎn)生大量的建議窗口,并通過分類器對(duì)窗口進(jìn)行評(píng)估,才能達(dá)到檢測(cè)識(shí)別的目的。降低分類器評(píng)估建議窗口的數(shù)量,對(duì)提升目標(biāo)檢測(cè)和識(shí)別的速度是尤為重要的。針對(duì)這一問題,本文對(duì)顯著性檢測(cè)領(lǐng)域中似物性方法和傳統(tǒng)行人識(shí)別進(jìn)行了深入的研究,提出了一種基于CBING和Chn Ftrs的快速行人檢測(cè)方法。本文主要貢獻(xiàn)有如下3個(gè)方面:1.提出了一種改進(jìn)的對(duì)象建議生成方法CBING,可以高效的給出可能包含物體的建議窗口,減少下一階段精確行人檢測(cè)的檢測(cè)區(qū)域。在CBING方法中,結(jié)合BING算法的思想,找到了更能區(qū)分物體與非物體的Candy邊緣特征。為了結(jié)合原方法的NG特征,提出級(jí)聯(lián)二級(jí)SVM的訓(xùn)練方式,有效結(jié)合了兩種特征的優(yōu)點(diǎn),實(shí)現(xiàn)了性能的改進(jìn)。在正負(fù)樣本提取階段,優(yōu)化了一種負(fù)樣本提取算法,能有效的提升了正負(fù)樣本的差異,降低負(fù)樣本特征的冗余,同時(shí)著重補(bǔ)充行人正樣本庫,對(duì)行人類別樣本進(jìn)行多尺度采樣,使CBING算法作為后續(xù)行人檢測(cè)的預(yù)處理階段對(duì)行人有更好的識(shí)別性。2.改進(jìn)了Chn Ftrs算法。通過研究發(fā)現(xiàn)Haar-like能很好的體現(xiàn)行人身體接合部位的特征,并把Haar-like特征融合到Chn Ftrs的積分通道中。通過實(shí)驗(yàn)證實(shí)了該改進(jìn)可以有效提高行人檢測(cè)算法的魯棒性。3.基于CBING和改進(jìn)Chn Ftrs,提出了完整的行人檢測(cè)方法流程。把CBING方法作為行人識(shí)別的預(yù)處理階段,將其產(chǎn)生的對(duì)象建議窗口作為可能出現(xiàn)行人的區(qū)域交給改進(jìn)的Chn Ftrs+Adaboost進(jìn)行精確的識(shí)別,并在INRIA數(shù)據(jù)庫和自建的道路行人數(shù)據(jù)庫下進(jìn)行試驗(yàn)。實(shí)驗(yàn)結(jié)果證明,CBING方法提出的建議窗口,無論是在DR(探測(cè)率)和MABO(探測(cè)精度)上相對(duì)于BING方法和其它主流似物性檢測(cè)方法都有顯著提高�；贑BING和改進(jìn)Chn Ftrs結(jié)合的快速行人檢測(cè)方法,在保證Chn Ftrs行人識(shí)別性能的同時(shí),極大的提高了行人檢測(cè)的速度。
【學(xué)位授予單位】：吉林大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)碩士學(xué)位論文 前1條

1 李小宇;基于CBING和ChnFtrs的快速行人檢測(cè)方法[D];吉林大學(xué);2017年

，

本文編號(hào)：2569755