行人檢測(cè)一直是計(jì)算機(jī)視覺(jué)研究領(lǐng)域的一個(gè)熱點(diǎn)問(wèn)題,通過(guò)對(duì)檢測(cè)圖像或者視頻中的行人進(jìn)行分析和跟蹤,可以在某些方面實(shí)現(xiàn)自動(dòng)化管理和監(jiān)控。行人檢測(cè)在汽車(chē)安全、視覺(jué)監(jiān)控、自動(dòng)駕駛等實(shí)際應(yīng)用中具有很高的商用前景和實(shí)用價(jià)值。目前HOG+SVM在行人檢測(cè)中已經(jīng)取得了很大的成果,這給后面的研究者們提供了廣闊的思路,本研究主要是改進(jìn)相關(guān)算法,提高行人檢測(cè)的準(zhǔn)確性和識(shí)別率。支持向量機(jī)是一種常用的分類(lèi)方法,可以將向量形式的數(shù)據(jù)進(jìn)行分類(lèi)處理,只要能把輸入樣本轉(zhuǎn)為向量形式就可以使用SVM算法。但其采用向量處理的方式也存在一些不足,例如某些張量數(shù)據(jù)如圖像在轉(zhuǎn)為向量時(shí)會(huì)破壞張量?jī)?nèi)部的結(jié)構(gòu)信息,為此學(xué)者們提出支持張量機(jī)算法并取得了一些成果。經(jīng)過(guò)這些年的研究和發(fā)展,支持張量機(jī)逐漸變?yōu)椴捎脧埩緾P分解的方式處理張量數(shù)據(jù)。圖像本身屬于張量數(shù)據(jù),采用HOG特征提取后的特征其實(shí)是一個(gè)三階張量,如64*128大小的圖像其HOG特征為7*15*36的三階張量,采用SVM分類(lèi)算法時(shí)需要把張量轉(zhuǎn)為3780維向量。如果采用支持張量機(jī)算法則可以直接進(jìn)行分類(lèi)訓(xùn)練,理論上使用支持張量機(jī)算法應(yīng)該更具有優(yōu)勢(shì)。本文在前人的基礎(chǔ)上,一方面將HOG特征與... 

【文章來(lái)源】：大連理工大學(xué)遼寧省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：61 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 行人檢測(cè)研究難點(diǎn)
        1.3.1 衣著差異
        1.3.2 光線明亮
        1.3.3 動(dòng)作姿勢(shì)
        1.3.4 背景復(fù)雜
        1.3.5 行人遮擋
        1.3.6 視角不同
        1.3.7 尺度大小
    1.4 本文主要研究?jī)?nèi)容與章節(jié)安排
2 行人檢測(cè)基本理論分析和推導(dǎo)
    2.1 HOG特征算法
        2.1.1 HOG特征
        2.1.2 HOG特征計(jì)算流程
        2.1.3 標(biāo)準(zhǔn)化gamma空間和顏色空間
        2.1.4 梯度的計(jì)算
        2.1.5 空間以及方向上的梯度統(tǒng)計(jì)
        2.1.6 塊內(nèi)梯度直方圖歸一化
        2.1.7 最終hog特征的生成
    2.2 SVM支持向量機(jī)
        2.2.1 支持向量機(jī)
        2.2.2 線性軟間隔支持向量機(jī)模型
        2.2.3 核函數(shù)與非線性支持向量機(jī)模型
    2.3 本章小結(jié)
3 STM支持張量機(jī)建模與設(shè)計(jì)
    3.1 張量的概念
    3.2 張量的定義與運(yùn)算
    3.3 支持張量機(jī)模型推導(dǎo)
    3.4 改進(jìn)的基于Tucker分解的STM算法
        3.4.1 基于Tucker分解的STM模型
        3.4.2 核張量G的選擇
        3.4.3 STM的算法與步驟
    3.5 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
4 基于HOG與改進(jìn)的STM的行人檢測(cè)算法
    4.1 HOG與 STM相結(jié)合
    4.2 行人檢測(cè)基本流程
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 實(shí)驗(yàn)條件
        4.3.2 實(shí)驗(yàn)數(shù)據(jù)
        4.3.3 實(shí)驗(yàn)性能評(píng)價(jià)指標(biāo)
        4.3.4 實(shí)驗(yàn)結(jié)果
    4.4 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表學(xué)術(shù)論文情況
致謝


【參考文獻(xiàn)】：
期刊論文
[1]最小二乘半監(jiān)督支持張量機(jī)學(xué)習(xí)算法[J]. 陸成韜,李凡長(zhǎng),張莉,張召.  模式識(shí)別與人工智能. 2016(07)
[2]基于感興趣區(qū)梯度方向直方圖的行人檢測(cè)[J]. 曾春,李曉華,周激流.  計(jì)算機(jī)工程. 2009(24)
[3]行人交通的視頻檢測(cè)方法綜述[J]. 邵春福,李娟,趙熠,董春嬌.  交通運(yùn)輸系統(tǒng)工程與信息. 2008(04)
[4]車(chē)輛輔助駕駛系統(tǒng)中基于計(jì)算機(jī)視覺(jué)的行人檢測(cè)研究綜述[J]. 賈慧星,章毓晉.  自動(dòng)化學(xué)報(bào). 2007(01)

博士論文
[1]基于張量數(shù)據(jù)的機(jī)器學(xué)習(xí)方法研究與應(yīng)用[D]. 楊兵.中國(guó)農(nóng)業(yè)大學(xué) 2014

碩士論文
[1]行人檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 高磊.華僑大學(xué) 2018
[2]基于HOG特征提取的車(chē)輛檢測(cè)方法研究[D]. 劉家旭.華北電力大學(xué) 2017
[3]基于HOG特征的行人檢測(cè)系統(tǒng)的研究[D]. 劉文振.南京郵電大學(xué) 2016
[4]復(fù)雜環(huán)境下的行人檢測(cè)[D]. 張宇.電子科技大學(xué) 2016
[5]基于特征融合和運(yùn)動(dòng)信息的行人檢測(cè)算法的研究[D]. 趙緯龍.西安電子科技大學(xué) 2014
[6]模糊支持張量機(jī)[D]. 蔡燕.華南理工大學(xué) 2014
[7]基于Rough集理論改進(jìn)的HOG特征行人檢測(cè)[D]. 周鑫.南昌大學(xué) 2012
[8]智能視頻監(jiān)控中的行人檢測(cè)與跟蹤方法研究[D]. 鄒依峰.中國(guó)科學(xué)技術(shù)大學(xué) 2011



本文編號(hào)：3137720