本文關鍵詞： 行人檢測 卷積神經網絡 多卷積特征 HOG　出處：《計算機科學》2017年S2期 　論文類型：期刊論文

【摘要】：行人檢測是計算機視覺領域中的經典問題,HOG結合SVM的方法是解決這一問題的有效途徑,HOG對行人特征的有效描述起到了重要作用。卷積神經網絡(CNN)作為一種有效的特征提取方法,通過特征圖可以實現對特征更好的描述。提出將卷積神經網絡(CNN)與傳統(tǒng)的HOG+SVM算法相結合的方法。首先利用CNN在下采樣層中可以使用不同的卷積核對數據進行不同角度特征描述的特點,對樣本進行多角度淺層特征提取;然后用HOG對得到的淺層特征進行進一步的提取;最后采用支持向量機(SVM)完成訓練、分類。實驗表明,該方法對于行人檢測具有很高的識別率,優(yōu)于傳統(tǒng)方法。
[Abstract]:Pedestrian detection is a classical problem in the field of computer vision. Hog combined with SVM is an effective way to solve this problem. HOG plays an important role in the effective description of pedestrian features. Convolution neural network (CNN) is an effective feature extraction method. A better description of the feature can be realized by the feature graph. The convolution neural network (CNN) is proposed. The method of combining with the traditional HOG SVM algorithm. Firstly, using CNN in the lower sampling layer can use different convolution check data to describe different angle features. The multi-angle shallow feature extraction is carried out on the sample. Then the shallow features were extracted by HOG. Finally, support vector machine (SVM) is used to complete the training and classification. Experiments show that this method has a high recognition rate for pedestrian detection and is superior to the traditional method.
【作者單位】： 陸軍工程大學;
【基金】：國家973計劃資助項目(2009CB723803) 國家自然科學基金資助項目(60873120)資助
【分類號】：TP183;TP391.41
【正文快照】： 1引言行人檢測是計算機視覺中的一個重要課題,廣泛地應用于國防工程、公共安全防護、自動駕駛安全等領域,具有很大的研究意義。目前,常用的行人檢測方法有兩種:1)基于全局特征的行人檢測技術,其核心思想是將高維的行人圖像特征通過線性或者非線性變化映射到一個低維子空間中,

【相似文獻】

相關期刊論文 前10條

1 周佳敏;;基于部位組合HOG特征的行人檢測[J];科技視界;2014年13期

2 田仙仙;鮑泓;徐成;;一種改進HOG特征的行人檢測算法[J];計算機科學;2014年09期

3 劉鸞;黃文培;;基于多尺寸HOG的考場場景下考生目標檢測方法[J];計算機光盤軟件與應用;2014年04期

4 葉林;陳岳林;林景亮;;基于HOG的行人快速檢測[J];計算機工程;2010年22期

5 於東軍,趙海濤,楊靜宇;人臉識別:一種基于特征融合及神經網絡的方法(英文)[J];系統(tǒng)仿真學報;2005年05期

6 周斌;林喜榮;賈惠波;周永冠;;量化層多生物特征融合的最佳權值[J];清華大學學報(自然科學版);2008年02期

7 丁寶亮;;基于局部特征融合的人臉識別研究[J];中國新技術新產品;2012年14期

8 劉增榮;余雪麗;李志;;基于特征融合的圖像情感語義識別研究[J];太原理工大學學報;2012年05期

9 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質特征融合分類算法[J];電子技術與軟件工程;2013年02期

10 卞志國;金立左;費樹岷;;特征融合與視覺目標跟蹤[J];計算機應用研究;2010年04期

相關會議論文 前6條

1 劉冰;羅熊;劉華平;孫富春;;光學與深度特征融合在機器人場景定位中的應用[A];2013年中國智能自動化學術會議論文集（第三分冊）[C];2013年

2 翟懿奎;甘俊英;曾軍英;;基于特征融合與支持向量機的偽裝人臉識別[A];第六屆全國信號和智能信息處理與應用學術會議論文集[C];2012年

3 卞志國;金立左;費樹岷;;基于增量判別分析的特征融合與視覺目標跟蹤[A];2009年中國智能自動化會議論文集（第三分冊）[C];2009年

4 韓文靜;李海峰;韓紀慶;;基于長短時特征融合的語音情感識別方法研究[A];第九屆全國人機語音通訊學術會議論文集[C];2007年

5 高明;許芬;;基于HOG的視頻行人檢測[A];2009中國儀器儀表與測控技術大會論文集[C];2009年

6 孟凡潔;孔祥維;尤新剛;;基于特征融合的相機來源認證方法[A];全國第一屆信號處理學術會議暨中國高科技產業(yè)化研究會信號處理分會籌備工作委員會第三次工作會議專刊[C];2007年

相關博士學位論文 前5條

1 陳倩;多生物特征融合身份識別研究[D];浙江大學;2007年

2 蒲曉蓉;多模態(tài)生物特征融合的神經網絡方法[D];電子科技大學;2007年

3 王志芳;基于感知信息的多模態(tài)生物特征融合技術研究[D];哈爾濱工業(yè)大學;2009年

4 王楠;基于多視覺特征融合的后方車輛檢測技術研究[D];東北大學　;2009年

5 徐穎;基于特征融合與仿生模式的生物特征識別研究[D];華南理工大學;2013年

相關碩士學位論文 前10條

1 陳浩;基于中層語義特征表達的物體檢測方法研究[D];北京工業(yè)大學;2016年

2 魯寒凝;基于HOG特征的交通標志檢測與識別算法研究[D];長安大學;2015年

3 劉磊;基于HOG和粒子濾波的行人檢測與跟蹤[D];合肥工業(yè)大學;2015年

4 賈楚;基于改進HOG特征的行人檢測算法研究[D];燕山大學;2016年

5 劉文振;基于HOG特征的行人檢測系統(tǒng)的研究[D];南京郵電大學;2016年

6 王瀟宇;基于HOG的電梯乘客人臉檢測方法研究[D];沈陽建筑大學;2016年

7 符林清;采用HOG算子的行人檢測實時處理器的性能優(yōu)化[D];深圳大學;2016年

8 吳南;基于HOG特征的船舶識別跟蹤算法[D];大連海事大學;2017年

9 付艷紅;基于特征融合的人臉識別算法研究與實現[D];天津理工大學;2015年

10 許超;基于特征融合與壓縮感知的實木地板缺陷檢測方法研究[D];東北林業(yè)大學;2015年

，

本文編號：1490789