本文關(guān)鍵詞： 行人檢測(cè) 卷積神經(jīng)網(wǎng)絡(luò) 多卷積特征 HOG　出處：《計(jì)算機(jī)科學(xué)》2017年S2期 　論文類型：期刊論文

【摘要】：行人檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域中的經(jīng)典問題,HOG結(jié)合SVM的方法是解決這一問題的有效途徑,HOG對(duì)行人特征的有效描述起到了重要作用。卷積神經(jīng)網(wǎng)絡(luò)(CNN)作為一種有效的特征提取方法,通過特征圖可以實(shí)現(xiàn)對(duì)特征更好的描述。提出將卷積神經(jīng)網(wǎng)絡(luò)(CNN)與傳統(tǒng)的HOG+SVM算法相結(jié)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(duì)數(shù)據(jù)進(jìn)行不同角度特征描述的特點(diǎn),對(duì)樣本進(jìn)行多角度淺層特征提取;然后用HOG對(duì)得到的淺層特征進(jìn)行進(jìn)一步的提取;最后采用支持向量機(jī)(SVM)完成訓(xùn)練、分類。實(shí)驗(yàn)表明,該方法對(duì)于行人檢測(cè)具有很高的識(shí)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(xué);
【基金】：國(guó)家973計(jì)劃資助項(xiàng)目(2009CB723803) 國(guó)家自然科學(xué)基金資助項(xiàng)目(60873120)資助
【分類號(hào)】：TP183;TP391.41
【正文快照】： 1引言行人檢測(cè)是計(jì)算機(jī)視覺中的一個(gè)重要課題,廣泛地應(yīng)用于國(guó)防工程、公共安全防護(hù)、自動(dòng)駕駛安全等領(lǐng)域,具有很大的研究意義。目前,常用的行人檢測(cè)方法有兩種:1)基于全局特征的行人檢測(cè)技術(shù),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(gè)低維子空間中,

【相似文獻(xiàn)】

相關(guān)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(cè)[J];科技視界;2014年13期

2 田仙仙;鮑泓;徐成;;一種改進(jìn)HOG特征的行人檢測(cè)算法[J];計(jì)算機(jī)科學(xué);2014年09期

3 劉鸞;黃文培;;基于多尺寸HOG的考場(chǎng)場(chǎng)景下考生目標(biāo)檢測(cè)方法[J];計(jì)算機(jī)光盤軟件與應(yīng)用;2014年04期

4 葉林;陳岳林;林景亮;;基于HOG的行人快速檢測(cè)[J];計(jì)算機(jī)工程;2010年22期

5 於東軍,趙海濤,楊靜宇;人臉識(shí)別:一種基于特征融合及神經(jīng)網(wǎng)絡(luò)的方法(英文)[J];系統(tǒng)仿真學(xué)報(bào);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(quán)值[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2008年02期

7 丁寶亮;;基于局部特征融合的人臉識(shí)別研究[J];中國(guó)新技術(shù)新產(chǎn)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(shí)別研究[J];太原理工大學(xué)學(xué)報(bào);2012年05期

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

10 卞志國(guó);金立左;費(fèi)樹岷;;特征融合與視覺目標(biāo)跟蹤[J];計(jì)算機(jī)應(yīng)用研究;2010年04期

相關(guān)會(huì)議論文 前6條

1 劉冰;羅熊;劉華平;孫富春;;光學(xué)與深度特征融合在機(jī)器人場(chǎng)景定位中的應(yīng)用[A];2013年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（第三分冊(cè)）[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(jī)的偽裝人臉識(shí)別[A];第六屆全國(guó)信號(hào)和智能信息處理與應(yīng)用學(xué)術(shù)會(huì)議論文集[C];2012年

3 卞志國(guó);金立左;費(fèi)樹岷;;基于增量判別分析的特征融合與視覺目標(biāo)跟蹤[A];2009年中國(guó)智能自動(dòng)化會(huì)議論文集（第三分冊(cè)）[C];2009年

4 韓文靜;李海峰;韓紀(jì)慶;;基于長(zhǎng)短時(shí)特征融合的語音情感識(shí)別方法研究[A];第九屆全國(guó)人機(jī)語音通訊學(xué)術(shù)會(huì)議論文集[C];2007年

5 高明;許芬;;基于HOG的視頻行人檢測(cè)[A];2009中國(guó)儀器儀表與測(cè)控技術(shù)大會(huì)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(jī)來源認(rèn)證方法[A];全國(guó)第一屆信號(hào)處理學(xué)術(shù)會(huì)議暨中國(guó)高科技產(chǎn)業(yè)化研究會(huì)信號(hào)處理分會(huì)籌備工作委員會(huì)第三次工作會(huì)議專刊[C];2007年

相關(guān)博士學(xué)位論文 前5條

1 陳倩;多生物特征融合身份識(shí)別研究[D];浙江大學(xué);2007年

2 蒲曉蓉;多模態(tài)生物特征融合的神經(jīng)網(wǎng)絡(luò)方法[D];電子科技大學(xué);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(shù)研究[D];哈爾濱工業(yè)大學(xué);2009年

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

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

相關(guān)碩士學(xué)位論文 前10條

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

2 魯寒凝;基于HOG特征的交通標(biāo)志檢測(cè)與識(shí)別算法研究[D];長(zhǎng)安大學(xué);2015年

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

4 賈楚;基于改進(jìn)HOG特征的行人檢測(cè)算法研究[D];燕山大學(xué);2016年

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

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

7 符林清;采用HOG算子的行人檢測(cè)實(shí)時(shí)處理器的性能優(yōu)化[D];深圳大學(xué);2016年

8 吳南;基于HOG特征的船舶識(shí)別跟蹤算法[D];大連海事大學(xué);2017年

9 付艷紅;基于特征融合的人臉識(shí)別算法研究與實(shí)現(xiàn)[D];天津理工大學(xué);2015年

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

，

本文編號(hào)：1490789