發(fā)布時(shí)間：2021-05-11 13:37

　　行人檢測(cè)作為計(jì)算機(jī)視覺領(lǐng)域的重要分支,已經(jīng)廣泛應(yīng)用于智能交通控制系統(tǒng)、高級(jí)駕駛輔助系統(tǒng)、姿態(tài)估計(jì)等領(lǐng)域,同時(shí),行人檢測(cè)面臨著行人外觀多變、背景環(huán)境復(fù)雜等諸多難題,行人檢測(cè)現(xiàn)今成為一個(gè)極具研究?jī)r(jià)值且具有挑戰(zhàn)性的熱點(diǎn)。本文在研究基于統(tǒng)計(jì)學(xué)習(xí)的行人檢測(cè)方法基礎(chǔ)上,著重分析基于HOG特征與SVM分類器的行人檢測(cè)方法,并在此基礎(chǔ)上,針對(duì)單一特征和分類器分類過(guò)擬合造成準(zhǔn)確率不高的問(wèn)題,提出一種基于特征融合與聚合SVM分類器的行人檢測(cè)方法。本文的主要研究工作如下:1.基于SVM分類器的行人檢測(cè)采用欠采樣方法,存在正負(fù)行人比例不平衡,造成準(zhǔn)確率不高,對(duì)此提出一種改進(jìn)的聚合支持向量機(jī)（Ensemble SVM）分類器行人檢測(cè)方法。該方法結(jié)合欠采樣SVM分類器的兩次訓(xùn)練機(jī)制和EasyEnsemble的分治策略:首先,隨機(jī)選擇負(fù)樣本作為初始訓(xùn)練樣本,并將其劃分為與正樣本集均衡的多個(gè)子負(fù)樣本集,構(gòu)建平衡子訓(xùn)練集,線性組合成EasyEnsemble SVM分類器;然后利用該分類器對(duì)負(fù)樣本進(jìn)行分類判斷,將誤判樣本作為難例樣本,重新劃分構(gòu)建新的平衡子訓(xùn)練集,訓(xùn)練子分類器,結(jié)合EasyEnsemble SVM分類器,... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：58 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
abstract
第1章 緒論
    1.1 研究背景及意義
    1.2 行人檢測(cè)研究現(xiàn)狀及難點(diǎn)
        1.2.1 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 研究難點(diǎn)
    1.3 本文研究?jī)?nèi)容和組織結(jié)構(gòu)
        1.3.1 主要研究?jī)?nèi)容
        1.3.2 論文組織結(jié)構(gòu)
第2章 行人檢測(cè)的相關(guān)技術(shù)介紹
    2.1 行人檢測(cè)的基本框架
    2.2 行人檢測(cè)的常用方法
        2.2.1 行人檢測(cè)方法分類
        2.2.2 基于運(yùn)動(dòng)檢測(cè)的行人檢測(cè)方法
        2.2.3 基于靜態(tài)圖像的行人檢測(cè)方法
    2.3 基于統(tǒng)計(jì)學(xué)習(xí)的行人檢測(cè)關(guān)鍵技術(shù)
        2.3.1 HOG特征
        2.3.2 SVM分類器
    2.4 行人檢測(cè)數(shù)據(jù)集和評(píng)價(jià)指標(biāo)
        2.4.1 行人檢測(cè)數(shù)據(jù)集
        2.4.2 評(píng)價(jià)指標(biāo)
    2.5 本章小結(jié)
第3章 基于聚合SVM行人檢測(cè)方法的改進(jìn)
    3.1 SVM對(duì)不平衡數(shù)據(jù)問(wèn)題的解決策略
    3.2 基于欠采樣SVM的行人檢測(cè)算法
        3.2.1 欠采樣方法
        3.2.2 欠采樣SVM的行人檢測(cè)方法
    3.3 改進(jìn)算法的原理及流程
        3.3.1 EasyEnsemble SVM分類器
        3.3.2 Ensemble SVM分類器
        3.3.3 改進(jìn)算法的流程
    3.4 實(shí)驗(yàn)與結(jié)果分析
        3.4.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.4.2 分類器核函數(shù)的選擇及數(shù)據(jù)準(zhǔn)備
        3.4.3 改進(jìn)算法的實(shí)驗(yàn)結(jié)果及對(duì)比分析
    3.5 本章小結(jié)
第4章 基于特征融合的行人檢測(cè)方法的改進(jìn)
    4.1 HOG特征與Gabor特征的融合
        4.1.1 Gabor紋理特征
        4.1.2 融合策略
    4.2 遮擋數(shù)據(jù)集的處理
        4.2.1 隨機(jī)噪聲的遮擋數(shù)據(jù)集
        4.2.2 實(shí)際物體的遮擋數(shù)據(jù)集
    4.3 改進(jìn)算法的流程
    4.4 實(shí)驗(yàn)與結(jié)果分析
        4.4.1 基于隨機(jī)噪聲數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果
        4.4.2 基于實(shí)際遮擋數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果
        4.4.3 改進(jìn)算法的實(shí)驗(yàn)結(jié)果及對(duì)比分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 主要工作與創(chuàng)新點(diǎn)
    5.2 后續(xù)研究工作展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間從事的科研工作及取得的成果


【參考文獻(xiàn)】：
期刊論文
[1]基于特征融合的行人檢測(cè)技術(shù)[J]. 徐琳,張明.  計(jì)算機(jī)系統(tǒng)應(yīng)用. 2015(10)
[2]多部件驗(yàn)證的雙層行人檢測(cè)算法[J]. 譚飛剛,劉偉銘.  華南理工大學(xué)學(xué)報(bào)(自然科學(xué)版). 2015(01)
[3]基于流形學(xué)習(xí)的異常檢測(cè)算法研究[J]. 劉凱偉,張冬梅.  計(jì)算機(jī)工程與應(yīng)用. 2013(13)
[4]行人檢測(cè)技術(shù)綜述[J]. 蘇松志,李紹滋,陳淑媛,蔡國(guó)榕,吳云東.  電子學(xué)報(bào). 2012(04)
[5]行人檢測(cè)系統(tǒng)研究新進(jìn)展及關(guān)鍵技術(shù)展望[J]. 許言午,曹先彬,喬紅.  電子學(xué)報(bào). 2008(05)
[6]基于視覺的人的運(yùn)動(dòng)識(shí)別綜述[J]. 杜友田,陳峰,徐文立,李永彬.  電子學(xué)報(bào). 2007(01)
[7]車輛輔助駕駛系統(tǒng)中基于計(jì)算機(jī)視覺的行人檢測(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]紋理圖像特征提取與分類研究[D]. 許文韜.華東師范大學(xué) 2017
[2]基于淺層學(xué)習(xí)引導(dǎo)深度學(xué)習(xí)的行人檢測(cè)[D]. 劉弋鋒.武漢大學(xué) 2016
[3]不均衡數(shù)據(jù)分類方法的研究[D]. 曹鵬.東北大學(xué) 2014

碩士論文
[1]基于Gabor小波和SVM的人臉識(shí)別算法研究[D]. 葉超.中北大學(xué) 2014
[2]基于視覺的特征提取及行人檢測(cè)[D]. 王磊.武漢理工大學(xué) 2013



本文編號(hào)：3181498