学位论文 > 优秀研究生学位论文题录展示

智能交通行人检测系统的分类技术研究

作　者: 樊龙夫
导　师: 乔红；周荷琴
学　校: 中国科学技术大学
专　业: 模式识别与智能系统
关键词: 行人检测特征选择 Boosting 支持向量机树状组合分类器训练过程优化
分类号: TP274.4
类　型: 硕士论文
年　份: 2010年
下　载: 313次
引　用: 2次
阅　读: 论文下载

内容摘要

智能交通的行人检测系统是指通过汽车上动态的视觉传感器,对汽车视觉范围内的行人进行检测,从而在对行人运动理解的基础上,采取一定的措施,达到辅助驾驶甚至自动驾驶的功能的一个系统。行人检测技术是智能交通的重要组成部分,是一门交叉了多种学科和多种系统的综合技术,包括传感器系统,硬件计算系统,智能系统等一系列因素。着重于找到一种更好的分类方法,本文调研了特征提取和分类技术的发展,分析了现有方法的不足及其原因,总结了行人检测的研究现状,在分类方法上提出了改进的思路。传统的分类器和组合方法在行人检测中都遇到了各自的缺陷,SVM分类方法在模式识别的很多领域被广泛应用,但是由于其计算代价大而使得其在行人检测中没有得到充分的利用。特征选择在模式分类中扮演了一个重要的角色。它的目标是尽可能多地将不相关特征排除在外,同时,得到区分度大的特征子集。那些信息量小的特征的存在,不仅使得学习算法表现不佳,而且会掩盖数据背后重要的本质信息。随着新兴技术的发展,在很多领域数据集变得越来越大,很多不相关特征通常会出现在这样的数据集中,使得传统的学习算法遇到了巨大的挑战,尤其在效率和推广性方面。于是,一种可以从数据集中消除冗余和非相关信息的算法变得十分必要。本文提出利用基于boosting策略的特征选择方法,通过基于核空间的距离评价函数,采用前向分步搜索方法,为核向量机(CVM)分类器选择特征子集。实验结果显示,这种方法和非boosting策略,以及其他评价方法相比,能给分类器带来更优的特征。组合分类方法是行人检测中常用的方法,但是无论是串联还是并联的方法,甚至串联和并联相结合的方法,都在行人检测中遇到了挑战。树状组合分类器被认为是一种结合了并联和串联二者优点的组合分类方法,本文在引入树状组合分类器的基础上,对训练过程进行了优化,其中包括对负样本选择和对正样本划分的优化,达到了很好的效果。实验证明结合非平衡SVM和组合分类器的方法用于进一步过滤负实例是十分有效的。

全文目录

摘要  4-5
ABSTRACT  5-9
第1章绪论  9-16
  1.1 研究背景  9
  1.2 行人检测系统简介  9-13
    1.2.1 行人检测系统框架  9-10
    1.2.2 传感器  10
    1.2.3 分类算法  10-12
    1.2.4 系统评价标准  12-13
  1.3 本文工作及结构简述  13-16
    1.3.1 本文的工作介绍  13-14
    1.3.2 本文工作的创新之处  14
    1.3.3 本文的组织结构  14-16
第2章智能交通的行人检测系统现状  16-33
  2.1 PDS 研究现状  16-18
    2.1.1 国内外主要研究机构  16
    2.1.2 国外典型的车载原型系统  16-18
  2.2 行人检测技术研究方法  18-21
    2.2.1 模型方法  18-19
    2.2.2 形状轮廓的方法  19-20
    2.2.3 立体视觉的方法  20
    2.2.4 多传感器融合方法  20-21
  2.3 特征提取和分类技术在行人检测技术中的研究现状  21-30
    2.3.1 特征提取方法  21-29
    2.3.2 分类器  29-30
    2.3.3 多分类器联合检测  30
  2.4 行人检测中现有特征提取和分类技术的不足  30-32
    2.4.1 特征提取方法  30-31
    2.4.2 分类技术  31
    2.4.3 特征选择方法  31-32
  2.5 本章小结  32-33
第3章面向支持向量机的Boosting 特征选择方法  33-43
  3.1 特征选择的必要性  33-34
  3.2 特征选择研究背景  34-35
    3.2.1 搜索策略  34-35
    3.2.2 评估策略  35
  3.3 Boosting 策略方法介绍  35-40
    3.3.1 Boosting 策略  35-36
    3.3.2 Core Vector Machine（CVM）  36-38
    3.3.3 Boosting 为SVM 选取特征的过程  38
    3.3.4 预处理和数据归一化  38-39
    3.3.5 核空间上的评价函数  39-40
  3.4 实验和结果  40-42
    3.4.1 使用基于核空间距离和基于欧式距离的估价函数的对比  40-41
    3.4.2 使用boosting 和非boosting 的分类对比  41-42
  3.5 本章结论  42-43
第4章利用组合分类器进行行人检测  43-56
  4.1 针对行人检测设计分类器的特点  43-44
  4.2 组合分类器应用背景  44-45
  4.3 基本分类器  45-47
    4.3.1 提升方法和Adaboost  45-46
    4.3.2 样本非平衡CVM 方法  46-47
  4.4 树状分类组合性能分析和训练过程优化  47-52
    4.4.1 树状组合分类器的性能分析  47-49
    4.4.2 负样本采用的优化方法  49
    4.4.3 将正样本分成两个平衡和独立子集的优化方法  49-50
    4.4.4 树状组合分类器的训练流程  50-52
  4.5 组合分类器在行人检测中的应用  52-55
    4.5.1 双层组合分类器结构  52
    4.5.2 实验和结果  52-55
  4.6 本章小结  55-56
第5章结束语  56-58
  5.1 本文的工作总结  56-57
  5.2 进一步研究展望  57-58
参考文献  58-62
攻读学位期间成果  62-63
致谢  63

智能交通行人检测系统的分类技术研究

内容摘要

全文目录

相似论文