学位论文 > 优秀研究生学位论文题录展示

基于具有区分度的配对比较特征的行人识别及优化

作　者: 刘维巍
导　师: 徐向华
学　校: 杭州电子科技大学
专　业: 计算机系统结构
关键词: 行人识别多特征融合启发式学习模拟退火 adaBoost 级联分类器
分类号: TP391.41
类　型: 硕士论文
年　份: 2014年
下　载: 4次
引　用: 0次
阅　读: 论文下载

内容摘要

随着信息化技术的不断提高，人们对交通设施以及汽车安全性能的要求也随之提高，智能交通就是在此的环境催生之下产生并发展的。为了提高车辆的主动安全性，在车辆上安装行车辅助系统保护汽车与行人的方法得到广泛应用，而本文将针对辅助驾驶中前方行人预警，提出高性能的检测与优化算法。本文的主要工作如下：1、行人检测的特征抽取部分，针对梯度直方图无法表达像素在空间的分布情况以及特征向量维数过高的缺点，受到来自动物视觉系统同时使用色彩与梯度两种模式进行对比这一现象的启发，引入了一种基于成对图像块的灰度与梯度差值的对比的特征。与先前工作中对目标物体的单一信息进行描述不同，此模型找到了一种体现颜色与梯度方向之间共生关系的配对比较特征模型。2、针对配对比较特征的特征池规模巨大，穷尽搜索产生较大时间消耗这一问题。本文将提出一种对这一特征抽取算法的改进的启发式搜索算法与实现。我们使用启发式学习的方法，利用先验知识改进待提取特征的搜索过程。受启发于的先前工作，将每个特征的实际区分度先转化为对样本进行分类的离散程度，并提出了这一启发函数的具体形式，最后一轮训练在更加优秀的特征池中进行穷尽搜索，指数级的缩短了特征搜索时间。3、为了摆脱启发式搜索算法趋于局部最优解这一缺点，本文进一步提出了一种由模拟退火算法模块与启发式增长的特征选择模块组合而成的协作学习方法，在加快特征学习的速度的同时也优化了学习结果。然后将初始温度的自反馈调节模型使用到用于物体检测的层叠分类器中，以适应Adaboost算法中样本权重不断变化的情况，使得退火过程趋于稳定。实验在多个困难样本中显示了检测精度的显著提高与计算效率的明显提升。上述研究已在科研实践中取得良好效果，可泛化到物体识别的各个应用领域，为将来机器视觉领域的物体识别技术奠定理论基础。

全文目录

摘要  5-6
ABSTRACT  6-8
目录  8-10
第一章绪论  10-20
  1.1 研究背景和意义  10-11
  1.2 行人识别与追踪相关工作  11-18
    1.2.1 行人识别国内外研究现状  11-12
    1.2.2 基于运动信息的前景分割  12-15
    1.2.3 基于统计学习的识别分类  15-17
      1.2.3.1 基于整个人体的人体检测系统  16
      1.2.3.2 基于人体部位的人体检测系统  16-17
    1.2.4 常用基于统计模式识别的相关算法  17-18
  1.3 行人检测方法的对比与不足  18-19
  1.4 论文组织结构  19-20
第二章图像特征抽取与方法选择  20-26
  2.1 数字图像处理基础  20-22
  2.2 目标图像特征抽取  22-23
    2.2.1 几何形状特征抽取  22-23
    2.2.2 形状描述与统计特征  23
  2.3 面向行人检测的特征提取与选择方法  23-26
    2.3.1 面向模板匹配的行人检测特征处理方法  23-24
    2.3.2 面向分类技术行人检测的特征处理方法  24-26
第三章本文分类器模型及使用的特征设计  26-31
  3.1 本文使用分类器模型描述  26-27
    3.1.1 不同 Adaboost  26
    3.1.2 本文使用的 RealAdaboost 模型  26-27
  3.2 本文的特征设计  27-31
    3.2.1 常见的基于灰度的特征  27-29
    3.2.2 本文所使用的特征及弱分类器的框架  29-31
第四章配对比较特征与启发式学习的应用  31-43
  4.1 配对比较特征模型及描述  31-37
    4.1.1 相关联的配对比较特征相关工作  31-32
    4.1.2 配对比较特征  32-34
      4.1.2.1 粒度空间  32-33
      4.1.2.2 色彩的配对比较  33
      4.1.2.3 梯度的配对比较  33-34
    4.1.3 具有共生关系的配对比较特征  34-35
    4.1.4 特征的改进以及距离相关概念  35-37
  4.2 启发式学习及其在特征选取中的运用  37-39
    4.2.1 启发式学习算法  37
    4.2.2 启发式学习的在特征增长模型中的应用  37-38
    4.2.3 特征设置与阈值选取  38-39
  4.3 实验结果  39-43
第五章模拟退火模块与启发学习模块的结合  43-51
  5.1 模拟退火算法  43-45
  5.2 模拟退火在增值特征模型中的使用  45-47
    5.2.1 将模拟退火算法使用于增值特征抽取模型  45-46
    5.2.2 初始温度的动态调整  46-47
  5.3 实验结果  47-51
第六章结论与展望  51-54
  6.1 研究工作总结  51
  6.2 进一步工作及展望  51-54
致谢  54-55
参考文献  55-59
附录  59

基于具有区分度的配对比较特征的行人识别及优化

内容摘要

全文目录

相似论文