基于边缘特征的行人检测技术研究与实现

论文摘要

随着经济的迅速发展,汽车使用量迅速增加,虽然道路也随之不断扩展,道路交通负荷还是比较严重,交通事故发生频繁。由于道路交通事故中,行人在遭遇危险时避开车辆的能力较差,因此行人检测技术得到了汽车厂商和消费者的重视,行人检测能对道路中的行人的位置和运动方向等信息做出准确的检测和估计,判断车对行人的威胁性,警告系统在危险的情况下对驾驶员进行警告甚至做出紧急处理,从而避免交通事故的发生,避免碰撞行人,有效地提高城市交通的安全性。在分析传统算法的基础上,本文对基于视觉传感器的行人检测算法进行了研究和实现。首先,是行人候选区分割,根据行人的垂直边缘具有对称性的特点,本文设计了利,根据行人边缘对称性分割行人候选区的方法,此方法是对图像进行对称性测度,获取候选对称轴定位行人,并利用行人的边缘及宽高比约束等获取行人候选区。然后对行人候选区进行识别,本文采用SVM结合HOG特征来识别行人,即提取行人的HOG特征作为SVM分类器的输入,使用SVM分类器训练得到行人分类器以分类行人。为了进一步获取行人的信息,本文研究了传统的Mean-Shift目标跟踪算法,并对基于Mean-Shift的行人跟踪算法做了改进,即在跟踪过程中加入重定位的过程,根据预测区域的质心变化及利用帧差法的原理判断行人的运动特性以确定目标是否跟丢,对于跟丢的目标进行重新定位。这样跟踪算法的丢失率大大降低,并可以将部分行人识别过程中误识别的目标去除,将整个算法的识别率提高。实验结果表明,本文的基于边缘特征分割算法能很好的分割出道路上的行人候选区域,使用改进后的跟踪算法使跟踪和识别更为准确,同时算法具有较高的鲁棒性和较好的运行效率。

论文目录

• 摘要
• Abstract
• 目录
• 第1章 绪论
• 1.1 研究背景
• 1.2 国内外研究现状
• 1.2.1 国外研究现状
• 1.2.2 国内研究现状
• 1.3 行人检测的技术难点
• 1.4 本文的主要工作及结构安排
• 第2章 行人检测的相关技术
• 2.1 图像预处理
• 2.1.1 图像灰度化
• 2.1.2 图像去噪
• 2.1.3 边缘增强
• 2.1.4 形态学运算处理
• 2.2 行人分割相关技术
• 2.2.1 基于特征的方法
• 2.2.2 基于运动的方法
• 2.2.3 基于距离的方法
• 2.2.4 基于摄像机参数的方法
• 2.3 行人识别相关技术
• 2.3.1 基于运动的方法
• 2.3.2 基于形状的方法
• 2.3.3 基于统计学的方法
• 2.4 目标跟踪相关技术
• 2.4.1 基于区域的方法
• 2.4.2 基于特征的方法
• 2.4.3 基于模型的方法
• 2.5 行人检测系统的总体设计方案
• 2.6 本章小结
• 第3章 基于边缘特征的行人分割
• 3.1 图像预处理
• 3.1.1 行人特征假设
• 3.1.2 图像去噪
• 3.1.3 边缘增强
• 3.1.4 边缘提取
• 3.2 候选对称轴获取
• 3.2.1 图像对称性测度
• 3.2.2 候选对称轴获取
• 3.3 行人候选区获取
• 3.3.1 宽度的获取
• 3.3.2 底边的获取
• 3.3.3 高度的获取
• 3.4 本章小结
• 第4章 基于SVM的行人识别
• 4.1 支持向量机理论
• 4.1.1 统计学习理论
• 4.1.2 支持向量机
• 4.2 行人的特征
• 4.2.1 Harr特征
• 4.2.2 HOG特征
• 4.3 基于HOG特征的行人识别
• 4.3.1 样本选取
• 4.3.2 行人HOG特征的获取
• 4.3.3 SVM训练
• 4.4 本章小结
• 第5章 基于Mean-Shift的行人跟踪
• 5.1 Mean-Shift理论
• 5.1.1 无参密度估计
• 5.1.2 Mean-Shift向量
• 5.2 Mean-Shift目标跟踪算法
• 5.2.1 目标模型描述
• 5.2.2 候选模型描述
• 5.2.3 相似性函数
• 5.2.4 目标匹配
• 5.3 基于Mean-Shift的行人跟踪算法
• 5.3.1 传统Mean-Shift行人跟踪算法
• 5.3.2 改进的行人跟踪算法
• 5.4 本章小结
• 第6章 行人检测的仿真实验与评价
• 6.1 性能评价指标
• 6.2 算法流程
• 6.3 算法性能分析
• 6.4 本章小结
• 第7章 总结与展望
• 7.1 总结
• 7.2 展望
• 参考文献
• 致谢
• 攻读硕士期间发表的论文