基于机器学习的行人检测关键技术研究

行人检测是物体检测的重要分支,是近年来计算机视觉领域备受关注的前沿方向和研究热点。它在智能监控系统、驾驶员辅助系统、运动分析、高级人机接口等众多领域拥有广泛的应用前景。当前的主流研究方向是从机器学习出发,从大量的训练样本中自动抽取特征,建立人体模型,把行人检测问题化为一个模式分类的问题。 本文以Viola提出的boosted cascade算法以及Dalal提出的梯度直方图特征(hog)为基础,将两者有机地结合起来,应用到行人检测中。我们在多个方面进行了改进:首先,我们利用级联分类器代替支持向量机,大大提高了hog特征的计算速度。其二,我们将Dalal的hog特征与haar特征结合使用,弥补了haar特征在描述能力上的不足。我们还提出了shog特征来简化hog,减轻了特征的计算量。其三,我们使用实值boosting和查找表来取代stump,使弱分类器具有更强的描述能力。最后,为了将高维的hog特征更好地融合入adaboost算法,我们先用加权fisher判别来寻找投影方向,将hog特征降到一维,再用查找表来估计概率密度,大大缩短了训练时间并提高了检测精度。 通过这些改进,经实验证明我们的方法能够接近目前行人检测的领先水平。在误报率为1/10000时,我们算法的检测率在一个复杂的行人数据集Inria上可以达到86%。对于640X480的图片,我们的检测速度可以达到每秒2帧。同时,我们的训练时间只需要8个小时。