自然背景下的行人检测

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Kobi Levi, Yair Weiss提出的边缘方向直方图特征(EOH)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,对于原先只适用于较为简单的人脸检测中的EOH特征进行改进,弥补了其对于行人的对称性特征的描述能力不足的问题,其次,我们改进了Adaboost算法中对于样本权值调整的策略,减少了overfitting。 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90%。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。