基于圖像的行人檢測(cè)方法研究.doc
約31頁(yè)DOC格式手機(jī)打開展開
基于圖像的行人檢測(cè)方法研究,research on pedestrian detection method based on image 1.4萬(wàn)字31頁(yè)原創(chuàng)作品，已通過查重系統(tǒng)目錄摘 要2關(guān)鍵詞2第一章 前 言41.1行人檢測(cè)41.1.1研究背景和意義41.2行人檢測(cè)難點(diǎn)51.2.1外觀（身材、衣著）對(duì)行人檢測(cè)的影響5...
內(nèi)容介紹
此文檔由會(huì)員 已隔萬(wàn)里 發(fā)布
基于圖像的行人檢測(cè)方法研究
Research on pedestrian detection method based on image
1.4萬(wàn)字 31頁(yè) 原創(chuàng)作品，已通過查重系統(tǒng)
目錄
摘 要 2
關(guān)鍵詞 2
第一章 前 言 4
1.1行人檢測(cè) 4
1.1.1研究背景和意義 4
1.2行人檢測(cè)難點(diǎn) 5
1.2.1外觀（身材、衣著）對(duì)行人檢測(cè)的影響 5
1.2.2動(dòng)作對(duì)行人檢測(cè)的影響 6
1.2.3視角對(duì)行人檢測(cè)的影響 6
1.2.4行人的背景對(duì)行人檢測(cè)的影響 6
1.3本文的內(nèi)容安排 7
第二章 行人檢測(cè)方法 8
2.1國(guó)內(nèi)外研究現(xiàn)狀 8
2.1.1國(guó)外研究現(xiàn)狀 8
2.1.2國(guó)內(nèi)研究現(xiàn)狀 9
2.2基于紅外線圖像的行人檢測(cè)系統(tǒng) 10
2.3小結(jié) 11
第三章 梯度方向直方圖（HOG）原理 13
3.1HOG特征簡(jiǎn)介 13
3.2 HOG特征提取過程 13
第四章 支持向量機(jī)原理 17
4.1支持向量機(jī)簡(jiǎn)介 17
4.2線性支持向量機(jī) 17
4.3非線性支持向量機(jī) 19
第五章 基于SVM的行人檢測(cè)實(shí)現(xiàn)及結(jié)果 21
5.1 INRIA 行人庫(kù) 21
5.2實(shí)驗(yàn)過程 23
5.3實(shí)驗(yàn)結(jié)果分析 24
5.4實(shí)驗(yàn)效果圖 25
第六章 總結(jié)和展望 28
致謝信 28
參考文獻(xiàn) 29
Q95;
摘 要
隨著科學(xué)技術(shù)的日益進(jìn)步，汽車對(duì)人們?nèi)粘Ｉ顏碚f越來越重要。但是伴隨著汽車數(shù)量逐漸增加，交通事故發(fā)生的頻率也越加頻繁。行人安全已經(jīng)成為全世界關(guān)注的一個(gè)重要課題，減少甚至避免交通事故的發(fā)生是智能輔助駕駛系統(tǒng)研究的最終目標(biāo)之一，而行人檢測(cè)在系統(tǒng)中起著至關(guān)重要的作用。
在本文中設(shè)計(jì)行人檢測(cè)系統(tǒng)考慮到行人檢測(cè)的復(fù)雜性，把準(zhǔn)確性和魯棒性作為評(píng)價(jià)標(biāo)準(zhǔn)。系統(tǒng)分為三個(gè)模塊：特征提取模塊，分類器訓(xùn)練模塊，目標(biāo)分類模塊。特征提取模塊的主要目標(biāo)是從圖片中提取出可以顯著區(qū)別行人和非行人的特征。分類器訓(xùn)練模塊則基于這些特征訓(xùn)練一個(gè)具有較好泛化性能的分類器，目標(biāo)分類模塊將訓(xùn)練好的分類器應(yīng)用于未知場(chǎng)景下的行人檢測(cè)。具體地，本文提取行人庫(kù)中正負(fù)樣本的梯度直方圖（HOG）作為特性，并利用支持向量機(jī)（SVM）進(jìn)行訓(xùn)練，從而得到目標(biāo)分類中的分類面，為接下來的行人檢測(cè)奠定基礎(chǔ)。
實(shí)驗(yàn)表明，所設(shè)計(jì)的特征提取模塊對(duì)光照變化，行人的動(dòng)作、行人的外觀以及行人所處背景等問題具有良好的魯棒性。為測(cè)試行人檢測(cè)方法的性能，本文利用INRIA 行人庫(kù)，以使用更多的行人數(shù)據(jù)。根據(jù)當(dāng)前圖像中提取的方向梯度直方圖特征，利用訓(xùn)練好的分類器判定其是否是行人。本文提出的基于圖像的行人檢測(cè)方法提高了行人檢測(cè)的檢測(cè)精度、降低了誤檢率和漏檢率，同時(shí)在各種情況下取得良好的效果。
關(guān)鍵詞： 圖像行人檢測(cè) 方向梯度直方圖 支持向量機(jī)
Research on pedestrian detection method ba
1.4萬(wàn)字 31頁(yè) 原創(chuàng)作品，已通過查重系統(tǒng)
目錄
摘 要 2
關(guān)鍵詞 2
第一章 前 言 4
1.1行人檢測(cè) 4
1.1.1研究背景和意義 4
1.2行人檢測(cè)難點(diǎn) 5
1.2.1外觀（身材、衣著）對(duì)行人檢測(cè)的影響 5
1.2.2動(dòng)作對(duì)行人檢測(cè)的影響 6
1.2.3視角對(duì)行人檢測(cè)的影響 6
1.2.4行人的背景對(duì)行人檢測(cè)的影響 6
1.3本文的內(nèi)容安排 7
第二章 行人檢測(cè)方法 8
2.1國(guó)內(nèi)外研究現(xiàn)狀 8
2.1.1國(guó)外研究現(xiàn)狀 8
2.1.2國(guó)內(nèi)研究現(xiàn)狀 9
2.2基于紅外線圖像的行人檢測(cè)系統(tǒng) 10
2.3小結(jié) 11
第三章 梯度方向直方圖（HOG）原理 13
3.1HOG特征簡(jiǎn)介 13
3.2 HOG特征提取過程 13
第四章 支持向量機(jī)原理 17
4.1支持向量機(jī)簡(jiǎn)介 17
4.2線性支持向量機(jī) 17
4.3非線性支持向量機(jī) 19
第五章 基于SVM的行人檢測(cè)實(shí)現(xiàn)及結(jié)果 21
5.1 INRIA 行人庫(kù) 21
5.2實(shí)驗(yàn)過程 23
5.3實(shí)驗(yàn)結(jié)果分析 24
5.4實(shí)驗(yàn)效果圖 25
第六章 總結(jié)和展望 28
致謝信 28
參考文獻(xiàn) 29
Q95;
摘 要
隨著科學(xué)技術(shù)的日益進(jìn)步，汽車對(duì)人們?nèi)粘Ｉ顏碚f越來越重要。但是伴隨著汽車數(shù)量逐漸增加，交通事故發(fā)生的頻率也越加頻繁。行人安全已經(jīng)成為全世界關(guān)注的一個(gè)重要課題，減少甚至避免交通事故的發(fā)生是智能輔助駕駛系統(tǒng)研究的最終目標(biāo)之一，而行人檢測(cè)在系統(tǒng)中起著至關(guān)重要的作用。
在本文中設(shè)計(jì)行人檢測(cè)系統(tǒng)考慮到行人檢測(cè)的復(fù)雜性，把準(zhǔn)確性和魯棒性作為評(píng)價(jià)標(biāo)準(zhǔn)。系統(tǒng)分為三個(gè)模塊：特征提取模塊，分類器訓(xùn)練模塊，目標(biāo)分類模塊。特征提取模塊的主要目標(biāo)是從圖片中提取出可以顯著區(qū)別行人和非行人的特征。分類器訓(xùn)練模塊則基于這些特征訓(xùn)練一個(gè)具有較好泛化性能的分類器，目標(biāo)分類模塊將訓(xùn)練好的分類器應(yīng)用于未知場(chǎng)景下的行人檢測(cè)。具體地，本文提取行人庫(kù)中正負(fù)樣本的梯度直方圖（HOG）作為特性，并利用支持向量機(jī)（SVM）進(jìn)行訓(xùn)練，從而得到目標(biāo)分類中的分類面，為接下來的行人檢測(cè)奠定基礎(chǔ)。
實(shí)驗(yàn)表明，所設(shè)計(jì)的特征提取模塊對(duì)光照變化，行人的動(dòng)作、行人的外觀以及行人所處背景等問題具有良好的魯棒性。為測(cè)試行人檢測(cè)方法的性能，本文利用INRIA 行人庫(kù)，以使用更多的行人數(shù)據(jù)。根據(jù)當(dāng)前圖像中提取的方向梯度直方圖特征，利用訓(xùn)練好的分類器判定其是否是行人。本文提出的基于圖像的行人檢測(cè)方法提高了行人檢測(cè)的檢測(cè)精度、降低了誤檢率和漏檢率，同時(shí)在各種情況下取得良好的效果。
關(guān)鍵詞： 圖像行人檢測(cè) 方向梯度直方圖 支持向量機(jī)
