行人檢測方法研究

1緒論1.1研究背景在信息高速發(fā)展的今天，幾乎全部領(lǐng)域都離不開計算機，在滿足人們的習(xí)慣方式和生活習(xí)慣下，讓計算機進行較好的通信，是計算機智能的一種必備的條件。其中，計算機智能視覺是其應(yīng)用的重要方向，它是研究使用多個成像輸入設(shè)備替代人類視覺器官的領(lǐng)域叫智能視覺，并使用智能設(shè)備來替代人們完畢識別和分析。讓智能設(shè)備能夠像人類同樣觀察和理解是人們研究計算機視覺，并且智能設(shè)備還能隨著環(huán)境的變化而做出對應(yīng)的變化。行人檢測是計算機視覺的一種具體體現(xiàn)形式，并應(yīng)用在下列方面：智能監(jiān)控現(xiàn)在，為了避免財產(chǎn)安全和留下有效的證據(jù)，大部分的公眾場合都裝備了攝像監(jiān)控設(shè)備。但是，這些監(jiān)控設(shè)備大部分還是有專人進行的查看的，這會造成下列問題的出現(xiàn)，首先長時間的監(jiān)控，監(jiān)控人員很可能出現(xiàn)疲倦，可能造成某些重要信息的遺漏，另首先不能充足的把監(jiān)控信息運用起來。然而人工的局限性能夠運用行人檢測有關(guān)技術(shù)較好的解決，這樣不僅能夠減少多個資源的投入，又能夠讓監(jiān)控的精確度得到較好的改善，當(dāng)碰到緊急狀況有能夠及時預(yù)警。車輛輔助系統(tǒng)隨著社會的發(fā)展，人民的經(jīng)濟水平不停提高，汽車逐步走入了千家萬戶，然而汽車數(shù)量的急劇增加也造成了頻繁的交通事故，無情的奪去了人們的生命財產(chǎn)安全。如果我們將行人檢測系統(tǒng)加入到汽車控制系統(tǒng)中，這樣在行駛過程中車輛附近的人們能夠被識別出來，極大了避免的交通事故的發(fā)生。這樣不僅能夠有效的減少交通事故，并且這也能夠帶來汽車行業(yè)的革命式變化。事實上，現(xiàn)在有許多公司已經(jīng)研制出了無人駕駛的汽車，這些車的使用都需要行人檢測技術(shù)，固然現(xiàn)在的能智能還沒進入市場，現(xiàn)在還在實驗當(dāng)中。高級人機接口在21世紀(jì)，計算機技術(shù)得到了迅猛發(fā)展，并且更加趨于智能化的特點，極大地變化了我們的生活方式。我們不僅規(guī)定計算機能夠快速精確的接受到外界輸入的信息，并且能夠高效地對信息進行解決并得到最適宜的輸出信息，作出的對應(yīng)的反映。人臉識別技術(shù)和物體檢測技術(shù)的發(fā)展，能夠較好的協(xié)助計算機去獲取和解決外界的信息。這不僅需要良好的智能設(shè)備，同時也需要行人檢測技術(shù)去協(xié)助完畢。1.2研究現(xiàn)狀行人檢測在汽車領(lǐng)域含有很大的應(yīng)用前景，近年來是模式識別領(lǐng)域研究的熱點課題方向之一。并且國內(nèi)外也有了諸多了研究成果，如由本田公司研發(fā)的基于紅外攝像機的行人檢測系統(tǒng)[1]；CMU[2]、MIT[3]等國外的大學(xué)在這方面獲得了很大的進步，清華大學(xué)[4]等也進行了有關(guān)方面的研究。行人檢測技術(shù)事實上為圖像解決技術(shù)的分支，其核心思想就是運用計算機視覺技術(shù)和數(shù)字圖像解決技術(shù)，去分析監(jiān)控設(shè)備獲取的信息，分析解決行人的行為。行人檢測的成功開發(fā)含有很大的應(yīng)用前景，能夠在各個領(lǐng)域得到發(fā)展。并且由于檢測的行人外形不同，加上周邊的復(fù)雜混亂的環(huán)境，給行人檢測系統(tǒng)的運行帶來了很大的挑戰(zhàn)。早期的行人檢測以靜態(tài)圖像解決中的分割、邊沿提取、運動檢測等辦法為主。例如：（1）以Gavrila為代表的全局模板辦法[5]；（2）以Broggi為代表的局部模板辦法[6]；（3）以Lipton為代表的光流檢測辦法[7]；（4）以Heisele為代表的運動檢測辦法[8]；（5）以Wohler為代表的神經(jīng)網(wǎng)絡(luò)辦法[9]；但是這些辦法的檢測速度很慢，并且普遍存在著誤報、漏檢率高的特點。行人檢測的現(xiàn)狀：大致能夠分為兩類：（1）基于背景建模的辦法：分割出前景，提取運動目的，在進一步提取特性，分類鑒別。然而這個辦法構(gòu)建了很復(fù)雜的模型，因此系統(tǒng)很容易受到干擾。（2）基于統(tǒng)計學(xué)習(xí)的辦法：根據(jù)大量訓(xùn)練樣原來構(gòu)建行人檢測分類器，提取樣本的特性，普通分類器涉及SVM[10]，AdaBoost[11]?，F(xiàn)在，基于學(xué)習(xí)的行人檢測辦法得到了很大的發(fā)展，如基于AdaBoost、基于SVM、基于HOG等行人檢測辦法。首先，這些辦法都是學(xué)習(xí)正樣本和負(fù)樣本的變化，再根據(jù)大量的訓(xùn)練樣本對不同的特性進行分類，因此，基于統(tǒng)計學(xué)習(xí)的辦法有廣泛的合用性。在行人檢測系統(tǒng)中，目的記別和ROIs分割是兩個重要的部分。目的記別根據(jù)監(jiān)測信息的不同分為基于形狀的辦法和基于運動的辦法。ROIs分割可分為基于運動、基于距離、基于圖像特性和基于攝像機參數(shù)四種辦法。在具體操作中，普通將這四種辦法綜合起來使用，能獲得更加好的成果。研究難點現(xiàn)在行人檢測技術(shù)面臨著以下的技術(shù)難點:（a）每個人都有各自的姿態(tài)，著裝各異；（b）特性空間的待提取的特性分布不集中；（c）受訓(xùn)練的樣本變化大，造成系統(tǒng)分類效果的好壞；（d）受訓(xùn)練的樣本很難包含多個復(fù)雜的真實環(huán)境；現(xiàn)在的行人檢測技術(shù)正處在發(fā)展的核心時期，已經(jīng)獲得了某些可喜的進步，但許多難點問題急待解決。在某些環(huán)境背景良好的狀況下，行人檢測算法檢測效果較好，但是實際中諸多環(huán)境是很復(fù)雜的，檢測的效果并不能滿足規(guī)定。另外，檢測時會有延時也減少了系統(tǒng)的實用性，并且現(xiàn)在還缺少原則的測試辦法和數(shù)據(jù)庫的建立。本文研究的重要內(nèi)容首先，本文簡要地介紹了現(xiàn)在的多個算法，并互相對比，指出其中的優(yōu)點和存在的問題。另首先，介紹本文研究的重要算法HOG算法原理，并進行改善，并比較改善前后，算法性能的變化。最后，本文提出HOG+SVM算法，通過將現(xiàn)有的HOG算法和SVM分類器，巧妙的將兩者結(jié)合改善，使之滿足多個復(fù)雜條件。本文的創(chuàng)新之處在于，通過將HOG和SVM算法結(jié)合并加以改善，使檢測效率大大提高，并且實時性更強。本文構(gòu)造：第一章是緒論，介紹了行人檢測的背景和意義，并敘述了其研究現(xiàn)狀，給出了本文的研究內(nèi)容；第二章具體介紹了行人檢測重要算法，并互相比較，得到其中的優(yōu)缺點；第三章重要介紹HOG算法原理以及該算法的優(yōu)缺點；第四章研究了基于HOG和SVM算法的行人檢測算法，并進行了改善得到實驗成果，具體分析后得到結(jié)論；第五章重要是對本文研究的總結(jié)以及將來技術(shù)發(fā)展的展望。2行人檢測重要辦法介紹及比較2.1引言現(xiàn)在，隨著智能交通的發(fā)展，行人檢測這方面的算法的研究也在不停的進一步，每年都會涌現(xiàn)出諸多優(yōu)秀的文論，有的是對行人檢測進行全新的研究，或者是對原有算法進行進一步的改善，提高檢測的精確度以及檢測的速度，加緊了行人檢測的實用化進程。下列是對兩類算法的具體介紹：第一類為基于特性的算法。在將矩形框范疇內(nèi)的行人作為一種整體的前提下，它的核心在于找到能夠代表框內(nèi)行人的特性信號參數(shù)，然后運用機器學(xué)習(xí)算法將這種參數(shù)進行分類，這樣就能夠分辨行人和非行人，達(dá)成識別的目的。從這個過程中，我們能夠懂得基于特性的算法分為分類器的學(xué)習(xí)和特性的提取，因此一種好的特性提取算法變得很重要。例如HOG特性、wavelet特性、shapelet特性，LBP等。該類辦法的實現(xiàn)的算法比較簡樸，架構(gòu)容易，當(dāng)使用不同特性辦法時，也不用更改原來的架構(gòu)，且易于實現(xiàn)。然而能夠使用分類效果好的特性，就能夠較好地從被檢測目的較好的檢測出行人目的。前面我們提到行人都有各自的特點，因此現(xiàn)在很難找到一種完美的算法來描述行人的特性。特別是在行人行走過程中，行人的姿勢不停變化、監(jiān)控設(shè)備的視角也在變化、同時行人也會被其它物體遮掩。現(xiàn)在的全部特性參數(shù)不能獲得較好的效果?，F(xiàn)在，被研究人員認(rèn)為最穩(wěn)定的特性是行人的輪廓，因此諸多研究人員都將重點放在了提取行人的輪廓信息。第二類為基于多部位的辦法，就是分別取檢測人的各個部位，然后綜合起來判斷與否是行人。通過一定的算法，來分析各個部位的關(guān)系，從而判斷與否為行人目的。當(dāng)行人在行走過程中發(fā)生部分遮掩，使用該類辦法能夠較好的解決，并且解決效果要比第一類辦法好許多。但是，該類辦法的核心在于，如何通過一種有效的機制，將各部分的檢測成果合成一種整體，來判斷與否為檢測的目的。受到人臉識別的啟發(fā)，將人臉的正側(cè)面分別作為訓(xùn)練樣本，減少類內(nèi)差別，能夠使訓(xùn)練難度減少。在這里，我們能夠?qū)⑿腥朔譃檎婧蛡?cè)面，按照類似的解決辦法，同樣得到了一定的成果。但是，在無形之中需要增加諸多的訓(xùn)練樣本值，使得工作量變大諸多。但是解決效果較好。2.2基于特性的辦法2.2.1wavelet特性在1997年，機器學(xué)習(xí)的思想被Oren[18]第一次引進到行人檢測領(lǐng)域，該辦法的大致是通過大量的訓(xùn)練樣本，然后對樣本進行學(xué)習(xí)，形成適宜的模型，使得機器能夠通過自動學(xué)習(xí)來建立模型。這種辦法使行人檢測獲得了很大的突破，開創(chuàng)了行人檢測的新局面。但是隨著時間的變化，行人檢測的技術(shù)在不停的發(fā)展，該算法的效果并不能滿足人們的規(guī)定。理解它，能夠協(xié)助我們較好的學(xué)習(xí)后續(xù)的復(fù)雜的算法。該辦法的提出重要有下列的奉獻：第一，該辦法實驗成果表明，在行人檢測領(lǐng)域引入機器學(xué)習(xí)是很有必要的通過吧某些簡樸的特性進行分類訓(xùn)練，然后加以分類是一種較好的方案。第二，該辦法對負(fù)樣本的規(guī)范定義，在Oren提出該辦法之前，負(fù)樣本還沒用統(tǒng)一的原則。如何選用精確的負(fù)樣本，是許多研究人員關(guān)心的問題，但是始終都沒有找到較好的方案。由于這種辦法的出現(xiàn)，負(fù)樣本的訓(xùn)練對系統(tǒng)的益處大大地增加。在此之后，許多研究人員沿著這一方向繼續(xù)研究，并出現(xiàn)了新算法。2.2.2Adaboost算法Adaboost算法是通過變化數(shù)據(jù)的分布實現(xiàn)的，是一種迭代算法。在每次進行訓(xùn)練之前，都會對之前全部訓(xùn)練的樣本進行初始化權(quán)重，判斷上一輪分類器的總體精確率。在對樣本就行訓(xùn)練時，對完全能夠精確分類的樣本，就減少它的權(quán)值。在下一輪訓(xùn)練時，被選中的概率就會減少。與之相反的是，如果被判斷錯誤的分類樣本，在下一次訓(xùn)練時，被選中作為樣本的概率就會變大。這樣，在每次訓(xùn)練時，都會訓(xùn)練上一次被判斷為錯誤分類的樣本，學(xué)習(xí)了對的的樣本。最后由各個弱分類器級聯(lián)成強分類器。Adaboost算法不僅有計算效率高，弱分類器的兼容性好、參數(shù)少等特點被廣泛應(yīng)用。2.2.3shapelet特性該算法是基于boosting算法進行兩次解決。第一次提取某些簡樸的的特性，然后對提取出的特性進行訓(xùn)練，將訓(xùn)練的成果進行加權(quán)，得到shapelet。接下來第二次，是將得到的shapelet通過訓(xùn)練器再進行訓(xùn)練，得到最后的訓(xùn)練分類器。該算法的優(yōu)點在于，通過簡樸的特性作為基礎(chǔ)，通過學(xué)習(xí)、訓(xùn)練得到比較好的訓(xùn)練分類器。因此該算法的性能比較良好，在檢測效率上，shapelet也高于與之相似的edgelet算法，應(yīng)用也很廣泛。2.3基于多部位的辦法2.3.1自適應(yīng)組合分類器首先，該算法將人分為頭肩、左肩、右肩和下半身四個部分，然后運用算法分別訓(xùn)練出每個部位的模型，得到各自的分類器。該算法使用了基于小波的算法，但是特性的維數(shù)更高，因此性能也有了一定的提高。然后將這四個分類器的參數(shù)作為最后分類器的參數(shù)輸入，運用算法再做訓(xùn)練，得到最后分類器的模型。需要指出的是，必須在一定范疇內(nèi)對四個部位的分類器進行搜索，得到最優(yōu)的返回值。2.3.2基于貝葉斯推斷的組合算法基于貝葉斯推斷的辦法是由BoWu從概率角度出發(fā)提出的，然后通過一系列計算，得到最大概率解。在這個算法中，將人分成頭肩、軀干、腿部三個重要部分。類似于2.3.1的辦法，首先，對檢測對象的三個部位進行訓(xùn)練，得到訓(xùn)練分類器，并進行檢測。最后，將各個部分得到的實驗成果比較分析，以貝葉斯為根據(jù)來判斷與否出現(xiàn)了行人。2.3.3隱式形狀模型該算法在訓(xùn)練階段，首先建立圖片塊字典，也就是為全部的圖片塊建一種索引。隨即，要得到圖片塊的任何信息時，通過前面建立的索引，進行查詢。首先，我們需要獲得在愛好點附近的圖片信息，并在對應(yīng)的字典中找到對應(yīng)的匹配項，通過比對有關(guān)信息，對中心位置進行分析即投票。毋庸置疑，那些得到票數(shù)最高將作為成果。最后，分析實驗數(shù)據(jù)，擬定實驗成果。2.4基于多視角的辦法基于多視角的辦法在人臉識別的領(lǐng)域應(yīng)用很廣泛，但是將該辦法引入行人檢測方向的辦法現(xiàn)在還不是諸多。這是由于在不同視角下，人臉的差別是很大，但是對于行人來講該特性確要小諸多。另外，現(xiàn)在的訓(xùn)練樣本還不夠充足，不能得到抱負(fù)的實驗效果?，F(xiàn)在多視角的辦法有下列幾個：第一種辦法是對于視角的差別，我們并不做不同解決，而是將它們統(tǒng)一解決。正由于這樣解決，這種辦法的難點是如果不同的視角的物體差別很大，那將造成類間差別很大，使得訓(xùn)練出來的分類器是無效的。對于行人來說，有些狀況很特殊，即使各個視角的行人也有差別。但是那些差別還局限性以造成訓(xùn)練無法正常進行，例如某些基于特性的辦法，并沒有考慮多視角問題，但是檢測效果和識別效果同樣較好。第二種辦法是通過視角將樣本進行分開，將不同分組的樣本分別訓(xùn)練成一種個分類器，并分別檢測全部的分類器。這個辦法的弊端在于，視角分的越多復(fù)雜度就越大，并且大大增加了人工的負(fù)擔(dān)。第三種辦法是提取不同視角之間的共同特點，這樣能夠減少算法的復(fù)雜度，提高速度。這類辦法不僅考慮了多視角的行人特性的不同，也考慮到了視角分類太多類內(nèi)變化大的缺點。因此，第三種辦法是現(xiàn)在研究的大趨勢?，F(xiàn)在，基于樹的構(gòu)造的分類器已經(jīng)受到了越來越多人的關(guān)注，由于它能夠解決不同的實驗樣本，提高了系統(tǒng)的性能。這樣既能夠有效的避免類內(nèi)變化大的缺點，又能夠解決視角特性不同帶來的誤差，這樣的能夠大大縮減算法的復(fù)雜度。

3基于HOG特性的行人檢測3.1引言行人檢測的目的是將每一幀圖像中行人識別出來，并得到其空間位置。由于描述行人的辦法不同，普通將行人檢測算法分為下列三類：基于特性表述的辦法、基于模板匹配的辦法、基于紋理和形狀結(jié)合的辦法。另一種劃分方式是根據(jù)將行人與否作為整體進行檢測，能夠分為基于整體的檢測和基于部位的檢測。前面我們在第二章已經(jīng)學(xué)習(xí)到了HOG算法，在這一章，我們將進一步研究HOG算法。首先，我們需要對每幀圖像進行特性提取，然后將提取的特性訓(xùn)練生成分類器。根據(jù)提取特性的映射分類不同，分類器模型有能夠分為鑒別模型和生成模型。由于運用的是特性之間的近似性，生成模型重要從統(tǒng)計分類學(xué)角度計算特性的聯(lián)合概率。它所針對的是特性之間的相似性，與之相反的是鑒別模型，鑒別模型是根據(jù)特性之間的差別性進行的。在訓(xùn)練分類的過程中，不停尋找不同特性所對應(yīng)的最優(yōu)分類辦法。鑒別模式最典型的代表是SVM算法，該辦法從樣本學(xué)習(xí)帶檢測，目的的有關(guān)分類特性。通過樣本學(xué)習(xí)、樣本訓(xùn)練之后，生成最優(yōu)的分類面，在不同環(huán)境條件下，SVM都有比較好的適應(yīng)性。現(xiàn)在，針對SVM算法進行改善的算法諸多，該算法的優(yōu)越性使之越來越流行。3.2HOG特性原理3.2.1HOG特性算法思想，Dalal在CVPR會議上提出方向梯度直方圖（HOG），該算法的特性是通過統(tǒng)計和計算圖像局部區(qū)域的HOG來獲取的，在圖像解決與識別領(lǐng)域被稱為描述物體的特性算子。該算法的核心思想為：假設(shè)訓(xùn)練的樣本大小為64*64像素。第一步，將該64*64像素的樣本劃分成小的連通區(qū)域即cell，每個cell的大小不妨設(shè)為8*8像素，這樣樣本圖像就被劃分成8×8=64個cell。二步將每個cell中的各像素點的邊沿或者梯度的直方圖采集出來。接下來把這些采集來的直方圖進行整合形成特性描述算子。然而為了提高HOG算法的性能，普通將相鄰的4個cell劃分為一種block。圖3-1為HOG特性模板，其中寬W:H之比為1:1。圖3-1HOG特性模板隨著每個細(xì)胞單元的滑動而形成block，block每一次滑動一種cell的寬度，對于一種64*64的圖我們能夠得到49個block。圖3-2是描述block與cell的關(guān)系:圖3-2block與cell的關(guān)系在劃分大小為8*8像素的cell后，接下來采用9個bin的直方圖去統(tǒng)計cell的每個像素的梯度信息。用梯度方向?qū)ell內(nèi)每個像素在直方圖中進行加權(quán)投影，就得到了該cell的梯度方向直方圖，如圖3-3所示。最后將各個cell組合成大的、連通的blocks。就這樣，在一種block內(nèi)四個cell的特性向量能夠串聯(lián)起來就能夠得到該block的HOG特性。因此，每個cell的特性以不同的特性出現(xiàn)在最后的HOG特性向量中。歸一化之后的block描述符就是HOG特性描述算子。圖3-3梯度劃分3.2.2HOG特性算法的實現(xiàn)HOG特性算法實現(xiàn)用下面流程圖如圖3-4表達(dá)圖3-4HOG算法流程圖首先第一步將圖片進行歸一化解決，由于圖片的顏色信息作用并不大，加上壓縮解決能夠有效的改善圖片局部陰影和光照的影響。普通首先將待檢測的圖片轉(zhuǎn)化為灰度圖，壓縮公式為：3-(1)其中g(shù)amma=1/2；接下來計算進一步計算梯度方向值，這樣不僅能夠進一步減小光照的影響，并且能夠獲得圖像的各個輪廓，各個像素點的梯度計算公式為：3-(2)3-(3)式中Gx(x,y)、Gy(x,y)、H(x,y)分別表達(dá)輸入圖片的像素的水平梯度、垂直梯度、和像素點。像素點（x,y）處得幅度值和梯度方向分別為:3-(4)3-(5)第三步是計算每個cell的梯度直方圖，并進行規(guī)定的權(quán)重投影。第四步是將單一的cell合成大的block，并計算塊內(nèi)梯度直方圖。用來進一步解決部分關(guān)照的變化以及對比度的變化。并且歸一化形成HOG描述符。第五步是對于每一種重疊block塊內(nèi)cell進行對比度歸一化，并把全部block內(nèi)的直方圖向量一起組合成一種大的HOG特性向量3.2.3HOG特性算法的實驗成果實驗一:在正常條件下，行人特性比較明顯的條件下，使用原則庫的HOG算法對輸入圖片進行解決，成果如圖：圖3-5HOG檢測實驗一從圖中可知，在特性明顯的條件下，HOG算法檢測效果較好，圖中全部人都能夠檢測出來。實驗二：行人特性為側(cè)面時，HOG算法檢測成果如圖：圖3-6HOG檢測實驗二從圖3-6中的檢測成果能夠看出，當(dāng)行人側(cè)面出現(xiàn)，并且身體部分遮掩時，hog算法出現(xiàn)漏檢現(xiàn)象。這與檢測的精確度有關(guān)同時也與樣本數(shù)量以及行人特性的多樣性有關(guān)。實驗三：夜間圖片檢測，檢測成果如圖：圖3-7HOG檢測實驗三從圖中檢測成果可知在夜間行人特性不明顯的條件下，hog算法檢測效果不太好，這由于夜間環(huán)境復(fù)雜，行人的特性與周邊的環(huán)境背景很相似，很容易造成漏檢的狀況?，F(xiàn)在這些都是諸多學(xué)者正在解決的問題。實驗四：當(dāng)圖像像素含糊，但特性明顯的狀況下，檢測的成果，如圖所示圖3-8HOG檢測實驗四從圖中的檢測成果可知，及時像素不太好的狀況下，只要行人特性明顯，hog檢測效果明顯。3.3HOG特性算法的優(yōu)缺點

HOG特性算法想對于其它特性描述算法有諸多優(yōu)點。首先，在圖片的局部細(xì)胞單元格上操作是HOG的一大特點，這樣它對圖片的光學(xué)和幾何的變化都有較好的適應(yīng)性，因此，HOG算法對這兩種形變的解決是其它算法無法比擬的。另首先，在某些特定環(huán)境條件下，只要行人的特性大致上比較明顯，即使行人在動作特性上有某些細(xì)小的變化，檢測成果也同樣不會受到任何的影響。因此，HOG特性算法在行人檢測領(lǐng)域特別受歡迎，但是HOG算法設(shè)計復(fù)雜，訓(xùn)練時間較長，檢測時間也很長，給檢測帶來很大的延時，不符合行人檢測實時性的規(guī)定。

4基于HOG和SVM的行人檢測4.1引言 通過前兩章的介紹，我們對HOG算法和SVM算法有了初步的理解。在這一章，我們將要進一步學(xué)習(xí)HOG算法和SVM算法。在前兩章，我們學(xué)習(xí)到，HOG算法和SVM算法都有各自的優(yōu)點和缺點，那么這一章我們將研究如何將兩者巧妙的結(jié)合，發(fā)揮各自的優(yōu)勢，較好的解決在多個條件下，行人檢測的效果。使檢測的效果更加精確，實時性更高，算法實現(xiàn)更容易。4.2SVM分類器的介紹在機器學(xué)習(xí)中，支持向量機(SVM)是與有關(guān)的學(xué)習(xí)算法有關(guān)的監(jiān)督學(xué)習(xí)模型，重要用于分類和回歸分析。例如現(xiàn)在在一種p維的空間中有兩個由一系列的數(shù)據(jù)形成的數(shù)據(jù)集合，每個數(shù)據(jù)僅屬于其中一種集合，為了擬定新的數(shù)據(jù)點事屬于哪一種集合，支持向量機會將將每一種數(shù)據(jù)都當(dāng)作一種p維向量，然后通過計算分類，找出能夠?qū)蓚€數(shù)據(jù)集合分開的p-1維的超平面。因此支持向量機也叫做線性分類器。尚有許多超平面，可能對數(shù)據(jù)進行分類。如果存在一種超平面使全部的數(shù)據(jù)不出錯地分類，同時每類數(shù)據(jù)與超平面的距離近來的向量距離最大，那么這個超平面稱之為最優(yōu)超平面?；赟VM的算法不僅有運算速度快的優(yōu)點，并且實現(xiàn)較容易、運算效率高的特點，但是SVM算法也有某些局限性之處：（1）普通，行人檢測中的正樣本和負(fù)樣本在數(shù)量上有很大的不同，就會出現(xiàn)樣本不均衡的問題，分類器的分類面偏向于樣本少的一方，而過于關(guān)注樣本多的一方，這樣會使分類器的精度大大減少。（2）由于過于關(guān)注弱分類器的精度，這樣造成過擬合現(xiàn)象。4.3HOG和SVM的改善及結(jié)合 普通SVM算法關(guān)注的是在正樣本和負(fù)樣本數(shù)量相隔不大條件下的問題，但是當(dāng)正樣本和負(fù)樣本數(shù)量相差很大時，直接使用SVM算法，會造成降分類器的分類精度減少諸多。針對這一問題，本文做的的解決是，首先通過HOG特性提取足夠的正負(fù)樣本，通過大量HOG提取的樣本并使用SVM進行分類，這樣能夠解決分類器解決精度，進而提高行人檢測的精度。通過HOG特性提取的訓(xùn)練樣本能夠較好適應(yīng)多個狀況下檢測和識別。 另首先，通過HOG特性提取的樣本投入SVM分類器進行樣本訓(xùn)練。通過將大量的正負(fù)樣本進行訓(xùn)練，能夠得到model，然后由得到的model生成檢測因子，接下來使用生成的檢測因子去檢測負(fù)樣本，得到hardexample，最后提取hardexample中的hog特性，并與hog特性的負(fù)樣本一起投入訓(xùn)練生成最后的檢測因子。 改善的hog+svm算法，通過增加訓(xùn)練的樣本、改善hog算法的多個參數(shù)，以及改善svm分類器的各個參數(shù)，這樣能夠達(dá)成兩種算法結(jié)合的最優(yōu)狀態(tài)。檢測的效果能夠適應(yīng)多個環(huán)境，并且檢測速度也更加緊速，實時性更強。4.4實驗過程及解決整個實驗過程大致如圖4-1所示：圖4-1實驗成果流程圖實驗過程中的部分正負(fù)樣本如圖4-2、圖4-3，實驗過程中的代碼部分見附錄。圖4-2訓(xùn)練的正樣本圖4-3訓(xùn)練的負(fù)樣本4.5實驗成果及分析實驗一：在正常條件下，行人特性比較明顯的條件下，使用本文算法對圖片就行檢測得到以下成果：圖4-4實驗一成果從圖中我們能夠看到，檢測矩形窗口較好地識別了每一位行人，固然，在這里全部人的特性比較明顯，并且背景干擾也比較小。因此在整個解決效果上是非常好的，并且也比較符合普通的行人特性。同時也闡明了本文所涉及的算法的檢測效果是非常好的，在正常狀況下，不會產(chǎn)生錯誤的識別或者遺漏某些行人。并且訓(xùn)練時間比HOG算法短了許多，檢測時間實時性更高。實驗二：行人側(cè)面特性檢測效果。從圖中我們看到，被攝像頭側(cè)面抓拍的行人，在通過HOG+SVM算法解決之后，能夠精確的識別出來。同時，我們也能注意到距離較遠(yuǎn)的兩個行人并未識別。這與算法本身精度有關(guān)，以及那兩位行人距離較遠(yuǎn)特性識別不明顯，造成漏檢。圖4-5實驗二成果圖實驗三：在圖片清晰度不高的條件下，訓(xùn)練特性對圖片的檢測效果。圖4-6實驗三成果圖從圖中檢測的成果，我們能夠容易的看出即使在圖片清晰度不高的條件下，只要行人的特性比較明顯，本文的算法檢測顯示了極大的優(yōu)勢，在較短時間里就能完全識別全部行人。HOG+SVM顯示了其良好的性能及解決的效果。比較符合實際生活中多個狀況下的行人檢測，因此該算法兼?zhèn)淞薍OG和SVM特性的優(yōu)點，同時，我在設(shè)計算法時巧妙的選用適宜的參數(shù)，是的解決精度更加完善。實驗四：在此實驗中，我選獲得圖片是一張夜間行人圖片，用于對比分析白天的解決效果。在夜間，圖像的亮度和光度較差，很容易造成誤檢以及漏檢，夜間的背景環(huán)境也比白天復(fù)雜的多。解決效果如圖所示:圖4-7實驗四成果圖從圖中能夠看到，左邊兩個人被樓檢了，分析其因素，有兩點。第一，在夜間燈光不明顯，圖片本身效果比較差，造成訓(xùn)練樣本在檢測圖片時出現(xiàn)了漏檢。第二，兩個均穿的黑色的衣服，整體效果與左邊墻體相融，造成特性判斷出現(xiàn)錯誤，誤將行人當(dāng)成墻體。對于解決這一類問題，現(xiàn)在有許多研究人員正在進行研究，都在嘗試找到最佳的解決辦法去改善特性不明顯，被誤判漏檢的狀況。將改善的HOG+SVM算法在INRIA庫上進行測試，測試成果如圖4-8:圖4-8HOG+SVM在INRIA庫上測試成果 通過多次實驗，通過本文改善的算法檢測多個環(huán)境下大量的行人圖片，我們通過對比，我們會發(fā)現(xiàn)，改善后的HOG+SVM，不僅在精確度上有了較好的改善并且在檢測時間大大減小。改善后的算法在檢測精確度上為95%，基本處在誤差允許范疇內(nèi)，充足闡明本文改善的算法的性能較好。

5總結(jié)與展望 隨著計算機科學(xué)技術(shù)與計算機視覺技術(shù)的發(fā)展，行人檢測技術(shù)會越來越成熟。在計算機技術(shù)高速發(fā)展的今天，機器學(xué)習(xí)更加智能，在生活各個方面，都會應(yīng)用行人檢測技術(shù)。例如，智能交通方面、交通安全領(lǐng)域、公共場合的智能監(jiān)控等各個領(lǐng)域都會涉及行人檢測技術(shù)。因此，行人檢測技術(shù)會不停發(fā)展，識別和檢測的精度會越來越高，解決的速度會越來越快，這必將是一種趨勢，行人檢測技術(shù)必將更加好的造福于我們每一種人。 在本文中，我們首先介紹了行人檢測的有關(guān)技術(shù)，以及現(xiàn)在存在的主流算法，以及研究的成果。接著，我介紹了現(xiàn)在行人檢測的重要有關(guān)算法，并對各個算法進行了比較。隨即，我們介紹了HOG+SVM算法，并在本文中進行了改善。最后使用我們改善的算法解決含有多個特性的行人圖片，并對解決成果進行了分析與對比。 簡樸來講，本論文的創(chuàng)新點在于下列幾點：1、在本文中，通過使用HOG特性，SVM分類器結(jié)合的辦法來實現(xiàn)行人檢測。2、通過改善HOG特性與SVM分類器，是結(jié)合的算法有更加好的兼容性，并發(fā)揮各自算法的優(yōu)點，使得識別效果與檢測效果更加良好。3、改善后的算法不僅含有檢測精度高，整體的識別效果也更加完備，實時性更強，檢測時間和訓(xùn)練時間都有減短。但是，本文所研究的HOG+SVM算法仍有某些局限性，即使這一改善的算法在解決速度和精度上有了較好的提高，但是在某些條件下，例如對黑夜里拍攝的圖片，會出現(xiàn)漏檢現(xiàn)象，這些問題仍需要進一步解決。接下來需要進一步的研究有兩個方面，一是找到更加好的特性算法，以提供檢測的精度，能夠較好的解決漏檢現(xiàn)象；二是找到更加好的的算法，在檢測之后，使用更加好的算法來判斷和評定特性與否符合。

參考文獻[1]XuFL,LiuX,FujimuraK.Pedestriandetectionandtrackingwithnightvision[J].IEEETransactionsonIntelligentTransportationSystems,,6(1):63-71[2]ZhaoL,ThorpeC.Stereoandneuralnetwork2basedpedestriandetection[J].IEEETransactionsonIntelligentTransportationSystems,,1(3):148-154[3]MohanA,PapageorgiouC,PoggioT.Example2basedobjectdetectioninimagesbycomponents[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,,23(4):349–361[4]賈慧星,章毓晉.車輛輔助駕駛系統(tǒng)中基于計算機視覺的行人檢測研究綜述[J].自動化學(xué)報,,33(1):84-90[5]GavrilaDM.Pedestriandetectionfromamovingvehicle[A].ProceedingsofEuropeanconferenceonComputerVision[C].London,UK:Springer,.1843.37-49[6]BertozziM,BroggiA,LasagniA,RoseMD.Infraredstereovision-basedpedestriandetection[A].ProceedingsofIEEEInternationalConferenceonIntelligentVehiclesSymposium[C].LasVegas,USA:IEEE,.24-29[7]LiptonA.Localapplicationofopticflowtoana