基于圖像的行人檢測方法研究.doc
約31頁DOC格式手機打開展開
基于圖像的行人檢測方法研究,research on pedestrian detection method based on image 1.4萬字31頁原創(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41.1.1研究背景和意義41.2行人檢測難點51.2.1外觀（身材、衣著）對行人檢測的影響5...
內(nèi)容介紹
此文檔由會員 已隔萬里 發(fā)布
基于圖像的行人檢測方法研究
Research on pedestrian detection method based on image
1.4萬字 31頁 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 4
1.1.1研究背景和意義 4
1.2行人檢測難點 5
1.2.1外觀（身材、衣著）對行人檢測的影響 5
1.2.2動作對行人檢測的影響 6
1.2.3視角對行人檢測的影響 6
1.2.4行人的背景對行人檢測的影響 6
1.3本文的內(nèi)容安排 7
第二章 行人檢測方法 8
2.1國內(nèi)外研究現(xiàn)狀 8
2.1.1國外研究現(xiàn)狀 8
2.1.2國內(nèi)研究現(xiàn)狀 9
2.2基于紅外線圖像的行人檢測系統(tǒng) 10
2.3小結(jié) 11
第三章 梯度方向直方圖（HOG）原理 13
3.1HOG特征簡介 13
3.2 HOG特征提取過程 13
第四章 支持向量機原理 17
4.1支持向量機簡介 17
4.2線性支持向量機 17
4.3非線性支持向量機 19
第五章 基于SVM的行人檢測實現(xiàn)及結(jié)果 21
5.1 INRIA 行人庫 21
5.2實驗過程 23
5.3實驗結(jié)果分析 24
5.4實驗效果圖 25
第六章 總結(jié)和展望 28
致謝信 28
參考文獻 29
Q95;
摘 要
隨著科學(xué)技術(shù)的日益進步，汽車對人們?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，而行人檢測在系統(tǒng)中起著至關(guān)重要的作用。
在本文中設(shè)計行人檢測系統(tǒng)考慮到行人檢測的復(fù)雜性，把準(zhǔn)確性和魯棒性作為評價標(biāo)準(zhǔn)。系統(tǒng)分為三個模塊：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)用于未知場景下的行人檢測。具體地，本文提取行人庫中正負樣本的梯度直方圖（HOG）作為特性，并利用支持向量機（SVM）進行訓(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奠定基礎(chǔ)。
實驗表明，所設(shè)計的特征提取模塊對光照變化，行人的動作、行人的外觀以及行人所處背景等問題具有良好的魯棒性。為測試行人檢測方法的性能，本文利用INRIA 行人庫，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方法提高了行人檢測的檢測精度、降低了誤檢率和漏檢率，同時在各種情況下取得良好的效果。
關(guān)鍵詞： 圖像行人檢測 方向梯度直方圖 支持向量機
Research on pedestrian detection method ba
1.4萬字 31頁 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 4
1.1.1研究背景和意義 4
1.2行人檢測難點 5
1.2.1外觀（身材、衣著）對行人檢測的影響 5
1.2.2動作對行人檢測的影響 6
1.2.3視角對行人檢測的影響 6
1.2.4行人的背景對行人檢測的影響 6
1.3本文的內(nèi)容安排 7
第二章 行人檢測方法 8
2.1國內(nèi)外研究現(xiàn)狀 8
2.1.1國外研究現(xiàn)狀 8
2.1.2國內(nèi)研究現(xiàn)狀 9
2.2基于紅外線圖像的行人檢測系統(tǒng) 10
2.3小結(jié) 11
第三章 梯度方向直方圖（HOG）原理 13
3.1HOG特征簡介 13
3.2 HOG特征提取過程 13
第四章 支持向量機原理 17
4.1支持向量機簡介 17
4.2線性支持向量機 17
4.3非線性支持向量機 19
第五章 基于SVM的行人檢測實現(xiàn)及結(jié)果 21
5.1 INRIA 行人庫 21
5.2實驗過程 23
5.3實驗結(jié)果分析 24
5.4實驗效果圖 25
第六章 總結(jié)和展望 28
致謝信 28
參考文獻 29
Q95;
摘 要
隨著科學(xué)技術(shù)的日益進步，汽車對人們?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，而行人檢測在系統(tǒng)中起著至關(guān)重要的作用。
在本文中設(shè)計行人檢測系統(tǒng)考慮到行人檢測的復(fù)雜性，把準(zhǔn)確性和魯棒性作為評價標(biāo)準(zhǔn)。系統(tǒng)分為三個模塊：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)用于未知場景下的行人檢測。具體地，本文提取行人庫中正負樣本的梯度直方圖（HOG）作為特性，并利用支持向量機（SVM）進行訓(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奠定基礎(chǔ)。
實驗表明，所設(shè)計的特征提取模塊對光照變化，行人的動作、行人的外觀以及行人所處背景等問題具有良好的魯棒性。為測試行人檢測方法的性能，本文利用INRIA 行人庫，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方法提高了行人檢測的檢測精度、降低了誤檢率和漏檢率，同時在各種情況下取得良好的效果。
關(guān)鍵詞： 圖像行人檢測 方向梯度直方圖 支持向量機
