視頻監(jiān)控中的行人檢測(cè)一直都是計(jì)算機(jī)視覺(jué)領(lǐng)域一個(gè)熱門并且關(guān)鍵的研究課題,行人檢測(cè)的研究對(duì)人類發(fā)展的方方面面都具有重要的意義�，F(xiàn)如今,在人工智能（Artificial Intelligence）的發(fā)展和智能視頻監(jiān)控系統(tǒng)的普及之下,視頻監(jiān)控中行人檢測(cè)的應(yīng)用也會(huì)越來(lái)越廣泛。不僅人們?cè)谏钪锌梢詰?yīng)用得到,在農(nóng)業(yè)、航海業(yè)、航空航天、軍事以及國(guó)防安全等重大領(lǐng)域也都有著十分重要的作用。行人檢測(cè)中,如何可以得到最準(zhǔn)確的檢測(cè)結(jié)果,這一直都是行人檢測(cè)技術(shù)研究的關(guān)鍵問(wèn)題。針對(duì)這一問(wèn)題,本文的主要研究工作如下:本文概述了行人檢測(cè)的研究背景、意義,以及國(guó)內(nèi)外研究現(xiàn)狀。本文對(duì)行人檢測(cè)中,常見(jiàn)的特征提取算法進(jìn)行介紹,并分析了它們的原理和實(shí)現(xiàn)步驟。重點(diǎn)介紹了梯度方向直方圖（HOG）算法,HOG算法的特征原理是對(duì)圖像局部區(qū)域的梯度方向直方圖進(jìn)行統(tǒng)計(jì),并將統(tǒng)計(jì)的內(nèi)容構(gòu)成特征。接著,本文對(duì)常見(jiàn)的分類算法進(jìn)行了介紹,重點(diǎn)介紹了支持向量機(jī)（SVM）算法,SVM算法是一種基于最優(yōu)分類面的思想的分類器。本文介紹了超像素、超像素的分類以及簡(jiǎn)單線性迭代聚類（SLIC）算法。超像素代表著擁有相似特性的像素點(diǎn)的集合,它通常可以分為基于圖論的... 

【文章來(lái)源】：哈爾濱師范大學(xué)黑龍江省

【文章頁(yè)數(shù)】：51 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

HOG特征

第2章行人檢測(cè)的相關(guān)算法8圖2-2HOG算法原理圖Fig.2-2HOGalgorithmschematicdiagramHOG算法將一幅圖像分成若干個(gè)細(xì)胞單元(cell)，這些細(xì)胞單元是把像素當(dāng)作基本單元的[20]。例如，細(xì)胞單元的大小是8×8像素，計(jì)算出所有細(xì)胞單元上的梯度方向直方圖，再用加權(quán)投票的手法，獲得各個(gè)細(xì)胞單元上的9維特征向量。把2×2細(xì)胞單元重組成一個(gè)塊(block)，此時(shí)，細(xì)胞單元的像素就是16×16。要描述一個(gè)塊內(nèi)的HOG特征，可以將這個(gè)塊內(nèi)的所有特征向量的串聯(lián)起來(lái)進(jìn)行表示。創(chuàng)建滑動(dòng)窗口，每步移動(dòng)8個(gè)像素，照這樣下去，就可獲得整幅圖像的HOG特征。1.Gamma校正與圖像標(biāo)準(zhǔn)化，就是對(duì)圖像實(shí)施灰度處理，將輸入圖像轉(zhuǎn)變成灰度圖像。這樣可以便于后期的處理，減少工作量，提高對(duì)光照的魯棒性；轉(zhuǎn)換公式如下：21Hy,),(),(gammayxHxgamma(2-1)2.計(jì)算圖像的像素梯度；計(jì)算梯度算子一般含有一維算子和而為算子，公式如下式：一維算子：]1,8,0,8,1[],1,0,1[],1,1[(2-2)二維算子：0110,1001yxGG(2-3)圖像中像素點(diǎn)yx),(的梯度如公式(2-4)和(2-5)所示：HyxGyyxHx),1(),1(),(x(2-4)HyxGyyxHx)1,()1,(),(y(2-5)梯度幅值和方向如公式(2-6)和(2-7)所示：22GyxGyyxGx),(),(),(yx(2-6))),(),((tan),(221yxGyxGyxxy(2-7)8×8像素單元每步移動(dòng)8像素圖像16×16像素塊64×128像素窗口

第2章行人檢測(cè)的相關(guān)算法10(a)梯度投影方向(b)投影到相鄰區(qū)域圖2-4梯度方向幅值投影Fig.2-4Theamplitudeprojectionofthegradientdirection4.塊內(nèi)梯度直方圖的歸一化；由于圖像局部陰影使得圖像的各部分光照強(qiáng)弱不同，還存在圖像前景背景對(duì)比差異，這使得梯度幅值會(huì)分布在一個(gè)較寬的范圍內(nèi)，因此合理的局部對(duì)比度歸一化對(duì)性能檢測(cè)是極其重要的。5.HOG特征向量集。實(shí)施歸一化以后，對(duì)于每個(gè)塊，都要計(jì)算出梯度方向直方圖，這個(gè)梯度方向直方圖是組成它的四個(gè)細(xì)胞單元中的梯度方向直方圖。每個(gè)細(xì)胞單元均由9維特征向量表示，如此，一個(gè)塊就由36維特征向量來(lái)表示。每105個(gè)這樣的塊組成了姨個(gè)窗口。各個(gè)塊的特征向量都可以重組在一起，從而，整個(gè)窗口的特征向量就組合成了。由此可得，在最原始的HOG算法里，每個(gè)窗口是由一個(gè)3780維的特征向量表示的。2.1.1.3塊大小可變的HOG特征NavneetDalal和BillTriggs等人所提出來(lái)的HOG特征中，其使用的塊是選擇了單一尺度的，這個(gè)尺度的像素是16×16。這種尺度的塊相對(duì)較小，僅僅可以表示局部變化中的一小部分，不能表示較大區(qū)域內(nèi)的信息變化。其實(shí)，較大的區(qū)域包含著大多數(shù)的有用信息[23]。NavneetDalal的論文中也提到了為了提高檢測(cè)精度，可以使用多種尺度的塊。以提高檢測(cè)精度為目的，Zhu等人提出了一種更好實(shí)現(xiàn)提高檢測(cè)精度目的的HOG特征，這種HOG特征塊的尺度大小可變，建立級(jí)聯(lián)分類器所也需要這種形式的HOG特征。這種方法中，不同尺度的塊是通過(guò)更改每個(gè)塊的大小和長(zhǎng)寬比來(lái)獲得的。對(duì)于一個(gè)檢測(cè)窗口大小為64×128，在12×12和64×128之間范圍里，要想到所有大小的塊，同時(shí)對(duì)此范圍內(nèi)的塊，采用三種大小不一、高寬比分別為1:1、1:2和2:1的塊，分塊之間是相互重疊的，相鄰分塊之間的間隔為4、6或者8

【參考文獻(xiàn)】：
期刊論文
[1]基于多特征融合的高速路車輛多目標(biāo)跟蹤算法研究[J]. 胡隨芯,常艷昌,楊俊,章振原.  汽車技術(shù). 2020(09)
[2]平安城市視頻監(jiān)控系統(tǒng)網(wǎng)絡(luò)安全研究[J]. 杜慶靈.  科技與創(chuàng)新. 2019(22)
[3]采用HOG特征和機(jī)器學(xué)習(xí)的行人檢測(cè)方法[J]. 陳麗楓,王佳斌,鄭力新.  華僑大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(05)
[4]一種基于HOG的行人檢測(cè)算法[J]. 王力,劉子龍,張帥旗.  軟件導(dǎo)刊. 2017(10)
[5]一種改進(jìn)的快速SLIC分割算法[J]. 馬軍福,魏瑋.  計(jì)算機(jī)工程與科學(xué). 2017(02)
[6]圖像分割方法綜述研究[J]. 周莉莉,姜楓.  計(jì)算機(jī)應(yīng)用研究. 2017(07)
[7]基于SVM的模糊圖像識(shí)別[J]. 王小瑩,易堯華.  包裝工程. 2016(13)
[8]幾種新超像素算法的研究[J]. 張曉平.  控制工程. 2015(05)
[9]基于PCA降維的HOG與LBP融合的行人檢測(cè)[J]. 陳銳,王敏,陳肖.  信息技術(shù). 2015(02)
[10]一種改進(jìn)HOG特征的行人檢測(cè)算法[J]. 田仙仙,鮑泓,徐成.  計(jì)算機(jī)科學(xué). 2014(09)

博士論文
[1]圖像中人體目標(biāo)檢測(cè)算法研究[D]. 王俊強(qiáng).北京郵電大學(xué) 2012

碩士論文
[1]視頻監(jiān)控中運(yùn)動(dòng)行人檢測(cè)算法研究及FPGA實(shí)現(xiàn)[D]. 司琦.西安理工大學(xué) 2019
[2]視頻監(jiān)控與行人檢測(cè)系統(tǒng)設(shè)計(jì)[D]. 肖逸群.廣西師范大學(xué) 2019
[3]基于視頻的行人檢測(cè)研究[D]. 李昭青.山東大學(xué) 2019
[4]視頻監(jiān)控中行人目標(biāo)發(fā)現(xiàn)與跟蹤研究[D]. 李得鋒.河北農(nóng)業(yè)大學(xué) 2018
[5]基于超像素分割的顯著性目標(biāo)檢測(cè)算法研究[D]. 熊曉彤.西安電子科技大學(xué) 2017
[6]基于HOG和Haar聯(lián)合特征的行人檢測(cè)及跟蹤算法研究[D]. 伍敘勵(lì).電子科技大學(xué) 2017
[7]基于PCA和BP神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法研究[D]. 李昌.哈爾濱理工大學(xué) 2017
[8]基于HOG特征的行人檢測(cè)系統(tǒng)的研究[D]. 劉文振.南京郵電大學(xué) 2016
[9]保持邊緣的超像素分割算法研究[D]. 白宇.中國(guó)科學(xué)技術(shù)大學(xué) 2016
[10]基于多特征級(jí)聯(lián)的行人檢測(cè)方法研究[D]. 鄒寬中.重慶郵電大學(xué) 2016



本文編號(hào)：3546815