基于子类划分的车载热成像行人检测方法
发布时间：2021-07-09 21:58
车载热成像行人检测系统通过热成像传感器获取场景信息,使用模式识别技术检测道路场景中的行人。现有的方法多将图像行人与背景作为二类分类问题处理。道路场景动态,行人属非刚体,外观多变,行人样本与背景样本的分类边界呈非线性,线性分类器很难准确分类道路场景中的行人和背景。本文通过分析数据分布,采用子类划分减小行人类内差异,依此优化数据分布和分类器结构,提高车载热成像行人检测模型性能。1.传感器视角和行人姿态连续变化,道路场景行人多样性显著,样本类内差异较大。依据行人特征进行子类划分,人工子类划分效率效果受限,采用聚类算法自动划分行人子类。高维数据聚类难以收敛,采用流形学习在保留行人结构特征的前提下将高维行人特征映射为低维表达。2.实验表明各个子类样本数量不平衡影响深度卷积网络模型性能,针对热成像行人设计数据平衡方法,促进模型学习不同行人外观的共性特征。采用重采样使行人子类样本数量趋于平衡;为防止重采样后模型过拟合,设计热成像图像实例切换策略,增强行人样本多样性;优化损失函数调整各行人子类学习权重。实验表明经优化处理,模型的检测精度得到提高。3.系统级集成优化。通过子类训练获得多个基分类器,根据分...
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图１－１可见光图像与红外图像的对比??
?第一章绪论???ｉｉｉｉｉｉｉｌ??图１－２依据行人姿态模板匹配的行人检测方法??２００３年，Ｖｉｏｌａ和Ｊｏｎｅｓ提出ＶＪ检测器用于行人检测，自２００５年Ｄａｌａｉ提出ＨＯＧ［６１］??特征将检测器的检测效果提升到新的高度以后，行人检测得到了快速的发展，而基于??ＨＯＧ特征提出的ＤＰＭ［６２］?（ｄｅｆｏｒｍａｂｌｅ?ｐａｒｔ?ｍｏｄｅｌ）方法在２００９年提出并达到了深度学??习方法提出以前最好的检测效果。??行人检测器从原理上一般分为两个主要阶段：感兴趣区域生成、样本分类。其中感??兴趣区域生成模块从输入图像中提取可能存在性的区域，并将其送入分类器进行识别，??分类器广泛采用统计学习的方法，通过从大量的样本中提取统计信息构建行人检测器，??常用的分类器如支持向量机［２８］?（ＳＶＭ），Ａｄａｂｏｏｓｔ乃至如今研宄最多的深度学习模型。??在２０１６年之前，主流的行人检测方法大都基于传统算法，其改进方向是设计更能??表现行人特性的特征表示，因此在此期间出现大量的手工特征以及多特征融合方法，常??见的如Ｈａａｒ［６（）］特征、ＨＯＧ特征及其改进、ＬＢＰ［５９］特征和ＩＳＳ［５８］特征，而这些特征多输??入到ＳＶＭ和Ａｄａｂｏｏｓｔ分类器进行分类。如广泛流行的ＨＯＧ＋ＳＶＭ方案，作为行人检??测的经典算法已被整合到ｏｐｅｎｃｖ中。??近年来随着卷积神经网络的快速发展，新提出的基于深度学习的行人检测器??在检测质量上相比传统方法都获得了极大的进步。但这些方法都集中应用于可见光图像，??这就造成检测中对环境的照明条件有着较髙的要求，而夜间或是恶劣天气下的昏暗场景??明显不适合使用可见光检测。??Ｙａｎｇ［１３］通过
?华南理工大学工程硕士学位论文???而ＬＬＥ方法的目的则是在将髙维数据映射到低维空间后，其仍然保持这种线性关??系，即对映射后的数据；仍有：??ｘ［?＝?Ｏｉ１２ｘ＇２?＋?（〇１３Ｘ３?＋?〇）１４：ｘ４?（２－２）??基于这一思想，将局部的线性表述逐步转化成全局的非线性表示整体流程如下所述：??对于输入的《个数据组成的样本集￡＞?＝?将其映射到ｄ维，首先寻??找每个样本在欧氏距离意义上的ｋ个最近邻。求解每个样本的局部协方差矩阵：??Ｚｊ?＝?（ｘｔ?－?Ｘｊ）｛ｘｉ?－?ｘｊｆ?（２－３）??计算对应的权重系数向量；??ｚ￣Ｈｋ?ｆ?、??ｉＫｉｆｃ?２－４??其中Ｕ表示元素全为１的向量，得到髙维的权重系数向量后，我们希望这些权重系??数对应的线性关系在降维后的低维数据中保持，将所有《个数据的的权重系数向量组成??权重系数矩阵％并计算矩阵??Ｍ?＝?〇?－?Ｗ）（Ｉ?－?Ｗ）Ｔ?（２－５）??得到矩阵Ｍ后，计算矩阵的前办１维特征值，并计算这办１个特征值对应的特征向??量（ｙｉ，ｙ２，ｙ３，ｙｄ＋１｝，使用第２至办１个特征向量所组成的矩阵集为输出低维样本集。??／??图２－１使用ＬＬＥ方法展开三维流形??２．２．２?Ｋ均值聚类算法??图像聚类方法是对图像进行定量分析，再把图像划分到某一种特征类别中以代替人??类对图像的视觉判别，目的是使得类间的相似度尽量小，而类内的相似度则尽量髙，本??１２??
【参考文献】：
期刊论文
[1]基于后验HOG特征的多姿态行人检测[J]. 刘威,段成伟,遇冰,柴丽颖,袁淮,赵宏. 电子学报. 2015(02)
本文编号：3274576
【文章来源】：华南理工大学广东省 211工程院校 985工程院校 教育部直属院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
图１－１可见光图像与红外图像的对比??
?第一章绪论???ｉｉｉｉｉｉｉｌ??图１－２依据行人姿态模板匹配的行人检测方法??２００３年，Ｖｉｏｌａ和Ｊｏｎｅｓ提出ＶＪ检测器用于行人检测，自２００５年Ｄａｌａｉ提出ＨＯＧ［６１］??特征将检测器的检测效果提升到新的高度以后，行人检测得到了快速的发展，而基于??ＨＯＧ特征提出的ＤＰＭ［６２］?（ｄｅｆｏｒｍａｂｌｅ?ｐａｒｔ?ｍｏｄｅｌ）方法在２００９年提出并达到了深度学??习方法提出以前最好的检测效果。??行人检测器从原理上一般分为两个主要阶段：感兴趣区域生成、样本分类。其中感??兴趣区域生成模块从输入图像中提取可能存在性的区域，并将其送入分类器进行识别，??分类器广泛采用统计学习的方法，通过从大量的样本中提取统计信息构建行人检测器，??常用的分类器如支持向量机［２８］?（ＳＶＭ），Ａｄａｂｏｏｓｔ乃至如今研宄最多的深度学习模型。??在２０１６年之前，主流的行人检测方法大都基于传统算法，其改进方向是设计更能??表现行人特性的特征表示，因此在此期间出现大量的手工特征以及多特征融合方法，常??见的如Ｈａａｒ［６（）］特征、ＨＯＧ特征及其改进、ＬＢＰ［５９］特征和ＩＳＳ［５８］特征，而这些特征多输??入到ＳＶＭ和Ａｄａｂｏｏｓｔ分类器进行分类。如广泛流行的ＨＯＧ＋ＳＶＭ方案，作为行人检??测的经典算法已被整合到ｏｐｅｎｃｖ中。??近年来随着卷积神经网络的快速发展，新提出的基于深度学习的行人检测器??在检测质量上相比传统方法都获得了极大的进步。但这些方法都集中应用于可见光图像，??这就造成检测中对环境的照明条件有着较髙的要求，而夜间或是恶劣天气下的昏暗场景??明显不适合使用可见光检测。??Ｙａｎｇ［１３］通过
?华南理工大学工程硕士学位论文???而ＬＬＥ方法的目的则是在将髙维数据映射到低维空间后，其仍然保持这种线性关??系，即对映射后的数据；仍有：??ｘ［?＝?Ｏｉ１２ｘ＇２?＋?（〇１３Ｘ３?＋?〇）１４：ｘ４?（２－２）??基于这一思想，将局部的线性表述逐步转化成全局的非线性表示整体流程如下所述：??对于输入的《个数据组成的样本集￡＞?＝?将其映射到ｄ维，首先寻??找每个样本在欧氏距离意义上的ｋ个最近邻。求解每个样本的局部协方差矩阵：??Ｚｊ?＝?（ｘｔ?－?Ｘｊ）｛ｘｉ?－?ｘｊｆ?（２－３）??计算对应的权重系数向量；??ｚ￣Ｈｋ?ｆ?、??ｉＫｉｆｃ?２－４??其中Ｕ表示元素全为１的向量，得到髙维的权重系数向量后，我们希望这些权重系??数对应的线性关系在降维后的低维数据中保持，将所有《个数据的的权重系数向量组成??权重系数矩阵％并计算矩阵??Ｍ?＝?〇?－?Ｗ）（Ｉ?－?Ｗ）Ｔ?（２－５）??得到矩阵Ｍ后，计算矩阵的前办１维特征值，并计算这办１个特征值对应的特征向??量（ｙｉ，ｙ２，ｙ３，ｙｄ＋１｝，使用第２至办１个特征向量所组成的矩阵集为输出低维样本集。??／??图２－１使用ＬＬＥ方法展开三维流形??２．２．２?Ｋ均值聚类算法??图像聚类方法是对图像进行定量分析，再把图像划分到某一种特征类别中以代替人??类对图像的视觉判别，目的是使得类间的相似度尽量小，而类内的相似度则尽量髙，本??１２??
【参考文献】：
期刊论文
[1]基于后验HOG特征的多姿态行人检测[J]. 刘威,段成伟,遇冰,柴丽颖,袁淮,赵宏. 电子学报. 2015(02)
本文编号：3274576
本文链接：https://www.wllwen.com/kejilunwen/qiche/3274576.html
