1、混合交通中的行人檢測是研究如何讓計算機以人的思維方式從圖像或視頻中提取出車輛前方行人所在區(qū)域的技術(shù),是繼人臉檢測后,在計算機視覺領(lǐng)域的又一新的研究熱點。運動行人的檢測與跟蹤是在城市混合交通的復(fù)雜環(huán)境下的智能駕駛以及交通監(jiān)控中的一項關(guān)鍵技術(shù),對推動智能車的發(fā)展和保障城市交通的安全有重要的作用。
　　 本文針對城市混合交通下的行人安全問題,研究了在攝像機采集圖像序列下,基于計算機視覺的行人檢測方法。主要分析了在攝像機靜止和攝像機運動

2、兩種情況下的行人檢測方法。
　　 在攝像機靜止的情況下,研究了背景平均法,混合高斯背景建模法,碼本背景建模法等,對其效果進行了對比,選用了碼本背景建模法,提取出攝像機前方的運動前景區(qū)域,根據(jù)站立行人的一些屬性來判斷前景區(qū)域是否為行人。在進行陰影檢測部分做了改進。該方法速度快但是精度不高,在此基礎(chǔ)上又繼續(xù)研究了攝像機運動情況下的基于統(tǒng)計學(xué)習(xí)分類的行人檢測方法。
　　 在攝像機運動的情況下,首先深入研究了基于Haar-lik

3、e特征的分類方法,在已有矩形特征的基礎(chǔ)上,增加了幾種能表現(xiàn)人體部位的矩形特征,并采用積分圖方法來計算矩形特征,加快了訓(xùn)練和檢測速度?；贏daBoost算法訓(xùn)練了級聯(lián)分類器,采用GentleAdaBoost代替Discrete AdaBoost,訓(xùn)練所用的時間較長,但是檢測的時間大大縮短,基本能滿足實時的要求。又分析了基于梯度方向直方圖的方法,通過提取局部區(qū)域的邊緣方向和梯度大小獲得行人的HOG特征,將得到的HOG向量輸入到線性SVM中

4、進行訓(xùn)練,得到一個能區(qū)分行人非行人的最優(yōu)分類面。針對傳統(tǒng)HOG特征塊是固定大小的,只能獲得有限特征,引入了變尺度的特征塊,采用類似于計算矩形特征的積分向量圖來計算HOG特征,加快了訓(xùn)練和檢測的速度,能增強檢測的精度。
　　 最后,針對矩形特征檢測速度快和HOG特征檢測精度高的特點,提出了將矩形特征和HOG特征組合的方法。每次檢測時先用一個級聯(lián)級數(shù)較低的矩形特征分類器進行粗提取,這時候行人將基本被檢測出來,但同時還有大量的誤檢,再