一种基于部件快速融合深度模型的行人检测
来源:用户上传
作者:
摘要：為解决传统DMP在行人检测时计算复杂度高，实用性差问题，提出一种部件快速融合的行人检测模型，能够在拥挤的环境中有效、准确地定位行人目标。该方法先针对行人头部，构建Haar-like响应特征，基于该特征训练Adaboost分类器;然后将该特征图与全身模型相结合，生成空间深度特征，作为支持向量SVM的输入检测行人。结果表明，此方法提高了传统DPM的计算速度，并保持了高精度。
关键词：Haar-like;Adaboost分类器;深度特征;头部特征
中图分类号：TP391.41 文献标识码：A 文章编号：1007-9416（2019）12-0052-01
1 方法原理
行人检测与状态识别对于掌握商场、公园、展览馆、娱乐场所、景区、交通路口等大型场景内行人的状态变化，有效分配管理维护人员，降低安全隐患，提高突发事件应急能力至关重要，尤其在一些大型集会和重要场所，能实时准确监测到行人并进行状态行为分析，可以为管理部门决策执行提供强有力的数据依据。目前，基于视频的行人检测仍然存在的挑战是行人部分被遮挡，他们的姿势也会改变，这给检测带来很大的困难，基于部件的模型（DMP）是近几年公认较好的模型，但其算法计算复杂度较高，导致实用性较差，本文研究提出了一种快速融合的方法，基于头部件跟踪轨迹模式分类的行人检测模型，能够在在拥挤的环境中有效、准确地定位行人目标。该方法的第一步是针对行人头部，构建Haar-like响应特征，基于该特征训练出1个强Adaboost分类器，将该响应特征图与全身模型相结合，生成空间深度特征;第二步利用深度特征作为支持向量的输入（SVM）检测行人。实验结果表明，这种新方法提高了传统DPM的计算速度，并保持了准确度。
2 部件模型构建
本文选取头部、左肩和右肩三个部件作为模型的输入，如图1所示，图像在输入之前先要进行归一化和高斯滤波处理，头部被归一化为24*28，左肩和右肩被归一化为24*24。MF函数可以用来在模糊理论中描述模糊序列的性能，它的值介于0-1之间，值越大，表示它越可能是预测的部分。部件组成的形状函数一般用来更加直观的描述MF函数，有三角形、梯型、s型、高斯型等。本文使用s型MF，因为它在处理Z轴数据更加灵活，并且针对一些特殊点鲁棒性更好，s型递归的变换函数为公式1。提取出头、左肩和右肩部件的Haar-like特征，构建特征序列，并经过S行递归变换二值化后，显示结果如图2所示。
（1）
3 部件融合
如何将构建的Haar-like响应特征序列与全身模型相结合，生成空间深度特征，并利用此深度特征作为支持向量的输入（SVM）检测行人是本文另一重要部分。部件在全身模型中的位置受到视角的影响，会呈现不同的姿态，为解决这个问题，本研究提出用三个视角的检测窗按照一定权重进行匹配检测，将部件模型和三个视角（正前、左侧和右侧）全身模型按照权重有效融合生成深度特征参照公式，然后输入的SVM训练深度检测器，可以得到最小的分类误差，并考虑到SVM是有监督的机器学习方法，可以很好地解决本文涉及的线性二分类问题。
4 实验结果
本研究使用的数据集是最受欢迎的数据集之一INRIA行人数据集，数据集包括各种复杂背景、灯光和多姿态下的行人。从中选择一部分作为样本集，剩下作为测试集。测试的的识别率可以达到86.7%，且其召回率是0.8，相比DMP在同等准确度下，速度提升了43.5%。实验证明改进的方法有效性较强，在速度和准确性之间有良好的均衡。
5 结语
行人检测常被用来判断目标检测系统的性能。传统的行人检测一般提取全身特征，导致精度要达到一定程度存在局限性。本文将局部部件和全身模型有效融合，构建出深度识别模型，训练分类器完成行人检测，准确度和召回率都较高。不仅如此，在计算复杂度上明显降低，检测速度极大提升。
参考文献
[1] 孙锐，王慧慧，叶子豪.融合深度感知特征与核极限学习机的行人检测[J].电子测量与仪器学报，2019（2）：39-47.
[2] 吴佳莲，罗啊玲，丁鼎昊.基于视频的行人检测跟踪与统计算法研究[J].测绘地理信息，2019（3）：88-93.
[3] 顾骋，钱惟贤，陈钱.基于双目立体视觉的快速人头检测方法[J].中国激光，2014，41（1）：150-155.
[4] 卢湖川，张继霞，张明修.基于Hough变换头部检测与跟踪的方法研究[J].系统仿真学报，2008（8）：2127-2132.
Pedestrian Detection Based on Component Fast Fusion Depth Model
SONG Jun-fang
（College of Information Engineering，Tibet University for Nationalities，Xianyang Shaanxi 712082）
Abstract：For solving the complex computation and poor practicability of DMP in Pedestrian detection，This paper improves a new method based on Muti-component fusion，which can locate Pedestrian accurately and effectively in crowded environments. Firstly， head Haar-like of pedestrian is used to construct the Adaboost classifier， then combining with whole body model， a spatial depth feature is generated as input for SVM. Experimental results show that the mew method improves the calculation speed of traditional DMP and maintains real-time performance.
Key words：Haar-like; Adaboost classifier;spatial-depth feature; head component
转载注明来源:https://www.xzbu.com/8/view-15141639.htm
