文 献 综 述
1引言
行人检测可定义为：判断输入图片（或视频帧）是否包含行人，如果有，给出位置信息。它是车辆辅助驾驶、智能视频监控和人体行为分析等应用中的第一步，近年来也应用在航拍图像、受害者营救等新兴领域中。行人兼具刚性和柔性物体的特性，外观易受穿着、尺度、遮挡、姿态和视角等影响，使得行人检测成为计算机视觉的研究难点和热点。
本文将从行人检测技术主要解决的问题着手，介绍了行人检测技术的分类方法，并按照实现原理阐述经典的行人检测算法的原理并对其分类比较，了解深入学习对行人检测算法的应用。
2行人检测算法主要解决的问题
行人检测技术经过大量的研究人员的研究尽管已经取得了一些成果，但仍存在一些难题需解决，主要问题和未来的研究方向如下:
- 行人高度问题。根据几何知识可知，图像中行人的高度与摄像机到行人之间的距离成反比，即两者之间距离越远则图像中行人高度越小。研究表明:当图像中行人高度为30 ～80像素时，现有算法的行人检测取得最佳效果。目前大多数的研究均集中在行人高度为100 像素以上的情况，对于远距离(即小高度) 的行人仍无法检测。而在实际的车辆辅助驾驶系统应用中，需要解决的是远距离的行人检测问题，以便让驾驶员有足够的反应时间来采取措施避免事故。
- 复杂场景问题。包括场景中行人被车辆、景物或者其他行人遮挡的问题，光照变化造成的阴影问题，人体姿态变化问题以及人体穿着变化等问题，所有这些均对行人检测结果有很大影响。
- 分类器问题。目前，常用的分类器主要有SVM、 AdaBoost 和神经网络等。研究表明，使用单一分类器进行检测时误报率高，检测准确率低，速度较慢，多场景适应性差。采用串联组合分类器的方法仅解决上述检测速度慢的问题，而采用并联组合分类器的方法仅能解决检测率低和多场景适应性差的问题。所以研究出一种能够全面协调解决上述问题的分类器组合方法，也是行人检测技术发展面临的一大难题。
- 多特征融合问题。尽管目前人们提出了许多有效的行人描述特征，但大量研究表明，任何基于某一单独特征的方法都很难获得最佳的行人检测效果，而将不同的特 征相互结合起来使用检测结果最优。但如何实现多特征的融合，使获得较高检测性能的同时，又兼顾计算复杂度和检测速度，也是未来研究的一个重要方向。
3行人检测技术的分类方法
图1 行人检测的分类方法
如图1，行人检测技术中最核心的两个 问题—特征提取、分类与定位。
特征提取：行人特征描述子可分为三类:底层特征、基于学习的特征和混合特征. 底层特征指的是颜色、纹理和梯度等基本的图像特征;基于学习的特征指的是通过机器学习的方法,从大量的行人样本中学习到的行人特征表示;混合特征指的是多种底层特征的融合,或者是底层特征的高阶统计特征。
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
