- 引言
现在随着科技的发展与进步，计算机已经开始在我们生活的各个领域展示了自己的价值和作用。计算机视觉就是这些技术中非常重要的一个研究热点与方向。行人检测因为其应用的广泛性一直以来都是计算机视觉领域的热点和难点，在诸如智能交通系统、机器人开发、视频监控等系统中起着关键作用。然而行人检测因为行人衣着、形态等自身因素以及光照、视角、部分遮挡等客观因素的影响，导致对行人的检测和跟踪存在不少困难。
本课程设计的是基于深度学习的行人检测，近几年来，深度学习在大规模图像分类方面取得了重大突破，被广泛的应用在图像处理相关的领域。课程最后希望达到的是建立深度学习网络，利用受过充分训练的模型网络来模拟人类的大脑处理图像的过程，逐层对输入头像进行抽象处理，提取图像中具有表现力的显著特征，实现对输入图像的分类和描述，并对真实的行人检测进行模拟和分析。
- 发展现状
视觉跟踪和目标检测是计算机视觉领域内较早开始的研究方向。经过几十年的积累，这两个方向已经取得了显著的发展。从2005年以来行人检测进入了一个快速得发展阶段，但是也存在很多问题还有待解决，需要在性能和速度方面寻求平衡。现在得行人检测现状大致可以分为两类：
- 基于背景建模：利用背景建模方法，提取出前景运动得目标，在目标区域内进行特征提取，然后利用分类器进行分类，判断是否包含行人。这类方法存在的主要问题是必须适应环境的变化、必须能够正确的检测出背景物体的改变等。
- 基于统计学习的方法：这也是目前行人检测最常用的方法，根据大量的样本构建行人检测分类器。提取的特征主要有目标的灰度、边缘、纹理、颜色、梯度直方图等信息。分类器主要包括神经网络、SVM、adaboost以及现在被计算机视觉视为宠儿的深度学习。此类方法存在的一些难点和问题是行人姿态服饰、复杂的背景导致的环境因素影响、分类器的性能受训练样本的影响较大等。
现阶段国内外对于行人检测技术都有不少的研究成果，中科院自动化所谭铁牛等对人运动进行视觉分析,其核心是利用计算机视觉技术从图像序列中检测、跟踪、识别人并对其行为进行理解与描述,它主要应用在视觉监控领域和基于步态的身份鉴定。实验结果表明该算法不仅有较高的识别性能，而且有相对较低的计算代价，但是只能检测出运动的行人。西安交通大学郑南宁等研究了利用支持向量机识别行人的方法，尽管用Gabor滤波器提取特征效果相对较好,但耗时很长,不适合于实时图像的处理。
目前,在国外许多文献中提出了基于机器视觉的行人检测方法,意大利帕尔玛大学的AlbertoBroggi教授在ARGO项目中采用一种基于外形的行人检测算法。该算法当视野中有完整的行人存在时能得到较好的效果,在10一40m的范围内都可以正确地进行识别,并且可以较好地适应复杂的外界环境。伊利诺伊大学的ensp;Niebles.ensp;J.C等人，提出了一种使用ensp;AdaBoost级联模型的行人识别算法，并将该识别算法应用到行人检测领域，使得行人检测识别效果有所改进。ensp;
- 发展趋势
现在随着计算机视觉技术水平不断的突破和进步，行人检测的准确率和特征的识别程度也在不断的提高，但是还是存在明显的局限性，在遮挡程度较为严重时，检测的可靠性和识别程度都会大幅度的下降。尽管现在已经存在缺陷和难点，但是对于算法的研究和设计也在不断的进步中，现如今的研究方向中大部分算法都是在许多约束条件存在的前提下实现的，在训练测试时会关注算法的抗干扰能力。为了提高检测的准确率和可靠性，在提取到更多有效的多维特征的条件下，对这些特征进行综合处理，避免依据单一特征和遮挡问题而造成的错误检测与跟踪。现如今，越来越多的方法投入研究中，各种不同的方法相互对照、结合正在一步步促进发展。
- 本课题的意义
近年来，智能交通，智能视频监控等领域发展迅速，方便了人们的生活。在日常的监控，交通监管中投入过多的人力、财力消耗既大效率也低，然而依靠行人检测技术的支撑，我们能够实现大大减少这方面的开销也能提高效率。在监控方面，能保证效率和准确，在交通管理方面，能够减轻压力，避免交通事故的发生。所以对于作为其中重要技术支撑的行人检测技术需要投入足够的关注。
行人检测是计算机视觉及智能交通领域的一个热点研究方向，该研究旨在实时、准确、自动地获取监控范围内的行人信息，为后续的行人行为分析、行人安全保护及行人数量统计等研究提供有力的信息支持。目前，基于机器学习的行人检测方法是该领域的主流研究方向，该思想通过建立合适的行人特征提取模型，并构建功能强大的特征分类器，实现行人的识别和检测。研究证明，机器学习可以有效地克服行人服饰和姿势的多样性为自动检测和识别带来的困难，是解决非刚体检测较为有效的途径之一。在机器学习中深度学习由于其在大规模图像分类方面的重大突破，成为了计算机视觉技术中的新宠儿。
近年来，人工智能的发展推动了行人检测的学术研究和应用进展。深度学习作为目前机器学习的热点，是行人检测方法研究的一个重要方向。深度学习的架构含有多隐含层，比一般的神经网络更加智能，除此以外这种方法得到的特征不是手动设计，而是通过监督或者无监督的方式进行特征的学习，因此，节约了大量的时间。深度学习构建的结构具有较强的特征表达能力，且具有较为强大的小样本学习能力，在图像处理的领域取得了较好的实验效果。
基于以上的研究意义背景，本课题希望达成基于深度学习的行人检测，提高行人检测的效率和准确率。
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。
