论文部分内容阅读
随着计算机视觉技术的发展,行人检测受到了越来越多的关注和研究。行人检测作为辅助自动驾驶、智能视频监控等应用的核心技术,随着生活工作的智能化,其潜在的研究价值也在继续提升。但行人检测经常因为行人姿态的多变性、遮挡和拍摄角度不固定等因素,导致行人检测率低,因此本文就遮挡行人的检测进行研究,具体研究成果如下。1)针对交通场景中行人易出现遮挡导致检测率低的问题,本文提出对行人上半身检测的思想,设计部件模型Part-Jointly,添加Edgelet特征描述行人局部轮廓特征,整体学习12个弱部件模型分类器,训练挖掘部件子模型之间的关联,提高遮挡行人的检测率。通过在不同数据集上与HOG-LBP等其它方案的对比实验,证明Part-Jointly模型能提高遮挡行人的检测率,并且通过不同整合函数的对比实验,确定整合函数。2)Part-Jointly模型需要在整幅图片的滑动窗口中作特征提取、分类、整合等步骤,导致计算量大、检测慢。为提高时效性,本文提出二级网络模型级联检测的方案。首先采用Pedestrian-RPN模型过滤非行人区域,输出行人候选框;利用Part-Jointly模型在行人候选框上二次检测,缩小检测耗时大的Part-Jointly模型的目标区域,从而加快检测速度。通过在不同数据集上,与单层网络模型Part-Jointly的实验对比,证明二级网络级联检测模型的性能指标几乎不变,而检测时长明显缩短。3)为模拟实际交通场景中辅助驾驶系统中的行人检测功能,本文在移动终端Android智能手机上设计并实现了行人检测APP。该APP可以利用手机拍摄交通道路路边行人,模拟行人检测实验。考虑到硬件资源,通过检测率和检测耗时的对比,证明行人检测应用在实际交通场景中基本可用,为辅助驾驶提供技术积累。