学海网

硕士论文-基于矩形特征自学习的人体检测技术研究，共66页，35131字
摘 要
人体检测技术是模式识别和计算机视觉领域中的一个核心问题，而静态图像中的人体检测技术在驾驶员辅助系统、人体运动捕捉、色情图片过滤以及虚拟视频等领域有重要的应用价值。由于人体是非刚性的，其形状变化复杂，而且人体可能穿着各种颜色和服装的衣服，很难用某种特征对人体描述。因此，静态图像中的人体检测是一个非常困难的任务。
本文针对目前广泛用于人体检测的两种特征（HOG和Haar-like矩形特征）进行研究，重点研究Haar-like矩形特征，分析其优缺点，并在此基础上提出了一种新的用于人体检测的特征，称为“Multi-Block特征”。
1. 静态图像中的人体检测方法主要有三种：基于人体模型进行匹配的方法，基于图像分割的人体检测方法和基于统计学习的人体检测方法。相比其它两种方法，基于统计学习的人体检测方法具有检测速度快、对图像分辨率要求不高且能够对灰度图像有较好的检测效果的优点，因此，本文采用的是基于统计学习的人体检测方法。
2. 针对基于统计学习的人体检测方法，研究广泛用于描述人体两种特征：HOG特征和Haar-like特征。实验表明：基于HOG特征的人体检测方法存在运算复杂度高、检测速度慢和依赖图像颜色信息的缺点；Haar-like特征是一种矩形特征，利用积分图像可以快速计算其特征值，基于Haar-like特征的人体检测具有检测速度快、检测率高的优点，但该特征只能描述一些简单的图形结构，用于人体检测存在虚警率过高的问题。
3. 研究Haar-like特征自学习算法—Adaboost算法。Haar-like特征在大小为24×36像素的样本图像中可以得到36万种弱特征，如果直接用36万种弱特征进行检测不仅没有必要，而且非常耗时，因此需要利用Adaboost算法从大量的弱特征中选择分类效果最佳的弱特征，并将其线性加权到强分类器中，通过加大困难样本权重调整样本分布，使得下次训练过程中更加重视被错误分类的样本。而且，Adaboost算法通过设计级联分类器来提高检测率和降低虚警率。
4. 针对Haar-like特征的优缺点，研究并提出了一种新的用于人体检测的特征，称为“Multi-Block特征”。Multi-Block特征也是一种矩形特征，考虑样本图像大小和检测速度等因素，将Multi-Block特征分为12个大小一致的矩形块，选取6个矩形块为白色区域，6个矩形块为黑色区域，其特征值定义为白色区域像素和减去黑色区域像素和；Multi-Block特征在大小为24×36像素的样本图像中可以得到一千两百多万种弱特征，利用Adaboost自学习算法选择分类效果最佳的弱特征组成强分类器，并训练级联分类器提高检测速度。实验结果表明：基于Multi-Block特征的人体检测方法不仅能够保持Haar-like特征检测速度快、检测率高的优点，而且能够克服Haar-like特征虚警率过高的问题，其虚警率相比Haar-like特征降低一个数量级。
关键词：Haar-like特征；HOG特征；Multi-Block特征；人体检测；Adaboost算法；分类器

目 录
第一章
绪论……....1
研究背景及意义.... 1
国内外研究现状.... 3
人体检测的技术难点......... 5
本论文的主要研究内容与结构安排........... 6
第二章 特征选择8
引言........... 8
特征选择与提取.... 8
2.2.1 可变模板特征....8
2.2.2 SIFT 特征............9
2.2.3 HOG 特征......... 11
2.3 Haar-like 特征......... 14
2.3.1 积分图像..........15
2.3.2 特征值计算......16
2.3.3 弱分类器形成..18
2.3.4 弱特征种类......18
第三章
本章小结. 20
基于 Haar-like 特征自学习的人体检测方法研究.......... 21
3.1 引言........... 21
3.2 Adaboost 自学习算法.......... 21
3.2.1 机器学习..........21
3.2.2 Boosting 算法背景........ 22
3.2.3 Adaboost 算法的提出....22
3.2.4 Adaboost 算法的理论分析.........23
3.3 Adaboost 算法的训练过程.. 25
3.3.1 训练样本的选择...........26
3.3.2 强分类器训练..27
3.3.3 级联分类器设计原理...29
3.3.4 级联分类器训练过程...30
3.4 Adaboost 算法的检测过程.. 32
3.4.1 图像预处理......32
3.4.2 多尺度检测......33
3.4.3 窗口合并..........34
3.4.4 实验结果和分析...........34
3.5 基于多分类器的人体检测. 36
3.6 本章小结... 37
第四章 基于 Multi-Block 特征的人体检测技术研究.....38
4.1 引言........... 38
4.2 Multi-Block 特征引入..........38
4.3 Multi-Block 特征.....40
4.4 Multi-Block 特征的训练过程...........42
4.5 Haar-like 特征和 Multi-Block 特征比较...... 44
4.5.1 稳定性比较.......44
4.5.2 多样性比较.......46
4.5.3 计算复杂度比较............46
4.6 本章小结... 47
第五章 工作总结与展望............49
论文的主要工作总结....... 49
研究展望. 49
参考文献.51
作者简介.54
攻读硕士期间取得的研究成果....55
致谢.....56