基于圖像的行人檢測方法研究
  

編號:99-1450644 | DOC格式 | 2.44M | 31 頁

本文共 31 頁,可試讀 10

還有 5 頁未讀  繼續閱讀
下載
已通過人工審核校對,完整可用,請放心下載 已加入誠信保障計劃,若無法下載可先行賠付
豆知手機版上線啦
分享 收藏
立即下載

內容介紹

原文檔由會員 已隔萬里 發布

基于圖像的行人檢測方法研究
Research on pedestrian detection method based on image

1.4萬字 31頁 原創作品,已通過查重系統

目錄
摘 要 2
關鍵詞 2
第一章 前 言 4
1.1行人檢測 4
1.1.1研究背景和意義 4
1.2行人檢測難點 5
1.2.1外觀(身材、衣著)對行人檢測的影響 5
1.2.2動作對行人檢測的影響 6
1.2.3視角對行人檢測的影響 6
1.2.4行人的背景對行人檢測的影響 6
1.3本文的內容安排 7
第二章 行人檢測方法 8
2.1國內外研究現狀 8
2.1.1國外研究現狀 8
2.1.2國內研究現狀 9
2.2基于紅外線圖像的行人檢測系統 10
2.3小結 11
第三章 梯度方向直方圖(HOG)原理 13
3.1HOG特征簡介 13
3.2 HOG特征提取過程 13
第四章 支持向量機原理 17
4.1支持向量機簡介 17
4.2線性支持向量機 17
4.3非線性支持向量機 19
第五章 基于SVM的行人檢測實現及結果 21
5.1 INRIA 行人庫 21
5.2實驗過程 23
5.3實驗結果分析 24
5.4實驗效果圖 25
第六章 總結和展望 28
致謝信 28
參考文獻 29



Q95;
摘 要
隨著科學技術的日益進步,汽車對人們日常生活來說越來越重要。但是伴隨著汽車數量逐漸增加,交通事故發生的頻率也越加頻繁。行人安全已經成為全世界關注的一個重要課題,減少甚至避免交通事故的發生是智能輔助駕駛系統研究的最終目標之一,而行人檢測在系統中起著至關重要的作用。
在本文中設計行人檢測系統考慮到行人檢測的復雜性,把準確性和魯棒性作為評價標準。系統分為三個模塊:特征提取模塊,分類器訓練模塊,目標分類模塊。特征提取模塊的主要目標是從圖片中提取出可以顯著區別行人和非行人的特征。分類器訓練模塊則基于這些特征訓練一個具有較好泛化性能的分類器,目標分類模塊將訓練好的分類器應用于未知場景下的行人檢測。具體地,本文提取行人庫中正負樣本的梯度直方圖(HOG)作為特性,并利用支持向量機(SVM)進行訓練,從而得到目標分類中的分類面,為接下來的行人檢測奠定基礎。
實驗表明,所設計的特征提取模塊對光照變化,行人的動作、行人的外觀以及行人所處背景等問題具有良好的魯棒性。為測試行人檢測方法的性能,本文利用INRIA 行人庫,以使用更多的行人數據。根據當前圖像中提取的方向梯度直方圖特征,利用訓練好的分類器判定其是否是行人。本文提出的基于圖像的行人檢測方法提高了行人檢測的檢測精度、降低了誤檢率和漏檢率,同時在各種情況下取得良好的效果。


關鍵詞: 圖像行人檢測 方向梯度直方圖 支持向量機

掃掃二維碼,隨身瀏覽文檔

手機瀏覽器 即可繼續訪問

推薦 UC瀏覽器 或 百度手機瀏覽器

手機閱讀文檔,一鍵掃碼下載

獲取二維碼

微信公眾號

手機 關注公眾號

關注公眾號,用微信掃描即可登錄網站

獲取二維碼
河内五分彩开奖结果官网图片 11096期七星彩 深圳欢乐真人麻将官网 千赢游戏官网手机版登录 亿客隆官方APP 重庆快乐10分开奖公告 微乐长春麻将二维码 BBIN电子游戏规则—点击登陆 三分彩官网平台手机网站下载 1月7日cba比分 全新美女棋牌 福彩开奖号和值走势图带连线 青海11选5开奖结果走势图 免费国标麻将单机版 湖北快3历史数据 急速赛车2码投注方法 500wan篮球比分