:基于AdaBoost和神经网络的行人检测作者姓名:夔羞入学时间:垄Q!羔生皇月专业名称:塑剑堡迨皇整剑王程研究方向:篮蹙墨皇蟹鳇垡塞指导教师:赵堂题职称:副夔援论文提交日期:论文答辩El期:授予学位日期:至Q羔垒刍E墨旦垄Q至垒刍E鱼且乏乒^钏定么—WoRKADissertationsubmittedinfulfillmentoftherequirementsofthedegreeofMASTERoFPHILoSOPHYfromShandongUniversityofScienceandTechnologybyWeiFangSupervisor:ProfessorZhaoZengShunCollegeofElectricalEngineeringandAutomationMay2014Ⅲ4圳3圳6洲2ⅢY万方数据声明本人呈交给山东科技大学的这篇硕士学位论文,除了所列参考文献和世所公认的文献外,全部是本人在导师指导下的研究成果。该论文资料尚没有呈交于其它任何学术机关作鉴定。硕士生签名:日AFFIRMArIoN魂高期:加/铎弼目Ideclarethatthisdissertation,submittedinfulfillmentoftherequirementsfortheawardofMasterofPhilosophyinShandongUniversityofScienceandTechnology,iswhollymyownworkunlessreferencedofacknowledge·:∽苫昀Date:ⅫJ|牛沏6蘑6未;万方数据山东科技大学硕士学位论文摘要摘要行人检测技术在当今的交通监控系统中扮演着十分重要的角色,其对于提高安全性驾驶,保障行人安全具有重要作用。除此之外,行人检测还被应用在监控系统、智能车辆及人机交互系统中。近几年来,由于上述的广泛应用,行人检测作为目标检测的重要研究方向,已经成为机器视觉的一个热门研究领域。本文在分析了行人检测当前流行的特征提取、分类算法和行人图像的特点后,选取了Dalal等人提出的方向梯度直方图特征来表述行人特征。我们分别选择了当前广泛使用的AdaBoost算法与BP神经网络算法集成和AdaBoost与支持向量机集成的两类分类算法,实现行人检测的研究。l选用HOG特征作为分类器输入,并且将若干由训练样本训练得到的BP神经网络作为弱分类器,然后通过AdaBoost算法进行算法加强,得到由这些弱分类器组成的强分类器。为了不影响分类效果,我们选用了主成分分析算法进行特征降维,将降维后的特征向量作为分类器的输入。2同样将HOG特征向量作为分类器的输入,将经由不同训练样本集训练得到的支持向量机作为AdaBoost算法迭代的弱分类器,迭代完成后得到最终的分类器进行行人检测。论文实现了以上所述算法,并详细阐述了几种当前流行的行人检测算法,并将结果进行比较。我们分别在INRIA行人数据库和MIT行人数据库上进行训练和测试。实验结果显示,与其他行人检测方法相比,本文提出的方法在检测率和时间上均取得了较好的结果。关键词:行人检测,方向梯度直方图,AdaBoost算法,神经网络万方数据山东科技大学硕士学位论文摘要ABSTRACTPedestriandetectiontechnologyplaysaveryimportantroleinthecurrenttrafficmonitoringsystem,,pedestriandetectionhasbeenappliedinmonitoringsystem,intelligentvehicle,,asanimportantresearchdirectionoftargetdetection,,weappliedtheHistogramsofOrientedGradientsfeature,whichWasproposedbyDalaiandothers,
基于AdaBoost和神经网络的行人检测 来自淘豆网m.daumloan.com转载请标明出处.
