复杂背景下的人体目标检测方法与实现开题报告

全文总字数：3765字

1. 研究目的与意义

当今社会，计算机已经被广泛地应用到我们日常生活的多个领域，作为辅助手段甚至代替人们更有效地执行一些任务。

计算机的基本应用是在数字计算和通信方面。

然而，利用计算机实现的执行高级感知任务的自动系统具有更重要的应用价值和意义，比如，自动人脸识别、目标检测、事件检测等等。

2. 国内外研究现状分析

行人检测是当前目标检测方面的研究热点之一，它在视频监控、智能辅助驾驶系统、人机交互、虚拟现实等领域有着广泛的应用前景． 行人检测受人的身材和衣着上的差异性、人体动作的多样性、复杂的背景、自遮挡、视角、光照、尺度等因素影响． 随着传感器、核心算法的不断进步和使用，行人检测得到了较快发展．在分类算法上被引入的方法有径向基函数［1］、神经网络［2］等． 在应用这些算法时，大多是将行人检测看成一种简单的2 类划分问题，然后使用一个基于上述算法的单分类器来完成行人的分类． 采用的分类机制集中于两大类: ①基于单个支持向量机的分类机制［3］; ②基于组合的分类机制． 组合分类的思想是将多个单分类器按照一定的结构组织起来，综合判断待检测目标． 组合分类机制的关键在于如何设计多个单分类器的组织方式，目前分类器的组织方式主要有3 类: 简单串联组合、简单并联组合、串并联组合［4］． 组合分类器的性能受单分类器的组织方式影响很大，不适当的组织方式将显著降低分类器的性能． 如何提高系统的自学习能力已成为研究的热点．传统的分类器技术大多是以线性的方式来直接组合，本文使用一种全新的分类器组合方式，以交替的方式轮流对不同的特征做学习，将多重分类器处理完后的结果作为另一种输入样本，再以一个分类器做一次分类． 实验表明这种组织方式将大大提高分类器的性能．

3. 研究的基本内容与计划

Adaboost人体目标检测1 特征的选取及特征值的计算2 机器学习算法2． 1 支持向量机2． 2 AdaBoost 算法2． 2． 1 Boosting 算法2． 2． 2 AdaBoost 算法2． 3 改进的AdaBoost － SVM 算法

4. 研究创新点

行人检测在视频监控以及智能车系统中有着广泛的应用前景，为了能够更有效地检测行人，本文使用一种新的分类器组合方式，针对不同的行人的形状特征，设计行人识别方法，然后设计一个算法分类器． 它继承了AdaBoost 算法较快的训练速度，同时保证了算法可以达到与原始AdaBoost 算法基本相同的性能． 实验结果表明，系统的性能在保持已有算法检测准确性的同时，在处理大规模数据时可以大大提高训练速度，具有较大的实用价值．