基于视频横穿行人检测算法地研究

《基于视频横穿行人检测算法地研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、万方数据AThesisinAppliedMathematicsResearchOnCrossingPedestrianDetectionBasedonVideoByLiyingChaiSupervisor：ProfessorYanruiSunNortheasternUniversityJune2012万方数据独创性声明㈣本人声明，所呈交的学位论文是在导师的指导下完成的。论文中取得的研究成果除加以标注和致谢的地方外，不包含其他人已经发表或撰写过的研究成果，也不包括本人为获得其他学位而使用过的材料。

2、与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。学位论文作者签名：荣利沏kt别：7-OD_、彳。>哆学位论文版权使用授权书本学位论文作者和指导教师完全了解东北大学有关保留、使用学位论文的规定：即学校有权保留并向国家有关部门或机构送交论文的复印件和磁盘，允许论文被查阅和借阅。本人同意东北大学可以将学位论文的全部或部分内容编入有关数据库进行检索、交流。作者和导师同意网上交流的时间为作者获得学位后：半年口一年口一年半口两年影学位论文作者签名：柴厕粮导师签名：签字日期：30

3、0-．石，雌签字日期：r“r蕞舢至．^剖强A万I’扣和万方数据东北大学硕士学位论文摘要基于视频的横穿行人检测算法研究摘要随着交通事业的不断发展，汽车拥有量的不断增加，交通事故频繁发生，交通事故危害性极大，行车时最危险的情况之一是有横穿的行人出现，因此，横穿行人检测，对汽车安全驾驶具有重要意义。本文对多种行人检测识别算法进行了研究，在已有算法的基础上，自主设计并实现了一种新的横穿行人检测算法。考虑到大量行人横穿过马路时相互遮挡的情况，设计并改进了传统的人群检测算法，保证无论是出现单个横穿的行人还是

4、人群，本系统都能对司机进行提醒。本文所做的工作：对于机器学习定位不准确问题，采用模板匹配对感兴趣区域再次确认，即提高了检测率又起到了定位准确的作用。在模板匹配过程中，提取了一种含有较少噪声的腿部特征图像，并对模板按照腿部实际的倾斜角度分(j，荭。本系统特点：识别率高，行人定位准确，系统能够识别出人的具体姿态，实时性好。本文的创新点：1．结合生物学人体结构特点与人腿运动的周期性，对人腿部进行拆分，提取了一种方向性与灰度差异相结合的行人腿部特征图像。2．提出了一种按照人腿实际摆动角度对模板分层的方法

5、，本方法有效的解决了模板数量与实时性的问题。3．提出了一种新的按照直线实际倾斜角度进行投票的直线检测方法，对人群检测算法进行了改进，获得较好的检测效果。本系统已安装在测试车上，进行实际路面测试，获得了较好的检测效果，本系统将推出产品。关键词：横穿行人检测；腿部特征提取；模板匹配；人群检测．II．万方数据东北大学硕士学位论文AbstractResearchonCrossingPedestrianDetectionBasedonVideoAbstractWiththetransportationin

6、dustrycontinuousdevelopingandcarownersincreasing，trafficaccidentsOccurfrequently．Trafficaccidentshavealotofharmfulness．Themostdangeroussituationisthatapedestriancrossestheroad．Thereforeacrossingpedestriandetectionisofgreatsignificancetodrivingsafely．

7、Thisessaysummarizesavarietyofpedestriandetectionsandidentificationalgorithmaswellasdesignsanewcrossingpedestriandetectionalgorithmonthebasisoftheexistingalgorithms．Takingthemutualblockedwhenalargenumberofpedestrianscrossingthemadintoaccount，Iimprovet

8、hecmwddetectionalgorithm．ThesystemCanalertdriverswhetheritisasinglecrossingpedestrianorcrowd．Workdonei11thisarticle：Makinguseoftemplatematchingreaffirmedtheregionofinteresttosolveinaccuratepositioningofmachinelearningnotonlyimprovesthedetectionratebu