深度圖像下基于特征學(xué)習(xí)的人體檢測方法研究.pdf

1、人體檢測是計算機視覺領(lǐng)域的研究熱點與難點，在智能監(jiān)控、智能家居服務(wù)型機器人、汽車的安全駕駛、機器人視覺導(dǎo)航、智能交通、游戲娛樂等方面都有廣泛的應(yīng)用。人體檢測不僅有直接的應(yīng)用價值，同時也是計算機實現(xiàn)人體動作行為識別和跟蹤等視覺技術(shù)的基礎(chǔ)，具有很好的理論研究價值。
　　根據(jù)圖像數(shù)據(jù)類型的不同，人體檢測的研究大體分為基于RGB圖像的檢測與基于深度圖像的檢測。目前，基于RGB圖像上的人體檢測已經(jīng)取得一定的進展，但RGB圖像的人體檢測，常常

2、因為受光照變化、陰影、物體遮擋及復(fù)雜背景等因素的干擾，檢測性能大受影響。深度圖像作為一種新型的數(shù)據(jù)描述方式，不僅可以保存物體的空間位置信息，而且具有保護隱私、不受光照變化影響以及維度小的優(yōu)點。隨著Kinect傳感器的出現(xiàn)，基于深度圖像的人體檢測逐漸成為新潮。本文圍繞深度圖像的人體檢測，首先概述了基于RGB圖像的人體檢測與基于深度圖像的人體檢測的研究現(xiàn)狀，并對人體檢測里一些常用特征提取方法的基本思想與原理做簡要介紹。在對國內(nèi)外計算機視覺領(lǐng)

3、域的人體檢測研究方法做歸納與總結(jié)的基礎(chǔ)上，重點進行了如下兩個方面的工作:
　　1.在檢測速度方面，針對滑動窗口法在人體檢測方面存在搜索空間大的問題，提出了檢測前聚類的概念，將其加入人體檢測框架。為加速特征提取過程，在人體檢測前預(yù)先對人體的可能位置進行定位，并裁剪出待檢測圖像集。
　　2.在深度圖像的人體描述子方面，將深度學(xué)習(xí)方法引入深度圖像的人體檢測中，通過稀疏自編碼(SAE)來學(xué)習(xí)人體的深度特征，并對圖像的深度信息進行重新

4、編碼，從而實現(xiàn)圖像的特征提取。
　　最后，在SZU Kinect人體檢測數(shù)據(jù)集上，我們將本文所用的深度學(xué)習(xí)方法SAE提取的人體特征與深度圖像人體檢測里的一些典型的特征提取方法，如HOD，HDD，SLTP，RDSF，以及我們改進的SLTP算法進行實驗對比。在分類器的選擇上，比較了SVM與Softmax兩種分類器的檢測性能。
　　實驗結(jié)果表明本文對基于深度圖像的人體檢測框架的改進很大程度上提高了人體檢測的速度。深度學(xué)習(xí)算法在深度