2。2。1 积分图 9

2。3 HOG 特征介绍 10

2。3。1 HOG 特征的提取 11

2。4 LBP 特征 14

2。4。1 LBP 特征描述 15

2。4。2 LBP 特征向量提取 15

2。4。3 LBP 的改进 16

2。5 SIFT 特征 16

2。4。1 SIFT 特征检测 17

2。4。2 SIFT 特征匹配 17

2。6 本章小结 18

第 3 章 分类方法的研究 19

3。1 引言 19

3。2 支持向量机(SVM) 19

3。2。1 支持向量机原理 20

3。3 AdaBoost 算法 23

3。3。1 AdaBoost 算法原理 23

3。4 本章小结 25

第 4 章 基于多特征融合的行人检测 26

4。1 引言 26

4。2 行人检测的实验流程 27

4。2。1 样本集的构造 27

4。2。2 行人特征的提取 28

4。3。3 AdaBoost 分类器训练 28

4。4 实验结果与分析 30

4。5 本章小结 33

第 5 章 总结和展望 34

5。1 总结 34

5。2 展望 34

致谢 36

参考文献 37

第 1 章 绪论

1。1 研究背景以及研究意义

这几年来，由于计算机视觉、模式识别和图像处理技术等相关技术迅速发展， 以及智能汽车、智能监控和安全领域的需求非常大，行人检测技术的应用越来越 广泛，如今行人检测已经目前一个非常重要的研究方向。

目前的视频监控系统一般都会包含非常多的摄像头，每个摄像头一般都监控 一个固定的区域。在需要监控某一处的信息时，监控人员根据时间地点切换不同 视角来进行实时监控。这种使用人力来监控道路的动态无疑会耗费巨大的人力与 财力，并且人力难免会有疏忽，监控的效率也不会太高。于是，通过结合行人检 测，行为分析和视频监控等技术来监控道路信息便孕育而生，也就是我们熟悉的 智能监控技术。该项技术可以为实时的安全监控提供一种解决思路和方案，效率 与人工相比也会有很大的提升。比如对于火车站，机场，商场这些对于安全性要 求比较高的场所，智能监控系统就能够发挥出很大的作用了。智能监控系统可以 在发生非正常事件的时候发出警告，并且在有必要的时候自动采取相应的解决措 施，这可以很好的解决对于人工的依赖，极大的节省人力成本，提高效率。而智 能监控中最重要的技术就是行人检测了，所以，对于行人检测相关技术的研究， 意义不言而喻。文献综述

运动目标检测和多特征的行人检测是本文的主要研究对象。就目前而言，虽 然行人检测已经有了一定的进展，但行人检测技术在计算机视觉和模式识别领域 以及图像处理方面仍存在诸多发展的机会，挑战以及难点。开展该项技术的研究 工作，对于生产、生活和科研都有广泛的理论研究意义以及现实意义，同时也会 为社会带来实际的市场价值。 HOG多特征的行人检测AdaBoost分类算法(2):http://www.youerw.com/jisuanji/lunwen_93326.html