行人檢測(cè)介紹PPT學(xué)習(xí)教案

1、會(huì)計(jì)學(xué)1 行人檢測(cè)介紹行人檢測(cè)介紹 第1頁(yè)/共15頁(yè) 非機(jī)器學(xué) 習(xí)的方法 基于機(jī)器學(xué)習(xí)方法 行人檢測(cè) 1.幀差法 2.背景差分法 3.光流法 4.基于模板匹配法 受場(chǎng)景影響大，檢測(cè)率低、誤報(bào)率高 基本采用這種方法來(lái)實(shí)現(xiàn)檢測(cè) 第2頁(yè)/共15頁(yè) 數(shù)據(jù)獲取 模式空 間 預(yù)處理特征提取 特征向量 特征空 間 分類器設(shè)計(jì) 分類決策 類型空 間 模式識(shí)別 訓(xùn)練樣本特征提取和選擇 分類器 XY 樣本識(shí)別 第3頁(yè)/共15頁(yè) 創(chuàng)建標(biāo)準(zhǔn)數(shù)據(jù)集 特征提取 訓(xùn)練兩類分類器 最終分類器 訓(xùn)練 多尺度掃描圖像 特征提取 利用分類器進(jìn)行分類決策 融合多尺度上的檢測(cè)結(jié)果 檢測(cè) 檢測(cè)結(jié)果 第4頁(yè)/共15頁(yè) 感興趣區(qū)域分割 RO

2、I區(qū)域特征提取 分類決策 檢測(cè)結(jié)果 優(yōu)點(diǎn)：檢測(cè)速度快 缺點(diǎn)：檢測(cè)效果不如滑動(dòng)窗口法，容易漏檢 第5頁(yè)/共15頁(yè) 圖像分割 基于邊緣的方法 閾值法 特征聚類算法 Prewitt算子 Sobel算子 Canny算子 邊緣走向，像素值幅度變化平緩，垂直變化劇烈，所以邊緣上像素值一階導(dǎo)數(shù)較大，二階導(dǎo)數(shù)在邊緣處值為0，呈現(xiàn)零交叉 基于直方圖灰度分布的閾值法 基于類間方差的閾值法 基于熵的劃分 K-均值聚類 均值漂移 基于圖論 第6頁(yè)/共15頁(yè) 高斯濾波器平滑圖像 一階偏導(dǎo)的有限差分來(lái)計(jì)算梯度的幅值和方向 對(duì)梯度幅值進(jìn)行非極大值抑制 雙閾值法檢測(cè)和連接邊緣 11 11 1 H 11 11 2 H yxHn

3、mfnm,),(),( 11 ),(),(, 22 nmHnmfnm ),(),(),( 2 2 2 1 nmnmnm ),( ),( arctan 1 2 nm nm 2 , 11, 1,1, ),( nmfnmfnmfnmf nmP 2 1, 1 1, 1, , nmfnmfnmfnmf nmQ 1 g 2 g C 2dTmp 1dTmp 3 g4 g 中心像素C與沿著梯度線的兩個(gè)像素相比，若C的梯度值不比dTmp1和dTmp2大，則令其灰度值為0 對(duì)非極大值抑制圖像作用兩個(gè)閾值th1和th2，兩者關(guān)系th1=0.4th2。我們把梯度值小于th1的像素的灰度值設(shè)為0，得到圖像1。然后把梯度

4、值小于th2的像素的灰度值設(shè)為0，得到圖像2。由于圖像2的閾值較高，去除大部分噪音，但同時(shí)也損失了有用的邊緣信息。而圖像1的閾值較低，保留了較多的信息，我們可以以圖像2為基礎(chǔ)，以圖像1為補(bǔ)充來(lái)連結(jié)圖像的邊緣。 第7頁(yè)/共15頁(yè) 第8頁(yè)/共15頁(yè) 第9頁(yè)/共15頁(yè) 11 0 1 0 1 0 iiiiii 、及、分別為設(shè)聚類前后聚類中心值 非常小、后 標(biāo)，則聚類內(nèi)的像素屬于同一類目、若聚類空間 11 11 iii iii KKK 聚類前： 1 0 1 0 00 1 0 ii ii l 2 11 ii ii d 聚類后： 判斷d最大對(duì)應(yīng)的u的相鄰兩聚類中心平均值作為閾值進(jìn)行二值化 第10頁(yè)/共15頁(yè) 第11頁(yè)/共15頁(yè) 第12頁(yè)/共15頁(yè) 輸入圖像 Gamma歸一化 計(jì)算梯度 在每個(gè)cell中將梯度投影到梯度方向 將cells在block內(nèi)歸一化 對(duì)圖像對(duì)比度進(jìn)行調(diào)節(jié) gamma