文档介绍：代号 10701 学号 1012421096
分类号 TP391 密级公开
题(中、英文)目基于多核学习和非负矩阵分解的人体检测研究
Research of Human Detection Based on Multiple Kernel
Learning and Non-negative Matrix Factorization
作者姓名顾建银指导教师姓名、职务韩红副教授
学科门类工学学科、专业模式识别与智能系统
提交论文日期二○一三年五月
西安电子科技大学
学位论文独创性(或创新性)声明
秉承学校严谨的学风和优良的科学道德,本人声明所呈交的论文是我个人在
导师指导下进行的研究工作及取得的研究成果。尽我所知,除了文中特别加以标
注和致谢中所罗列的内容以外,论文中不包含其他人已经发表或撰写过的研究成
果;也不包含为获得西安电子科技大学或其它教育机构的学位或证书而使用过的
材料。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做了明确的说
明并表示了谢意。
申请学位论文与资料若有不实之处,本人承担一切的法律责任。
本人签名: 日期:
西安电子科技大学
关于论文使用授权的说明
本人完全了解西安电子科技大学有关保留和使用学位论文的规定,即:研究
生在校攻读学位期间论文工作的知识产权单位属西安电子科技大学。学校有权保
留送交论文的复印件,允许查阅和借阅论文;学校可以公布论文的全部或部分内
容,可以允许采用影印、缩印或其它复制手段保存论文。同时本人保证,毕业后
结合学位论文研究课题再撰写的文章一律署名单位为西安电子科技大学。
本人签名: 日期:
导师签名: 日期:
摘要 I
摘要
人体检测是计算机视觉中一个非常重要的研究领域,有着广阔的应用前景,
如智能视频监控,高级人机交互,驾驶员辅助系统,人体运动分析等。但是由于
一些客观存在的原因,如光照不均匀,背景复杂,人体姿势变化较大,人体存在
遮挡等,使得人体检测成为一个具有挑战性的工作。
在多核学习算法的基础上,本论文就提高人体分类器的性能,使得检测结果
更加鲁棒,提出了一种基于部位的静态人体检测方法,利用图像的深度信息去除
部分虚景,利用非负矩阵分解,得到具有区分较强的特征。
本论文主要工作如下:
1. 提出了一种基于部位的静态人体检测方法,该方法首先将整个人体划分为
头肩、躯干和下肢几个部位,分别提取各个部位的特征,计算它们的核矩阵,利
用多核学习算法,将它们进行线性加权为一个矩阵,最后训练出一个分类器,根
据分类器的响应来判定窗口是否包含人体。仿真实验的结果表明,此方法使得分
类的性能有所提升,能够检测出背景复杂,光照不均匀,人体姿势变化较大,存
在部分遮挡情况下的人体,使得图像中的人体检测比较鲁棒。
2. 将基于梯度的 HOG 特征和描述纹理特征的局部二值描述子相结合,采用多
核学习的框架来进行异质特征的融合。该方法对不同的特征分别计算其核矩阵,
最后通过对各个核矩阵的线性加权来进行计算,其权重系数是根据训练样本中的
各个特征对分类的贡献学习出来的。利用数据库中的深度信息对分类器的结果进
行验证,来达到去除部分虚景的目的。最后的实验表明结合异质特征更加丰富的
表征的图像的特征,采用多核学习的方法进行特征融合有利于分类器性能的提升,
验证减少了虚景,这些使得人体检测更加鲁棒。
3. 提出一种基于非负矩阵分解算法的人体检测方法。该方法将样本按块划分,
分别提取其尺度不变特征,用它来表示样本。然后对训练样本组成的特征矩阵进
行非负矩阵分解,得到一个基矩阵和一个系数矩阵。我们使用特征向量在变换后
的空间中的另外一种形式来表示,即分解后的系数矩阵作为最终的特征向量。实
验结果表明,该方法能得到与 HOG 算法相同的分类性能,但是值得一提的是提出
的方法每个样本的特征向量为 500 维时,与 3780 维的 HOG 描述子取得了相当的
分类效果。在特征维数如此少的情况下取得与 HOG 相当的分类性能,说明提出的
方法得到的特征是非常具有区分能力的,这也能够减少运算量及存储空间。
本论文工作得到了国家自然科学基金(编号:61075041、61105016)的资助。
关键词:人体检测特征提取多核学习非负矩阵分解
Abstract III
Abstract
Pedestrian detection has attracted a lot of attention in recent years, since it has wide
spect