推荐星级：

基于区域复合概率的行人候选框生成

更新时间：2019-12-24 14:32:44 大小：2M 上传用户：守着阳光1985 查看TA发布的资源 标签：区域复合概率 下载积分：1分评价赚积分（如何评价?）打赏收藏评论(0) 举报

资料介绍

行人检测在汽车驾驶辅助系统和智能视频监控等领域有广泛的应用,而行人候选框的生成是行人识别、定位及跟踪的一项重要前期工作.本文提出一种基于区域复合概率(Local Mixture Probability,LMP)模型的在线生成行人候选框的方法.该方法根据区域相似性将监控场景划分为多个子区域,随之对各区域内行人的位置和尺度分别建立泊松模型和高斯模型.通过模型的学习与更新可以获取目标出现的概率信息以及目标尺度的分布情况,从而为候选框的生成提供依据,避免遍历搜索的盲目性.实验结果表明,该算法能够在生成较少数目候选框的情况下获得较高的覆盖率.

部分文件列表

文件名	大小
基于区域复合概率的行人候选框生成.pdf	2M

立即下载

【关注视频号领20积分】【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）

Vol． 46 No． 7

Jul． 2018

第

期

电

子

学

报

2018

ACTA ELECTRONICA SINICA

年

月

基于区域复合概率的行人候选框生成

，

覃剑肖婷

(

，

重庆大学通信工程学院重庆

400044)

，

行人检测在汽车驾驶辅助系统和智能视频监控等领域有广泛的应用而行人候选框的生成是行人识

摘

要

、．

别定位及跟踪的一项重要前期工作本文提出一种基于区域复合概率

( Local Mixture Probability，LMP)

模型的在线生

．，

成行人候选框的方法该方法根据区域相似性将监控场景划分为多个子区域随之对各区域内行人的位置和尺度分别

．，

建立泊松模型和高斯模型通过模型的学习与更新可以获取目标出现的概率信息以及目标尺度的分布情况从而为候

，．，

选框的生成提供依据避免遍历搜索的盲目性实验结果表明该算法能够在生成较少数目候选框的情况下获得较高

．

的覆盖率

关键词

中图分类号

URL: http: / /www． ejournal． org． cn

;

机器视觉行人检测区域复合概率模型生成候选框

TP391. 4

: 0372-2112 ( 2018) 07-1719-07

DOI: 10． 3969 /j． issn． 0372-2112． 2018． 07． 025

文献标识码

文章编号

电子学报

Pedestrian Proposal Generation Based on

Local Mixture Probability Model

QIN Jian，XIAO Ting

( College of Communication Engineering，Chongqing University，Chongqing 400044，China)

Abstract: Pedestrian detection is widely applied in driver assistance systems and video surveillance fields，while pro-

posal generation is a significant preliminary work for pedestrian recognition and tracking． This paper proposes a method for

fast online proposal generation using Local Mixture Probability ( LMP) model． Poisson model and Gaussian model are sepa-

rately established for online learning location and scale of pedestrians after region-dependent segmentation according to local

similarity． Based on learning and updating models，both the probability of pedestrians occurrence and the probability distribu-

tion of the scale in specific regions can be obtained，which provides bases for pedestrian proposal generation and avoids

searching blindness． Experiments on Caltech Pedestrian dataset show that LMP can achieve higher recall by fewer pedestrian

detection proposals．

Key words: machine vision; pedestrian detection; LMP model; proposal generation

．

效率均有很大的影响如果前期生成的候选框与真实

引言

，，

目标的覆盖度较大且候选框的数目能尽量少就会对

、

行人检测在智能视频监控智能汽车及交通中都

，

整个行人检测系统产生正面的作用即提升行人检测

［2］

．、、

有着重要的应用通过对行人的检测跟踪轨迹分析及

，

的准确率并缩短搜索的时间

．

［1］

，

行为识别系统可检测异常事件并报警

．

行人检测与

，

针对该问题学者提出了多种生成行人候选框的

［3］

［4］

．

方法如

Bing

Edge Boxes

定位的准确性直接影响后续工作乃至整个系统的性

和

这类基于单帧图像信息

．， “ ” “

能一般行人检测主要由生成检测候选区域和行

，

的无类别候选框生成方法主要利用单帧图像中的边

［3］

、

缘纹理等特征信息

． Bing

” ．

人识别两个部分组成即先在图像帧中生成可能的目

训练了一个简单的线性分

，Edge Bo-

类器通过类似滑动窗的方式来过滤候选框

，

标框然后采用识别算法对该目标框进行检测并识别

［4］

xes

，

则通过计算窗口内边缘个数进行打分最后排序

． “ ”

是否为行人其中生成检测候选区域是识别行人的

．，

得到候选区域该方法处理速度快但是不适合用于智

，

一项重要的前期工作对最终的行人检测的准确率和

: 2017-02-13;

: 2018-01-15;

责任编辑李勇锋

收稿日期

修回日期

: -

基金项目教育部中国移动科研基金项目

( No． MCM20150102) ;

( No． CXTDX201601006)

重庆高校创新团队建设计划

1720

2018

年

电

子

学

报

、

能监控无人驾驶等需要进行特定目标检测的应用场

．

分块和高斯泊松复合模型来进行求解

2. 1

区域分块

．

景中另一类算法考虑到行人检测中的目标大多处于

，，

运动状态因此先检测出运动目标作为候选框再进行

，

在静态监控及车载监控等场景下行人出现的位

．［5 ～ 7］

识别如文献等利用运动目标的光流随时间变

，

置和频率分布具有局域一致性即在某区域内行人的

，

化的特性把光流计算得到的运动场作为一个重要的

，

尺度分布不会有太大的差别行人出现的频率应是稳

．

识别特性来检测运动目标该方法虽然能够描述运动

．，

定或缓慢变化的因此可以将场景划分为多个具有相

，，

信息但对于场景中一些静止或者运动缓慢的目标该

．，

似性的子区域然后分别建立模型此外由于摄像头的

，．

方法几乎不能捕捉到信息无法有效地生成候选框还

，，

透视效应行人的尺度分布在整个场景中并不一致近

，

有一类方法则采用遍历搜索的方式如滑动窗搜索方

，．，

处行人尺度较大远处行人尺度较小所以在整个场景

［8］

，，

但该方法会产生数以万计的候选框计算量太大

式

，

中采用相同的尺度及步长搜索会造成大量冗余而通

;

从而降低了目标检测的效率后来发表的

Selective

．

过区域分块并单独建模则可以避免

LMP

［9］

，

方法综合了蛮力搜索和图像分割旨在找出可

算法首先将监控场景划分为多个具有局部相

［10］

． R-CNN

Fast R-

能的目标位置来进行物体的识别

与

． R， k ，

似性的子区域对于场景将其划分为个区域分别

［11］

CNN

Selective Search

检测器均采用

算法生成目标候

选框处理速度慢此外一些算法通过共享候选框生成

Faster R-

{ R ，R ，R ，…，R } ，

则整个场景中行人候选框的生

为

，

．

，

R ( i = 1，2，…，k)

成问题可转化为对各区域

分别建模分

．

算法和检测算法的信息从而降低运算量如

．

析即

: F( L( t) ，S( t) )

 ∪

F ( L ( t) ，S ( t) )

R_i

［12］

［11］

i = 1

CNN

Fast R-CNN

Region Proposal Net-

引入了

基于

，

实际处理中考虑到分块处理的复杂度以及研究

works( RPN) ，，

与检测网络共享整幅图片的卷积特征虽

，，

场景的特点没有必要将研究场景进行过度的细分本

，

然加快了处理速度但是由于候选框生成算法与目标

k = 12 ( 3 × 4) ， 1 ．

份如图所示

文直接将场景分成

，．

识别算法紧密耦合该方法没有普适性而

OL _

［13］

GMPG

斯模型的方式获取行人的位置和尺度信息进而生成候

方法采用对研究场景中的每个像素点建立高

，

选框但其未考虑目标分布的局部相似性及区域合并

，

．

复杂度高

在静态监控及车载监控等场景中上述方法均存

( Lo-

，

在一定局限性本文提出了一种基于区域复合概率

cal mixture probability，LMP) ． LMP

模型的新算法

算法充

2. 2

高斯泊松复合模型

行人候选框的生成问题实际上就是预测在当前帧

分利用研究场景的行人分布的信息以及视频图像序列

，

之间的相关性将监控场景划分成多个具有局部相似

，，

性的子区域训练高斯泊松复合模型预测出现在每个

，

中行人的可能位置参数和尺度参数可分别建立模型

．

区域的行人的密度和尺度信息在之后的候选框生成

．

进行求解

2. 2. 1

位置模型用于拟合行人的位置信息其中预测当

前帧是否有行人出现及出现的位置可以转换为求取各

，，

过程中对各个区域进行不同步长的滑动窗搜索其中

位置模型

，

通过泊松模型提供的位置信息调整步长而多尺度搜

，

．

索则依据高斯模型提供的尺度信息实现此外该算法

，，

采用了在线学习机制模型更新与检测同步进行处理

，

子区域下一时间段行人是否会出现的问题即可以通

．

速度快针对

Caltech Pedestrian set00

数据库的

，

数据集

过对每个子区域建立位置模型求解相应区域下一时间

5198

，

个行人候选框时获得

．，

段行人出现的概率实际处理中我们将该问题转化为

当在每幅图片上平均设置

90. 9%

．

以上的平均覆盖率

．

了

求解某区域在一段时间内行人出现的次数

泊松过程是描述随机事件累计发生次数的基本数

区域复合概率模型原理

，，

学模型之一在应用中很多场合都满足这些条件可以

行人候选框的生成问题实际上可以视为求解视频

假设监控场景某区域一段时间内行人出现的次数是一

L、 S F( L，S) ，

中行人可能出现位置表观尺度的分布如

．

泊松过程

，

果预测值逼近真实值则可以以尽可能少的候选框最

{ N( t) ，t T =［0，+ ) }

∈

∞

设

是一强度为 λ 的泊松

( t) ，

服从泊松分布π λ

，

大限度地准确覆盖所有真实的目标降低识别运算量

，

过程则对任意固定的

t ＞ 0，N( t)

．

并提高准确率其中

，L、S

t ，

均为时间的函数因此求解

(

－

P( N( t) = k) =

，k = 0，1，2，…

泊松分布的

即

F( L( t) ，S( t) ) ．

LMP

问题可写为

本文的

算法通过区域

全部评论(0)

暂无评论

评论赚积分>>

上传资源上传优质资源有赏金

基于区域复合概率的行人候选框生成

资料介绍

部分文件列表

部分页面预览

相关下载

全部评论(0)

热门标签

最新上传

热门下载

推荐下载

专栏首页