积分商城

最新搜索： ffmc 安全要求 毫米波雷达 电路与模拟电子技术 ST7735S中文手册 stm32f
您现在的位置是：首页 > 技术资料 > 基于区域复合概率的行人候选框生成
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

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

【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）
7
Vol． 46 No． 7  
Jul． 2018  
第
期
电
子
学
报
2018  
7
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  
:
A
: 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  
1
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］  
Search  
，
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  
3
为
1
2
k
，
．
，
R ( i = 1，2，…，k)  
i
成问题可转化为对各区域  
分别建模分  
k
．
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) )  
i
Ri  
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  
2
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)  
k
．
并提高准确率 其中  
，L、S  
t ，  
均为时间 的函数 因此求解  
(
t)  
λ
－
t
λ
P( N( t) = k) =  
e
，k = 0，1，2，…  
泊松分布的  
即
F( L( t) ，S( t) ) ．  
LMP  
k!  
问题可写为  
本文的  
算法通过区域  

相关下载

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

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号