《行人檢測中粒度空間特徵提取方法研究》是依託南京理工大學,由劉亞洲擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名:行人檢測中粒度空間特徵提取方法研究
- 項目類別:青年科學基金項目
- 項目負責人:劉亞洲
- 依託單位:南京理工大學
項目摘要,結題摘要,
項目摘要
本課題提出了基於粒度空間的特徵提取方法用於人體檢測。粒度表示特徵對於數據的抽象能力,精細粒度特徵對於數據有較低程度的抽象,因此具有較好的細節描述能力,適合用於對數據進行確定性的描述;而粗糙粒度的特徵對於數據有較高程度的抽象,其所體現的是一種統計特性。因此,粒度空間特徵意味著對於數據進行不同層次的抽象,從而得到從確定性描述到統計性描述的一系列具有不同描述特性的特徵表示。在粒度空間特徵框架下,我們進一步研究了特徵粒度與目標尺度之間的耦合關係、多通道異質特徵的快速提取方法以及利用領域自適應實現特徵與人體姿態的共變。粒度空間特徵的優勢在於:1)具有非常豐富的描述能力,既可以提取結構特徵,又可以提取統計信息;2)粒度具有明確的幾何意義,可以方便的進行定量的控制;3)可以通過調節粒度參數來實現異質特徵提取,算法複雜度較低。
結題摘要
本課題提出了基於粒度空間的特徵提取方法用於人體檢測。粒度空間特徵意味著對於數據進行不同層次的抽象,從而得到從確定性描述到統計性描述的一系列具有不同描述特性的特徵表示。圍繞著這一研究目標,我們從以下幾個方面開展了相關研究: 1) 在稀疏表示的基礎上,提出一種基於多重稀疏字典直方圖的多粒度行人特徵提取方法,這種特徵提取方法利用稀疏表示,從多個不同稀疏的字典中學習到行人的特徵,這種方法能夠有效的降低特徵維數,並且能夠準確對行人進行不同層次的多粒度描述。 2) 提出了一種多通道特徵與深度網路相結合的行人檢測方法。該方法採用多通道Haar-Like特徵,並結合基於降噪自動編碼器的深度學習的行人檢測方法。該特徵基於直立行人的統計模型將行人分為頭部、上體和下肢三部分,受到Haar-Like特徵的啟發,針對行人的統計模型設計了多元Haar-Like特徵,對衣著和環境變化有較強的魯棒性。 3) 提出了一種基於深度網路遷移學習的行人檢測方法。利用基於特徵遷移思想,最小化源域和目標域在深度網路最高層輸出的分布差異,對深度網路進行修改最佳化,使其具有遷移能力。根據攝像機針孔成像原理,對行人在成像圖像中位置與其尺度關係建模作為先驗信息,用於篩選目標域檢測結果,使檢測結果具有更高可信度,不會對檢測模型造成負遷移。 4) 提出一種基於深度圖像的人體特徵表示方法。針對深度圖像的特性,提出一種魯棒的具有測地不變性的深度圖像特徵提取方法,該方法是多層次特徵表示框架。低級的幾何梯度特徵在提取過程中,實現了對於尺度和旋轉變化的魯棒性;中級特徵,超像素分割可以降低深度圖像的冗餘程度,對於噪聲影響有更好的魯棒性和更快的處理速度;高級特徵是通過深度網路學習數據的非線性特性,從而進一步提高分類的精度。 5) 提出一種低秩結構化稀疏表示的行人異常行為檢測。在人體檢測的基礎上,我們研究了行人異常行為檢測的套用及方法。採用多尺度三維梯度特徵作為視頻序列中異常事件檢測的特徵。針對傳統異常事件檢測方法沒有考慮視頻數據低秩特性的問題,在字典學習方法中引入了LASSC模型,提出了基於LASSC模型的字典學習算法。