基于混合高斯模型的行人检测方法

吉林大学学报(工学版) ›› 2011, Vol. 41 ›› Issue (01): 41-0045.

基于混合高斯模型的行人检测方法

李娟¹,邵春福¹,杨励雅²

1.北京交通大学城市交通复杂系统理论与技术教育部重点实验室,北京 100044；2.中国人民大学 |公共管理学院,北京 100872

收稿日期:2009-01-01 出版日期:2011-01-01 发布日期:2011-01-01
通讯作者: 邵春福（1957-）,男,教授,博士生导师.研究方向:交通规划与管理,智能交通系统,交通安全. E-mail:cfshao@bjtu.edu.cn E-mail:cfshao@bjtu.edu.cn
作者简介:李娟（1980-）,女,博士研究生.研究方向:智能交通系统,视频检测.E-mail:juanli_bjtu@yahoo.com.cn
基金资助:
“973”国家重点基础研究发展计划项目(2006CB705500）；国家自然科学基金项目(50778015)；中国人民大学科学研究基金项目(07XND012).

Pedestrian detection based on improved Gaussian mixture model

LI Juan¹,SHAO Chun-fu¹,YANG Li-ya²

1.Key Laboratory for Urban Transportation Complex Systems Theory and Technology of Ministry of Education,Beijing Jiaotong University,Beijing 100044,China;2.School of Public Administration, Renmin University of China, Beijing 100872, China

Received:2009-01-01 Online:2011-01-01 Published:2011-01-01

摘要/Abstract

摘要：

针对道路交通中行人的特点，从参数更新、背景估计和前景分割三个方面改进传统的混合高斯模型，提出一种有效的行人检测方法。首先，利用基于图像分割的参数更新模型，减少将静止前景判定为背景的可能性；其次，采用前景融合时间调整机制，控制前景融入背景的时间；最后，引入均值权值的概念，优化前景分割的条件。试验结果表明，改进的算法优于传统的混合高斯模型，具有良好的鲁棒性和自适应性，可正确检测出移动速度缓慢或静止的行人。

关键词: 交通运输系统工程, 智能交通系统, 行人检测, 背景提取, 混合高斯模型

Abstract:

Aiming at the peculiarity of pedestrian in the road traffic, an effective pedestrian detection method was proposed based on an improved Gaussian mixture model(GMM) in 3 aspects: parameter updating, background estimation and foreground segmentation. The possibility of misjudging the static foreground as the background was reduced using a parameter updating model based on the image segmentation. The time of the foreground merging into the background was controlled applying the adjustment scheme of foreground merging time.The foreground segmentation condition was optimized by introducing the concept of average weight. The test results showed that the improved algorithm is better than the traditional GMM. It is characterized by good robustness and adaptability, able to detect the slow-moving even static pedestrian.

Key words: engineering of communications and transportation system, intelligent transportation system, pedestrian detection, background extraction, Gaussian mixture model(GMM)

中图分类号:

U491.1

李娟,邵春福,杨励雅. 基于混合高斯模型的行人检测方法[J]. 吉林大学学报(工学版), 2011, 41(01): 41-0045.

LI Juan,SHAO Chun-fu,YANG Li-ya. Pedestrian detection based on improved Gaussian mixture model[J]. 吉林大学学报(工学版), 2011, 41(01): 41-0045.

参考文献

相关文章 15

[1]	陈永恒,刘芳宏,曹宁博. 信控交叉口行人与提前右转机动车冲突影响因素[J]. 吉林大学学报(工学版), 2018, 48(6): 1669-1676.
[2]	常山,宋瑞,何世伟,黎浩东,殷玮川. 共享单车故障车辆回收模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1677-1684.
[3]	曲大义,杨晶茹,邴其春,王五林,周警春. 基于干线车流排队特性的相位差优化模型[J]. 吉林大学学报(工学版), 2018, 48(6): 1685-1693.
[4]	宗芳, 齐厚成, 唐明, 吕建宇, 于萍. 基于GPS数据的日出行模式-出行目的识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1374-1379.
[5]	刘翔宇, 杨庆芳, 隗海林. 基于随机游走算法的交通诱导小区划分方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1380-1386.
[6]	钟伟, 隽志才, 孙宝凤. 不完全网络的城乡公交一体化枢纽层级选址模型[J]. 吉林大学学报(工学版), 2018, 48(5): 1387-1397.
[7]	刘兆惠, 王超, 吕文红, 管欣. 基于非线性动力学分析的车辆运行状态参数数据特征辨识[J]. 吉林大学学报(工学版), 2018, 48(5): 1405-1410.
[8]	宗芳, 路峰瑞, 唐明, 吕建宇, 吴挺. 习惯和路况对小汽车出行路径选择的影响[J]. 吉林大学学报(工学版), 2018, 48(4): 1023-1028.
[9]	栾鑫, 邓卫, 程琳, 陈新元. 特大城市居民出行方式选择行为的混合Logit模型[J]. 吉林大学学报(工学版), 2018, 48(4): 1029-1036.
[10]	赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[11]	陈永恒, 刘鑫山, 熊帅, 汪昆维, 谌垚, 杨少辉. 冰雪条件下快速路汇流区可变限速控制[J]. 吉林大学学报(工学版), 2018, 48(3): 677-687.
[12]	王占中, 卢月, 刘晓峰, 赵利英. 基于改进和声搜索算法的越库车辆排序[J]. 吉林大学学报(工学版), 2018, 48(3): 688-693.
[13]	李志慧, 胡永利, 赵永华, 马佳磊, 李海涛, 钟涛, 杨少辉. 基于车载的运动行人区域估计方法[J]. 吉林大学学报(工学版), 2018, 48(3): 694-703.
[14]	陈松, 李显生, 任园园. 公交车钩形转弯交叉口自适应信号控制方法[J]. 吉林大学学报(工学版), 2018, 48(2): 423-429.
[15]	苏书杰, 何露. 步行交通规划交叉路口行人瞬时动态拥塞疏散模型[J]. 吉林大学学报(工学版), 2018, 48(2): 440-447.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed