研究目的
研究一种利用同一场景的热成像与可见光图像的混合系统在行人检测中的有效性。
研究成果
所提出的混合行人检测系统有效融合了热成像与可见光图像数据,采用改进的OTSU阈值分割技术与结合HOG-Color及HOOF特征的随机森林分类器。该系统在多个数据集上展现出卓越性能,在精确度、召回率和F值等指标上均优于多种前沿方法。未来工作拟在验证阶段引入热成像数据,并探索更多特征以提升系统的鲁棒性与效率。
研究不足
该研究承认存在一些挑战,例如热交叉场景中行人会与周围环境在热成像中融为一体,以及某些分类器(如卷积神经网络CNN)的计算需求较高——由于资源消耗过大,本研究未采用此类分类器。
1:实验设计与方法选择:
该研究采用两步法进行行人检测:假设生成(HG)和假设验证(HV)。HG对热成像图像使用改进的OTSU阈值技术,而HV对可见光图像采用基于HOG-Color和HOOF特征的随机森林分类。
2:样本选择与数据来源:
该方法在三个公开数据集上进行测试:OSU彩色-热成像数据集、INO视频分析数据集和LITIV数据集。
3:实验设备与材料清单:
使用热成像和可见光相机进行图像采集,包括OSU数据集的雷神PalmIR 250D和索尼TRV87 Handycam,以及INO数据集的ThermoVision A10和Marlin F33C CCD传感器。
4:实验流程与操作步骤:
过程包括热成像图像分割、映射到可见光图像、后处理以过滤感兴趣区域(ROIs),以及使用随机森林进行分类。
5:数据分析方法:
性能评估采用精确率、召回率和F值指标。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容