摘要：由于计算机技术的高速发展，利用计算机的视觉技术成为智能交通领域较为热门的研究方向。行人检测与行人跟踪作为智能交通领域的一个研究热点，行人为交通环境中的重要参与者，其动作灵活多变，导致交通事故频繁发生，并且行人的运动状态是一个难点在行人检测与跟踪技中。因为影响行人检测和行人跟踪的原因有很多比如（道路路况复杂，车辆拥堵），对于这些问题进行研究，主要研究内容如下：

1、首先对行人进行初步检测，采用了帧间差分法和混合高斯模型的方法对待测区域进行检测，分离出感兴趣区域的前景图像。

2、行人的姿态特别是肢体动作会对检测造成很大的影响为，因此提出了基于 HOG 特征的行人检测方法，相对于其他特征描述方法，HOG 特征有许多优点包括对几何图像和光照具有良好的不变性。

3、首先建立传统的颜色特征粒子滤波模型，通过行人检测算法对行人实施检测得到目标模板，在模型中增加验证环节并扩大预测结果范围，最后对预测结果进行验证得到最终行人的跟踪结果，优点是提高行人跟踪的稳定性。

4、行人过街意图预测。将各种因素都考虑到，建立贝叶斯预测模型并确定参数。所有变量之间的关系通过学习贝叶斯结构得到，将所有节点变量的条件概率表和其样本数据得进行对照，然后利用 SPSS 对数据进行相关性分析，根据所求值判断行人是否过街。

关键字：行人检测；行人跟踪；感兴趣区域；粒子滤波；贝叶斯网络

目  录

摘  要

ABSTRACT

第1章  绪  论-5

1.1 课题的研究背景及意义-5

1.2 国内外行人检测研究现状-5

1.3课题存在问题-6

1.4本章小结-7

第2章  行人检测特征介绍-8

2.1 HOG特征-8

2.2 Haar 特征-10

2.3 Edgelet 特征-12

2.4颜色特征-13

2.5本章小结-14

第3章基于 HOG 特征的行人检测-15

3.1目标区域提取-15

3.1.1基于混合高斯模型的区域提取-15

3.1.2基于帧间差分法区域提取-16

3.1.3实验结果与分析-18

3.2 基于 HOG 与 SVM 的行人检测-19

3.2.1 HOG 特征-19

3.2.2 检测过程-19

3.2.3 积分向量图-20

3.2.4 基于 HOG 特征的检测结果-20

3.3本章小结-21

第4 章 基于粒子滤波的行人跟踪-22

4.1粒子滤波理论-22

4.1.1重要性釆样-23

4.1.2序列重要性采样-24

4.1.3重釆样-24

4.1.4粒子滤波算法-24

4.2基于粒子滤波行人跟踪-25

4.2.1算法描述-25

4.3本章小结-27

第5章  基于贝叶斯函数的行人过街意图预测-28

5.1 贝叶斯网络-28

5.1.1 贝叶斯网络基础-28

5.1.2 贝叶斯网络-29

5.1.3 贝叶斯网络的搭建-30

5.2 贝叶斯网络结构学习算法-30

5.2.1 基于贝叶斯统计的函数-30

5.3 贝叶斯网络参数学习算法-31

5.3.1 最大似然估计-31

5.3.2 贝叶斯估计-32

5.4 贝叶斯网络推理算法-32

5.5 基于贝叶斯网络的预测模型建立-33

5.6 本章小结-34

第6章 总结与展望-35

6.1 总结-35

6.2 展望-35

参考文献-36

致  谢-39