摘 要

随着机器深度学习领域的不断发展，许多关于数据挖掘的算法不断地被研究人员推陈出新。在目标检测与识别方面，更是极其地依赖于机器的学习能力。在这方面，利用信息论的相关知识，研究人员们也是在不断追求更高的可靠性和有效性。

本文中所选择的机器学习算法为随机森林算法，它的强大之处在于决策者的数量庞大。森林中每棵树对样本的类别所属都有自己的发言权，而最终结果由投票的众数来决定。在本次设计中，随机森林是应用在两个方面：其一是对特定目标的识别，其二是对特定目标前进方向的预测。为了实现对特定目标的方向预测，最重要的就是要把目标与画面中的其他人区分开来。如何快速的做到这点，就是靠预测出下一帧目标可能会出现在哪一片区域中。使用随机森林正是看重了它在处理高维数据时的稳定，快捷。对目标的行动方向进行预测将有助于我们用更少的时间以及运算空间来检测并识别目标，有助于视频检测、视频追踪等一些方面的需求。

关键词：随机森林；目标检测；目标识别；方向预测

Abstract

With the continuous development of the field of machine learning, many algorithms for data mining are constantly being introduced by researchers. In the target detection and recognition, it is extremely dependent on the machine's learning ability. In this regard, the use of information on the relevant knowledge, researchers are constantly pursuing a higher reliability and effectiveness.

The machine learning algorithm chosen in this paper is a random forest algorithm, and its strength lies in the large number of decision makers. Each tree in the forest has its own voice on the category of the sample, and the final result is determined by the number of votes. In this design, random forests are used in two ways: one is the identification of specific goals, and the other is the direction of the specific target forward forecast. In order to achieve the direction of a specific target to predict, the most important thing is to target and other people in the picture to distinguish. How to do this quickly is to predict which area the next frame may appear in. The use of random forest is the value of it in dealing with high-dimensional data when the stability, fast. Predicting the direction of action of the goal will help us to detect and identify the target with less time and computing space, contributing to some aspects of video detection, video tracking, and so on.

Key Words: Random forest; target detection; target recognition; direction prediction

目 录

第1章 绪论 1

1.1 研究背景以及意义 1

1.2 国内外研究现状 1

1.3 论文主要研究内容及章节安排 2

第2章 随机森林与目标方向预测 4

2.1随机森林模型 4

2.1.1分类器概述 4

2.1.2随机森林算法概述 5

2.1.3随机森林理论分析 6

2.1.4随机森林应用 8

2.2 PCA特征提取 8

2.3 目标运动方向预测 9

2.4 本章小结 10

第3章 基于随机森林的人脸特征预测及识别 11

3.1人脸检测与人脸识别 11

3.2随机森林1构建与训练 13

3.3 实验结果分析 14

3.4 本章小结 16

第4章 基于随机森林的目标运动方向预测实现 17

4.1 目标方向预测实现 17

4.2实验结果分析 21

4.3本章小结 23

第5章 总结与展望 24

参考文献 25

致谢 27

攻读学位期间获得与学位论文相关的科研成果目录 28

第1章 绪论

1.1 研究背景以及意义

人群监控与监测技术是智能监控的重要领域之一，因此政府以及各安全部门在公共场所不断升级智能监测人群的方式，以在检测到任何异常的活动时能够采取应对的措施^[1]。人群监控技术包括有密度估计、人数统计、人群管理、交通管理以及市场调查^[2]。传统的人群监控方法主要是由闭路电视等来对某一区域进行监控，其弊端在于，判断情况的主体为人，主观性强。为了进行更好的定量分析，现如今在这方面已将计算机视觉、模式识别以及图像处理等技术应用于人群监控，以实现对人群状况的自动、定量、并实时的监控和分析。

除了对人群整体状况的监测，许多时候还需要对某个特定目标进行自动地跟踪和监测，这便需要目标检测、目标识别以及目标跟踪技术的支持。

目标检测即目标提取，在目标的几何和统计特征的基础上对图像进行分割。目标识别的实现方法通常有两种：一种是先划分区域再进行特征匹配的方法，首先对图像进行一般性的分割、标记以及特征提取等低层次的处理，随后将每个带有标记的已分割区域的特征矢量与目标模型进行匹配；一种是先预判再确定目标的方法，首先对图像中可能存在的特征做出假设，再做出有目的性的操作，并与目标模型匹配。

本文研究的是在人群较密集的情况下，检测并识别特定目标，并对其运动方向做出预测。所采用的方法是上面提到的第二种，利用随机森林分类器对场景中的非目标人群进行排除，将人脸特征作为分类依据，然后再对目标的运动方向做出预测。传统的运动目标检测中，经常有因采用空间搜索而导致计算时间较高的问题，本文采用对运动目标的行进方向进行预测，从而降低目标的搜索复杂度。

1.2 国内外研究现状

进行目标检测有很多方法，可以通过研究目标在空间尺度上的位移差，时间尺度上的变化，以及二者的结合来获取图像中的目标信息。