基于HOG的人體圖像檢測(cè)研究與實(shí)現(xiàn).pdf

1、在計(jì)算機(jī)視覺(jué)領(lǐng)域中，有許多實(shí)際應(yīng)用需要計(jì)算機(jī)能夠快速有效地將人體檢測(cè)出來(lái)，如視頻跟蹤、駕駛員輔助系統(tǒng)、人體圖像檢索和智能機(jī)器人等。在視頻跟蹤監(jiān)控中，自動(dòng)在監(jiān)控視野中搜索人體是進(jìn)行后續(xù)分析的重要預(yù)處理步驟。由于圖像中人體姿態(tài)各異，服裝顏色紋理變化多端以及背景復(fù)雜、光照明暗等復(fù)雜性，故而在靜態(tài)圖像中的人體檢測(cè)具有很高難度。
　　目前，人體圖像檢測(cè)領(lǐng)域廣泛釆用基于滑動(dòng)窗檢測(cè)的二元化分類(lèi)問(wèn)題。這種方法保證每幅待檢圖片在不同的縮放比例下被固

2、定尺寸(或變尺寸)的檢測(cè)窗按照一定方向完成每次移動(dòng)一定檢測(cè)窗步長(zhǎng)的窮盡掃描。在檢測(cè)中對(duì)每個(gè)檢測(cè)窗口提取特征信息輸入特征分類(lèi)器來(lái)對(duì)分類(lèi)器進(jìn)行訓(xùn)練，最后使用訓(xùn)練成功的分類(lèi)器對(duì)待檢對(duì)象進(jìn)行分類(lèi)，以此完成檢測(cè)?？捎糜谌梭w檢測(cè)的特征有許多，其中Dalai和Triggs于2005年首次提出的HOG特征（即梯度方向直方圖特征）在人體檢測(cè)領(lǐng)域表現(xiàn)突出。
　　本文選用的HOG特征在人體檢測(cè)中具有高檢測(cè)率，計(jì)算量大的特點(diǎn)，因此通過(guò)對(duì)HOG特征的結(jié)構(gòu)進(jìn)

3、行改進(jìn)，使用一種利用Fisher挑選準(zhǔn)則選擇出來(lái)的MultiHOG特征代替?zhèn)鹘y(tǒng)HOG特征，使用多尺度block替代原block，并對(duì)其進(jìn)行選擇，將特征維度由傳統(tǒng)HOG的3780維降到360維。其次，為進(jìn)一步增強(qiáng)檢測(cè)效果，在MultiHOG特征基礎(chǔ)上，融合了對(duì)紋理有較好表現(xiàn)的LBP特征。本文算法舍棄分類(lèi)效果差的線性SVM，選用加性交叉核SVM分類(lèi)器來(lái)縮短檢測(cè)時(shí)間，提高檢測(cè)效率，實(shí)現(xiàn)人體圖像滑動(dòng)窗口檢測(cè)。
　　本文使用INRIA標(biāo)準(zhǔn)數(shù)