基于多核學習和非負矩陣分解的人體檢測研究.pdf

1、人體檢測是計算機視覺中一個非常重要的研究領域，有著廣闊的應用前景，如智能視頻監(jiān)控，高級人機交互，駕駛員輔助系統(tǒng)，人體運動分析等。但是由于一些客觀存在的原因，如光照不均勻，背景復雜，人體姿勢變化較大，人體存在遮擋等，使得人體檢測成為一個具有挑戰(zhàn)性的工作。
　　在多核學習算法的基礎上，本論文就提高人體分類器的性能，使得檢測結果更加魯棒，提出了一種基于部位的靜態(tài)人體檢測方法，利用圖像的深度信息去除部分虛景，利用非負矩陣分解，得到具有區(qū)分

2、較強的特征。
　　本論文主要工作如下：
　　1.提出了一種基于部位的靜態(tài)人體檢測方法，該方法首先將整個人體劃分為頭肩、軀干和下肢幾個部位，分別提取各個部位的特征，計算它們的核矩陣，利用多核學習算法，將它們進行線性加權為一個矩陣，最后訓練出一個分類器，根據分類器的響應來判定窗口是否包含人體。仿真實驗的結果表明，此方法使得分類的性能有所提升，能夠檢測出背景復雜，光照不均勻，人體姿勢變化較大，存在部分遮擋情況下的人體，使得圖像中的

3、人體檢測比較魯棒。
　　2.將基于梯度的HOG特征和描述紋理特征的局部二值描述子相結合，采用多核學習的框架來進行異質特征的融合。該方法對不同的特征分別計算其核矩陣，最后通過對各個核矩陣的線性加權來進行計算，其權重系數(shù)是根據訓練樣本中的各個特征對分類的貢獻學習出來的。利用數(shù)據庫中的深度信息對分類器的結果進行驗證，來達到去除部分虛景的目的。最后的實驗表明結合異質特征更加豐富的表征的圖像的特征，采用多核學習的方法進行特征融合有利于分類器

4、性能的提升，驗證減少了虛景，這些使得人體檢測更加魯棒。
　　3.提出一種基于非負矩陣分解算法的人體檢測方法。該方法將樣本按塊劃分，分別提取其尺度不變特征，用它來表示樣本。然后對訓練樣本組成的特征矩陣進行非負矩陣分解，得到一個基矩陣和一個系數(shù)矩陣。我們使用特征向量在變換后的空間中的另外一種形式來表示，即分解后的系數(shù)矩陣作為最終的特征向量。實驗結果表明，該方法能得到與HOG算法相同的分類性能，但是值得一提的是提出的方法每個樣本的特征向