基于梯度特征和紋理特征的行人檢測(cè).pdf

1、行人檢測(cè)是計(jì)算機(jī)視覺的一個(gè)關(guān)鍵應(yīng)用領(lǐng)域，一直受到人們的廣泛關(guān)注，如何對(duì)靜態(tài)圖片中的行人進(jìn)行準(zhǔn)確而快速的檢測(cè)，是目前具有良好應(yīng)用前景的研究方向。
　　本文我們?nèi)诤蠋追N初級(jí)特征提取的方法，采用支持向量機(jī)（Support VectorMachine，lib-SVM）作為分類器，對(duì)靜態(tài)行人樣本進(jìn)行分類。為了進(jìn)一步地提高檢測(cè)率，減少分類器的時(shí)間消耗，我們對(duì)提取的初級(jí)特征進(jìn)行了進(jìn)一步的降維處理（如奇異值分解、稀疏表達(dá)），得到樣本的低維特征，并

2、在行人圖片數(shù)據(jù)庫(kù)INRIA和Daimler上得到驗(yàn)證性的實(shí)驗(yàn)結(jié)果。通過(guò)比較兩組實(shí)驗(yàn)的結(jié)果，并通過(guò)處理時(shí)間和誤檢率的對(duì)比，分析每種處理?xiàng)l件下得到的特征的表現(xiàn)。本文采取梯度直方圖特征和紋理特征作為初級(jí)特征，經(jīng)過(guò)投影到不同的低維空間，得到不同的低維二級(jí)特征，然后將同一低維空間的兩種二級(jí)特征進(jìn)行組合，并且將同一初級(jí)特征的兩種二級(jí)特征組合，具體處理過(guò)程如下:
　　首先，采用梯度直方圖特征（Histograms of Oriented Gra

3、dients，HOG）和表達(dá)紋理特征的局部二值模式（Local Binary Pattern，LBP）提取樣本的初級(jí)特征。并將兩種初級(jí)特征進(jìn)行簡(jiǎn)單的組合，作為新的組合特征(HOG-LBP)，實(shí)驗(yàn)表明，組合后的特征可有效提高檢測(cè)率。
　　其次，采用大家熟悉的PCA對(duì)兩種初級(jí)特征進(jìn)行降維，將初級(jí)特征投影到低維空間，得到低維空間的新特征。同時(shí)用K-SVD通過(guò)學(xué)習(xí)過(guò)完備字典，得到兩種初級(jí)特征的稀疏表達(dá)，同樣得到降低初級(jí)特征維度的效果。實(shí)驗(yàn)

4、表明，降維后的特征大大降低了時(shí)間的消耗，同時(shí)檢測(cè)率并沒有損失。
　　再次，為了進(jìn)一步探索梯度特征和紋理特征的組合效果，將PCA處理過(guò)的兩種低維特征進(jìn)行簡(jiǎn)單組合，作為新的特征。同樣地，將K-SVD提取的稀疏表達(dá)，進(jìn)行簡(jiǎn)單組合，作為新的特征，實(shí)驗(yàn)表明，相同投影方式下得到的兩種初級(jí)特征的組合特征，相比較于初級(jí)特征直接組合(HOG-LBP)，檢測(cè)時(shí)間大大降低，同時(shí)誤檢率也得到一定程度的降低。
　　最后，對(duì)于梯度直方圖特征，將兩種低維