基于靜態(tài)圖像的人體檢測(cè).pdf

1、人體檢測(cè)是近年來計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的研究熱點(diǎn),它在智能視頻監(jiān)控、人機(jī)交互、車輛輔助駕駛等方面有著廣泛的應(yīng)用前景。目前基于人體檢測(cè)的種種算法相繼被提出,但由于場(chǎng)景的復(fù)雜多變性、人體的非剛性、人體之間的的相互遮擋、人體檢測(cè)速度與檢測(cè)率等問題,所以還沒有形成一個(gè)完善通用的人體檢測(cè)算法。
　　人體檢測(cè)從架構(gòu)上來說主要分為特征提取、訓(xùn)練樣本、人體檢測(cè)三部分。本文數(shù)據(jù)集選擇目前獲得一致認(rèn)可的 INRIA行人數(shù)據(jù)庫,該數(shù)據(jù)庫中的人衣著姿勢(shì)

2、各異,拍攝場(chǎng)景不同,分辨率高,也是難度比較高的人體數(shù)據(jù)庫。通常采用基于滑動(dòng)窗的方法對(duì)靜態(tài)圖像中的人體進(jìn)行檢測(cè)?；瑒?dòng)窗的方法是將圖片進(jìn)行多次一定比例的縮放,然后用固定大小的滑動(dòng)窗在多個(gè)尺度的樣本上按方向和固定的步長遍歷。遍歷窗口的同時(shí)提取特征,并用分類器預(yù)測(cè)二分類結(jié)果,將所有預(yù)測(cè)為行人目標(biāo)的窗口的坐標(biāo)和尺度統(tǒng)一保存,最后將檢測(cè)結(jié)果融合。
　　本文針對(duì)基于梯度方向直方圖和支持向量機(jī)的人體檢測(cè)特征維數(shù)多、訓(xùn)練速度慢的缺點(diǎn)進(jìn)行了改進(jìn)。在特

3、征提取方面,研究了金字塔梯度方向直方圖(Pyramid Histogram of Oriented Gradient,PHOG)、局部二值模式(Local Binary Patterns,LBP)特征,它們均能有效的表達(dá)行人信息,但是單一的特征都有它們的不足。PHOG特征是一種基于HOG特征的描述,它通過圖像分層處理將空間信息和形狀信息集中表達(dá),在每層內(nèi)的特征是梯度方向直方圖。PHOG特征對(duì)噪聲敏感,對(duì)于背景復(fù)雜的圖片,容易產(chǎn)生漏檢。L

4、BP特征算子是一種灰度范圍內(nèi)的紋理描述算子,可以對(duì)灰度圖像中局部鄰近區(qū)域的紋理信息進(jìn)行度量和提取。LBP算子等價(jià)模式能夠有效去除噪聲干擾,這是因?yàn)榉堑葍r(jià)模式中多是一些噪聲區(qū)域,LBP特征能夠有效彌補(bǔ)PHOG特征對(duì)于噪聲的抗干擾性。在此基礎(chǔ)上,本文提出使用一種表征膚色信息的顏色特征方法,并將此方法與PHOG、LBP結(jié)合形成一種新的特征,用來突出膚色信息,增強(qiáng)行人的識(shí)別能力。分類器方面,本文提出將極限學(xué)習(xí)機(jī)用于人體檢測(cè)。極限學(xué)習(xí)機(jī)不同于傳統(tǒng)