基于特征學習的人體檢測.pdf

1、人體檢測是目標檢測中非常重要的分支，其在智能視頻監(jiān)控、智能駕駛輔助系統(tǒng)、智能人機交互等方面有著巨大的研究價值和應(yīng)用前景，已經(jīng)成為計算機視覺領(lǐng)域非常熱門的研究方向。由于人體在姿態(tài)、外觀的多樣性以及背景、光照、遮擋等的干擾，人體檢測仍然是一項非常具有挑戰(zhàn)性的難題。當前主流研究方向是將人體檢測轉(zhuǎn)化為模式識別中的二類分類問題，包含訓練和檢測兩部分，通過提取訓練樣本中能夠有效表征人體的特征，利用統(tǒng)計學習的方法，建立人體分類器，進而利用此分類器實現(xiàn)

2、人體檢測。本文的人體檢測就是基于此框架下實現(xiàn)。
　　本文分析了人體檢測的難點及研究現(xiàn)狀，詳細介紹了目前人體檢測領(lǐng)域廣泛使用的人體特征集：Harr-like特征、梯度方向直方圖（Histogramsof Oriented Gradients，HOG）特征和局部二值模式（Local Binary Pattern,LBP）特征，包括他們的提取方式、改進算法、發(fā)展趨勢等，并基于三種不同的分塊方式比較了HOG特征和LBP特征在人體檢測方面的

3、特點、各自優(yōu)勢和不足。在此基礎(chǔ)上，本文將HOG特征和LBP特征組合，提出了基于圖像分塊的HOG-LBP特征，結(jié)合支持向量機比較了基于此組合特征和基于單一特征的人體分類器性能上的差異，驗證了組合特征的優(yōu)勢。進一步我們討論了不同的分塊方式對人體檢測器性能的影響，得到最合適的分塊方式，進而獲得最優(yōu)的分類器。
　　最后，我們利用得到的最優(yōu)分類器實現(xiàn)人體檢測。檢測過程中，我們采用了基于多尺度“金字塔”的滑窗檢測方法，并對檢測過程中同一個人體