行人检测介绍资料.ppt

红外图像中行人检测 目录 行人检测方法分类 行人检测的系统框架 图像分割 HOG特征 行人检测的方法 行人检测的系统框架 行人检测问题本质上是一种模式识别问题，典型的模式识别系统框架如下图。 目前主流的行人检测框架如下图。 避免多尺度扫描 图像分割 canny算法 canny算法边缘检测效果 K-均值聚类 均值聚类分割效果 HOG特征 * * * 汇报人：范俊 非机器学 习的方法 基于机器学习方法 行人检测 1.帧差法 2.背景差分法 3.光流法 4.基于模板匹配法 受场景影响大，检测率低、误报率高 基本采用这种方法来实现检测 数据获取 模式空间 预处理 特征提取 特征向量 特征空间 分类器设计 分类决策 类型空间 模式识别 训练样本 特征提取和选择 分类器 X Y 样本识别 创建标准数据集 特征提取 训练两类分类器 最终分类器 训练 多尺度扫描图像 特征提取 利用分类器进行分类决策 融合多尺度上的检测结果 检测 检测结果 感兴趣区域分割 ROI区域特征提取 分类决策 检测结果 优点：检测速度快 缺点：检测效果不如滑动窗口法，容易漏检 图像分割 基于边缘的方法 阈值法 特征聚类算法 Prewitt算子 Sobel算子 Canny算子 边缘走向，像素值幅度变化平缓，垂直变化剧烈，所以边缘上像素值一阶导数较大，二阶导数在边缘处值为0，呈现零交叉 基于直方图灰度分布的阈值法 基于类间方差的阈值法 基于熵的划分 K-均值聚类 均值漂移 基于图论 高斯滤波器平滑图像 一阶偏导的有限差分来计算梯度的幅值和方向 对梯度幅值进行非极大值抑制 双阈值法检测和连接边缘 中心像素C与沿着梯度线的两个像素相比，若C的梯度值不比dTmp1和dTmp2大，则令其灰度值为0 对非极大值抑制图像作用两个阈值th1和th2，两者关系th1=0.4th2。我们把梯度值小于th1的像素的灰度值设为0，得到图像1。然后把梯度值小于th2的像素的灰度值设为0，得到图像2。由于图像2的阈值较高，去除大部分噪音，但同时也损失了有用的边缘信息。而图像1的阈值较低，保留了较多的信息，我们可以以图像2为基础，以图像1为补充来连结图像的边缘。 聚类前： 聚类后： 判断d最大对应的u的相邻两聚类中心平均值作为阈值进行二值化 输入图像 Gamma归一化 计算梯度 在每个cell中将梯度投影到梯度方向 将cells在block内归一化 对图像对比度进行调节 HOG特征是通过计算图像局部区域的梯度方向直方图来构建行人特征 * *