中级工程师职称论文范文HOG特征快速行人检测算法.PDFVIP

中国月期刊咨询网 中级工程师职称论文范文HOG特征快速行人检测算法 目前在交通运输方面，针对行人以及客流的建模研究主要集中于对行人的步频和长度、行人安全、行人数目、行人跟 踪、公共服务设施服务时间等参数的研究[1]。在国内，由于特殊的国情，研究集中在聚集客流、服务时间以及对行 人安全方面的研究。 摘 要： 传统的HOG特征对正视或侧视行人有较好的识别率，但是对俯视行人的识别率仍有所欠缺。对检测图像的H OG特征根据不同的俯仰角进行了转换，同时优化了 SVM分类器训练过程，提出了一种改进的快速行人检测算法。测 试结果表明，该算法优于基于传统HOG特征的检测方法，有效提高了不同俯仰角视频中行人检测的准确性。 关键词： 中级工程师职称论文范文,快速行人检测算法,HOG特征,俯仰角修正,SVM CAO Qiao?hui， GE Wang?chen 0 引 言 大部分公共场所的背景较为复杂，因此如果仅仅使用基于背景?前景分割的目标分割技术，其性能会受到复杂背景的 影响，其中包括将非人运动物体检测为目标或者将静态目标与背景融为一体导致漏检。此外，监控摄像头一般处于离 地面较高的位置，其视角会发生一定的变化，基于模板或基于特征的检测方式也会在鲁棒性上受到一定的影响。 对于基于机器学习的行人检测来说，其中的一个重要问题是如何选取一个信息量足够大并且对光照、视角等具有鲁棒 性的本地特征，以便将前景中的行人和非行人分割开来。由于Dalal和Triggs提出的HOG特征能够比较准确地描述行人 ，因此本文将采用HOG特征作为行人的主要特征。 同俯仰角，本文对检测图像的HOG特征进行了转换，使不同俯仰角视频中的行人能够被正确地检测出来。 1 HOG特征及视角变化对其的影响 1.1 HOG特征 信息对图像进行描述。但是与SIFT不同的是，HOG并不只针对目标区域内的稀疏点进行特征提取，而是一种密集特 征，即HOG特征与目标区域内的所有点有关，因此通常 HOG会以高维向量的方式表现。 HOG的主要思想是：在一幅图像中，相对于使用颜色信息，本地物体或行人的外观与形状能够更好地被梯度或者边 w)中的块(block)进行密集扫描，串联起来得到一个高维向量;最后通过线性SVM分类器对向量进行分类，以达到检测 物体的效果。 1.2 摄像机俯仰角对HOG特征的影响 对于大多数行人库，如INRIA，MIT行人库等，其训练样本主要为侧视角的行人[3];而在实际应用中，并不能够保证摄 中国月期刊咨询网 像机的角度一定为侧对行人的角度。如果不考虑视角变换而是将所有视角的行人图片一起作为正样本训练，则会影响 到线性SVM分类器的分类性能。此外，对于特定视角的样本采集会耗费大量的时间，并且对场景的适应性有限。因 此研究视角的不同会带来HOG特征的变化。 设置场景的摄像机的水平旋转角为[α，]俯仰角为[β，]如图1所示。下面将分别讨论它们对梯度产生的影响。 图1 摄像机视角不同对物体高度和宽度的影响 对于俯仰角[β，]其影响的是[y]方向的分量，若人体的高度为[H，][h1]是摄像机和水平面夹角为[β1]时人体在图像 上所成像的高度，[h2]是摄像机和水平面夹角为[β2]时人体在图像上所成像的高度，则有： [Cβ1，β2=h2h1=cosβ2cosβ1， -π2βπ2] (1) [θ2x，y=arctantanθ1x，y?1Cβ1，β2] (2) 且梯度为： [?f2(x，y)=?2f?x2+tan2θ1(x，y)??2f?x2] (3) [?f2(x，y)=?2f?x2+tan2θ1(x，y)C(β1，β2)??2f?x2] (4) [?f2x，y=?f1x，y?1+tan2θ1(x，y)C(β1，β2)1+tan2θ1(x，y)] (5) 同时对于扫描窗口的尺寸，有： [w=C(α1，α2)?w] (6) [h=C(β1，β2)?h] (7) 因此当摄像机的水平和俯仰角度发生变化时，目标图像的梯度都会发生一定程度的变化。在实际检测特征时，先对梯 度进行相应的变换，再按普通HOG的方式进行检测。 2 快速人体检测算法 2.1 训练过程 本算法使用的训练过程如图2所示。 图2 SVM分类器完整训练流程 本算法采用INRIA行人数据集作为训练样本库，并加入一些自行采集到的行人数据。INRIA数据集中的图像都为彩色 图像，正样本的大小为 96×160，负样本的大小为320×240。本系统在RGB空间