行人检测方法匡湖林.PPT

* 鲁棒性就是系统的健壮性。它是在异常和危险情况下系统生存的关键。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机、不崩溃，就是该软件的鲁棒性。所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持某些性能的特性 * * * 如图3.2，脸部一些特征能够由矩形特征简单地描绘，上行是子窗口内 选出的矩形特征，下行是子窗口检测到的与矩形特征的匹配。例如，通常， 眼睛要比脸颊颜色更深；鼻梁两侧要比鼻梁颜色要深；嘴巴要比周围颜色更深。 对于一个24×24检测器，其内的矩形特征数量超过150，000个，必须通过前述的Adaboost算法的检测原理与实现方法特定算法甄选合适的矩形特征，并将其组合成强分类器才能检测人脸。 * * * * * * * * * * * * * 由此可见，矩形特征的特征值计算，只与此特征端点的积分图有关，而与 图像坐标值无关。因此，不管此矩形特征的尺度如何，特征值的计算所耗费的 时间都是常量（time constant），而且都只是简单的加减运算。正因如此，积分 图的引入，大大地提高了检测的速度。 其他的矩形特征的特征值计算依此类推。 * * 其具体实现步骤如下： 一、为了减少光照因素的影响，首先需要将整个图像进行规范化。输入检测图像，加上检测窗口，用平方根或者log压缩方法进行颜色空间标准化（Gamma标准化）。 二、将规范化大小的检测窗作为输入，通过梯度算子计算水平和垂直方向上的梯度。求导操作不仅能够捕获轮廓，人影和一些纹理信息，还能进一步弱化光照的影响。实现中我们采用一种离散的平滑面具对图像进行可选的高斯平滑并评价它们的区别。并用到了导数面具，简单的面具(1,0,1)得到的效果是最佳的。 三、我们将图像窗口分成若干个小区域，这些区域被称为“单元格（Cell）”。然后将每个单元格中所有象素的一维梯度直方图或者边缘方向累加到其中。最后将这个基本的方向直方图映射到固定的角度上，就形成了最终的特征。这一步是得到Cell的HOGs。这一步有些论文上叫做空间和方向上的梯度统计。这一步是描述符的基本非线性化。每个象素为梯度方向贡献一个加权的值，这个方向是指梯度元素中心的方向。接下来将一个局部空间内所有象素点的梯度加权值累积到所有的梯度方向上。这个局部空间被称之为“单元格”。这个单元格可以是矩形，也可以是圆形。而梯度方向就平均地分布在单元格的空间里，对于无符号的梯度值分布空间为0～180，而对于有符号的梯度值分布空间为0～360。为了避免混淆，梯度权值将在方向和位置上三角插值到相邻地两个方向中心上。 * 四、对比度归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。通常，每个单元格由七个不同的块共享，但它的归一化是基于不同块的，所以计算结果也不一样。因此，一个单元格的特征会以不同的结果多次出现在最后的向量中。我们将归一化之后的块描述符就称之为HOG描述符。这也是重叠块中的特征标准化。由于图片中局部的曝光率和前景－背景的对比度的多样化，梯度值的变化范围也非常广。因此，有效的局部对比标准化对于好的运行效果至关重要。标准化的方式有很多种，大多数的原理都是将一组单元格放到一个更大的空间块中，然后在每个空间块中分别进行标准化。实际上，块基本上都是互相重叠的，所以每一个单元格的标量会在不同的块中计算多次，并且以不同的值出现在最终的特征向量中。这一步得到Block的HOGs。 五、最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用，结合的方法是将待检测窗口的所有B l o c k —H OG s 串在一起构成最终人体特征向量。 * 四、对比度归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。通常，每个单元格由七个不同的块共享，但它的归一化是基于不同块的，所以计算结果也不一样。因此，一个单元格的特征会以不同的结果多次出现在最后的向量中。我们将归一化之后的块描述符就称之为HOG描述符。这也是重叠块中的特征标准化。由于图片中局部的曝光率和前景－背景的对比度的多样化，梯度值的变化范围也非常广。因此，有效的局部对比标准化对于好的运行效果至关重要。标准化的方式有很多种，大多数的原理都是将一组单元格放到一个更大的空间块中，然后在每个空间块中分别进行标准化。实际上，块基本上都是互相重叠的，所以每一个单元格的标量会在不同的块中计算多次，并且以不同的值出现在最终的特征向量中。这一步得到Block的HOGs。 五、最后一步就是将检测窗口中所有重叠的块进行HOG特征的收集，并将它们结合成最终的特征向量供分类使用，结合的方法是将待检测窗口的所有B l o c k —H OG s 串在一起构成最终人体特征向量。 * * * Adaboost算法是一种迭代方法