基于HOG人体检测技术综述.docVIP

基于HOG人体检测技术综述 　　【摘要】人体检测是近年来计算机视觉领域的研究热点，基于统计学习的人体检测技术又是人体检测技术领域的研究重点。而在基于统计学习的人体检测技术中，Dalal等人提出的基于梯度方向直方图（Histograms of Oriented Gradient，HOG）的人体检测具有更好的检测性能，本文对2005-2013年这段时间内的基于梯度直方图的人体检测技术的研究现状进行综述。首先对人们提出的各种方法进行分类描述，指出各种方法的优缺点，然后总结HOG在人体检测方面的经验，最后对基于HOG的人体检测技术的未来进行展望。 　　【关键词】人体检测；梯度直方图；块 　　1.引言 　　人体检测是研究如何让计算机以人的思维方式从图像或视频中找出人体所在区域的技术。其应用涉及图片、公共安全、车载系统、智能机器人、视觉监控、行为分析等领域。近年来，也应用在航拍图像、地震灾害营救等新兴领域中。目前人体检测的方法主要有：基于确定人体模型的方法；基于模板匹配的方法；基于统计分类的方法。由于人体的非刚性及姿态的多变形，前两种方法实现比较困难。 　　2.基于HOG的人体检测技术 　　使用HOG作为人体检测特征描述符的基本思想是：人体的局部外观和形状可以很好地用人体的局部强度梯度分布和边缘方向的分布来描述，即使没有相应梯度或边缘位置的精确信息。由此可以看出，HOG是一种局域描述符，它通过将图像均匀的分成相邻的小块，然后在所有的小块内统计各方向的梯度直方图。为了有效的提取人体轮廓，Dalal使用分块重叠描述人体，因此在一定程度上可以抑制平移、旋转和部分遮挡带来的影响。 　　3.基于改进梯度计算模板的检测 　　李林等人对HOG做了如下的改进，首先利用[-0.5，-0.5，0，0.5，0.5]的微分模板，在更大的3×3单元中生成了81维的行向量，在小块移动的时候采取了1/3的重叠率，一个64×128的检测窗口中有84个小块，最后生成了6804维的行向量。Dalal在每个小块中采用L2归一化特征，为了加快速度该方法在每个小块中采用L1归一化方法。实验表明，这种方法比Dalal等人提出的提取HOG的方法包含更多的行人信息。 　　4.基于改进block块的算法 　　Dalal等人提出的基于HOG的人体检测首先是从划分出来的各个小的block块中提取出特征向量，然后经过处理后送入分类器。因此，如何提取出能够准确而又完整的表达人体的特征向量是极为关键的一步。Dalal等人提出的基于HOG的提取人体特征向量的方法虽然能够比较精确的提取出人体的特征向量，但是存在特征向量维数大、检测时间较长的问题。因此，很多学者对如何提取合适的特征向量，减少特征向量中的冗余信息进行了研究，主要有一下几个方面的改进： 　　（1）周金芝、孟凡辉、曾春等人将整个人体图像依据人体肢干在人体运动过程中的运动幅度大小分割成若干个部分。这样就可以提取人体运动过程中主要的特征向量，剔除一些不必要的信息。因为，一般来说，行人姿态的变化主要表现在四肢处HOG的变化，头部与肢干部分的HOG相对比较稳定而且躯干中央区域的HOG对分类几乎没有什么影响。 　　（2）石志强等人提出了基于HOG和block权重的方法，通过在提取人体特征向量的过程中引入block权重的概念，通过合理的筛选block，组成人体的特征向量。因为并不是所有的检测窗口都包含目标信息，真正包含信息的是人体边缘处的block块。 　　（3）汪成亮等人提出基于高斯混合模型和主成份分析方法的人体检测。首先利用高斯混合模型剔除掉部分背景图像，在减少负例样本误检率的同时提高检测速度。同时提出一种基于主成分分析（PCA）降维的梯度方向直方图（HOG）的描述子，它在不降低识别率的前提下，很大程度地提升了侦测窗口的分类速度。实验验证了混合高斯模型与PCA-HOG相结合显著提升了人体检测速度。但缺点是高斯混合在背景减除的过程中计算量较大。 　　5.基于HOG快速人体检测算法 　　刘东升等人提出了基于HOG的快速人体检测算法，这种方法把整幅图像当作一个检测窗口计算其梯度值并将其存入一个二维数组，当遍历图像时，只需要根据索引得到梯度值进行方向上的投影，这样可以降低运算量，因此提高了检测速度。 　　6.基于改进HOG算法的主要应用 　　（1）苏海明等人提出了基于头部特征的人体检测，人体检测主要用于视频监控中，而在视频监控中通过俯拍读取的主要是人体的头部图像，这时取行人的头部作为block块，并在其上进行HOG特征提取。 　　（2）为了快速定位车辆前的行人，郭烈等人提出一种基于腿部感兴趣区域梯度方向直方图（HOG）特征的行人检测方法。将可能存在行人腿部的区域作为感兴趣区域，然后在该感兴趣域提取梯度方向直方图特征，有效