基于HOG人体检测方法改进.docVIP

基于HOG人体检测方法改进 　　摘 要：从图像中检测出人体是计算机视觉应用中的关键步骤。Dalal等人提出的基于方向梯度直方图（Histograms of Oriented Gradient,HOG）的人体检测是一种性能优异的单一窗口人体检测方法，将其用于人体检测性能优于Haar,PCA-SIFT和Shape context等方法，但以HOG作为人体特征的人体检测存在向量维数较大、检测时间较长的问题。为提高基于HOG的人体检测的速度，提出了通过一个由简到繁的级联线性SVM分类器将级联拒绝的机制与基于感兴趣区的HOG特征计算相结合的人体检测方法，既能保持Dalal算法检测的准确性，又可大幅度地提高检测速度。?? 　　关键词：人体检测；梯度方向直方图；感兴趣区；级联SVM?? 　　中图分类号：TP311.52 文献标识码：A 文章编号：1672-7800（2011）04-0076-02?お? 　　?? 　　作者简介：周金芝（1982-），女，安徽砀山人，淮北师范大学计算机科学与技术学院研究生，研究方向为数字图像处理与模式识别；王娟（1983-），女，河南商丘人，淮北师范大学研究生，研究方向为数字图像处理与模式识别。 　　 　　0 引言?? 　　人体检测在诸如视频监控、智能汽车、智能交通、机器人和高级人机交互等计算机视觉中有着广泛的应用。但由于人体目标的非刚性，其易受到光照天气、自身姿态、外表、服饰变化等众多因素的影响，导致人体检测是一个非常困难的问题。?? 　　目前人体检测通常采用基于统计分类的方法，也就是将人体检测看作是一个对人体和非人体两类进行分类的问题，其步骤是先提取人体特征，再采用模式识别进行分类。该方法关键在于提取人体特征和选择分类器及其参数。当前人体特征的提取大都采用寻找一种能够表示人体轮廓信息的方法，像对称与边沿密度表示法、星形向量表示法、Harr-like小波特征和三角特征以及HOG特征等。支持向量机(Support Vector Machine,SVM)和Adaboost是人体检测中所采用的主要分类器。?? 　　近年的文献中出现了大量的人体检测方法，现有的方法中，梯度方向直方图表现出了优良的检测性能。基于HOG的人体检测是一种性能优异的单一窗口人体检测方法，它是利用小块上的HOG对图像进行描述，实验结果证明了此种描述方法结合支持向量机分类器能够有效地进行人体和非人体的区分。但是，用这种方法提取出的人体特征向量维数相对较大，致使特征提取、分类器的训练和分类的计算量都很大，从而使人体检测的速度受到严重的影响。原因是该方法密集计算整个检测窗口，致使大量的冗余信息存在于特征向量。为了对人体的轮廓信息进行充分利用，减少冗余信息，本文介绍了基于感兴趣区( Region Of Interest,ROI)HOG的计算方法，分别在头部及四肢等重点区域计算梯度方向直方图，可有效减少人体特征向量的维数，从而提高检测速度。?? 　　针对基于HOG的人体检测采用单一SVM作为分类器，当训练样本集较大时，生成的支持向量数也较大，导致检测效率低的缺点，本文介绍了采用由简到繁的级联线性SVM分类器替代单一SVM分类器进行人体检测的方法，既保持了已有算法检测的准确性，又使得检测速度得到大幅度的提高。?? 　　1 梯度方向直方图?? 　　HOG人体检测是由Dalal等人提出的一种基于机器学习的静态图像人体检测算法。HOG同SIFT(Scale Invariant Feature Transform )特征类似，是一种局域描述符，它通过对局部区域的边缘或梯度的分布进行提取，可以很好地表征局部区域内目标的边缘或梯度结构，进而表征目标的形状。其主要思想是利用小块上的HOG来进行图像描述。HOG产生于被称作Cell和Block的网格内的密集计算，一些像素点构成Cell，而若干相邻的Cell则组成Block。由于是在局部区域统计求得，HOG特征对辐射差异和配准误差有较强的鲁棒性。?? 　　HOG的计算具体过程如下：①输入规范化大小的检测窗口，利用梯度算子分别计算水平和垂直方向上的梯度；②用各像素点的梯度幅度作权重，对各Cell的梯度方向加权直方图进行统计，进而得到Cell_HOGs；③归一化处理同一Block内的Cell_HOGs，来消除光照造成的影响，从而得到Block_HOGs；④串接待检测窗口的所有Block_HOGs构成人体特征向量。?? 　　HOG描述方法有以下优点： HOG表示的是边缘梯度的结构特征，通过调整特征提取时的参数，可以对人体的形状信息进行有效的描述；量化位置和方向空间，能够在一定程度上克制平移和旋转造成的影响；并且在局部区域采用L2进行归一化，能够消除部分光照带来的影响。实验表明，与Haar、PCA-S