基于共生与非共生梯度直方图的人体检测

摘要

本文旨在研究静止图像中的人体检测技术,即检测图像中是否有人体,如果有人体则给出其在图像中的位置。本论文的人体检测技术在基于智能图像／视频监控的社会安全等领域有着重要的应用价值。
　　 人体检测技术的两个关键部分分别是图像特征提取和分类器设计。本论文主要关注图像特征提取方法。当前人体检测中最成功的图像特征是2005年Dalal等提出的梯度方向直方图(缩写为HOG)。为了提高HOG特征的计算速度和分类效果,2009年Wang等在ICCV会议上提出了基于角度分解和卷积模板的HOG计算方法。为了提高HOG特征的表达力和鉴别力,2009年Watanabe等提出了共生梯度方向直方图(即Co-HOG)。
　　 本论文在上述工作基础上,做了如下几点创新工作:
　　 1)为提高基于角度分解和卷积模板的人体检测方法的性能,提出了用均值模板来进行梯度插值(光滑)。与Wang等采用的与距离成线性关系的卷积模板相比,该方法识别率更高。
　　 2)为进一步提高基于角度分解和卷积模板的人体检测方法的性能,提出了用9×9的卷积模板代替原先的7×7模板的方法,这一方法同样提高了识别率。
　　 3)已有的共生梯度方向直方图只利用了角度信息,忽略了梯度幅值的作用。为了克服这一缺点,本论文提出了同时利用角度信息和幅值信息的共生梯度方向直方图计算方法,使识别效果明显提高。
　　 总之,本论文实现了传统的HOG方法、基于角度分解和卷积模板的HOG方法和基于共生梯度方向直方图的方法。特别是本论文在此基础上提出三点改进的方法,提高了人体检测的精度。

目录

文摘

英文文摘

第一章 绪论

1.1 研究背景与意义

1.2 研究现状

1.2.1 传统的人体检测方法

1.2.2 基于统计学习的人体检测方法

1.3 研究难度

1.4 本论文的主要工作和创新点

1.5 论文结构

第二章 特征提取方法

2.1 Local Binary Pattern(LBP)特征

2.2 矩形特征

2.3 Scale Invariant Feature Transform(SIFT)特征

2.4 Histogram Oriented Gradient(HOG)特征

2.5 本章小结

第三章 分类器介绍

3.1 Adaboost分类器

3.2 Cascade(级联)分类器

3.3 支持向量机(SVM)

3.4 本章小结

第四章 基于角度分解和卷积模板的HOG特征计算方法

4.1 卷积模板的HOG特征

4.2 改进的基于角度分解和卷积模板的HOG特征

4.3 本章小结

第五章 共生HOG特征(Co-HOG)

5.1 共生HOG特征

5.2 改进的Co-HOG算法

5.3 本章小结

第六章 实验与数据分析

6.1 人体检测系统基本结构

6.2 分类器选择

6.3 训练过程

6.4 实验数据说明

6.5 实验结果与分析

6.6 本章小结

第七章 总结与展望

7.1 总结

7.2 展望

参考文献

发表论文和参加科研情况说明

致谢