基于梯度方向直方图的人体检测算法的改进

摘要

人体检测是研究如何让机器以人的思维方式去检测图像或视频中人体所在区域的技术。人体检测技术作为人体目标识别和跟踪的前奏和瓶颈,在视频监控、视频标识、驾驶辅助系统、辅助救灾、辅助医疗、机器人、运动员动作分析等领域都有着广阔的应用前景。但是,由于人体本身的特殊性和复杂性及所处环境的多变性,如何快速、准确地检测出人体对研究人员来说是个不小的挑战。从近年来的研究及Pascal VOC Challenge的结果可以看出,在人体检测领域,基于梯度方向直方图(HOG)的人体检测算法具有更好的检测效果,为此它也成为当前人体检测技术研究的焦点,但该算法同时也存在以下几方面的不足:1)易受光照、天气等环境因素的影响;2)处理速度慢,不能满足实时性要求;3)无法解决人与人之间的遮挡。本文对基于梯度方向直方图的人体检测算法进行深入研究,并针对该算法的前面两个不足之处提出以下的改进:
　　1.针对原算法特征维数过高,计算速度慢的缺点,提出基于PCA的人体检测算法和基于 PCA+ICA的人体检测算法,两种算法都使用主成分分析降低特征维数,使用 SVM对样本进行分类。为了尽可能保证降维后边缘信息的完整,基于PCA的人体检测算法在使用PCA降维前,对生成的HOG特征使用DoG滤波器进行滤波处理,最后将运用SFS算法选择的HOG+PCA特征送入SVM分类器。基于PCA+ICA的人体检测算法直接使用PCA降维,对降维后的特征使用ICA进行特征提取,将提取后的特征作为SVM分类器的输入。
　　2.针对原算法易受光照等天气因素的影响,提出基于改进HOG特征的人体检测算法。该算法在提取HOG特征前,首先将样本图像根据其灰度均值和标准差进行分类,分为强光型、弱光型、正常型三种。为了减少光照等因素对算法准确性的影响,对分类为强光型和弱光型图像提出了不同的光照补偿方法,对补偿后的图像再提取HOG特征。在提取HOG特征时,为了突显边缘特征,使用一阶中心对称模板和一阶非对称模板相结合的方式来计算梯度,为了得到更详细的人体特征信息,对统计梯度直方图使用的块和单元格使用新方法进行了更细致的划分,最后将生成的HOG特征经PCA-LDA处理后送入SVM分类器。
　　为了验证本文所提出算法的有效性,使用INRIA人体数据库对本文的算法进行测试,实验平台为Matlab2012a。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪 论

1.1人体检测技术概述

1.2人体检测研究意义

1.3研究现状

1.4研究难点

1.5论文的研究工作及组织架构

第二章 梯度直方图特征提取及分类器学习

2.1基于梯度方向直方图人体检测技术概述

2.2梯度直方图特征的提取

2.3插值运算

2.4基于SVM的学习方法

2.5训练样本集的构造

2.6本章小结

第三章 基于PCA的人体检测算法

3.1 PCA的概念

3.2 PCA的原理

3.3 HOG-PCA特征

3.4 HOG-PCA特征的选择

3.5 HOG-PCA人体检测算法实现

3.6本章总结

第四章 基于PCA+ICA的人体检测算法

4.1独立成分分析基本原理

4.2基于PCA+ICA的人体特征提取

4.3 ICA分量的排序及选择

4.4 HOG-PCA+ICA分类过程

4.5 HOG-PCA+ICA分类结果分析

4.6本章小结

第五章 基于改进HOG的人体检测算法

5.1图像预处理

5.2边缘特征提取

5.3 HOG特征的生成

5.4 HOG检测结果分析

5.5 PCA-LDA特征提取

5.6基于PCA-LDA的检测结果分析

5.7本章小结

第六章 总结与展望

致谢

参考文献

攻读硕士学位期间取得的成果