基于HOG與IOELM的人體檢測方法研究及系統(tǒng)實(shí)現(xiàn).pdf

1、圖像目標(biāo)檢測是計(jì)算機(jī)視覺技術(shù)中的一個(gè)研究熱點(diǎn)，其中人體檢測是圖像目標(biāo)檢測的重要內(nèi)容，旨在利用計(jì)算機(jī)模擬人腦的思維方式從圖像或視頻中找出人體所在區(qū)域。目前人體檢測技術(shù)廣泛應(yīng)用于智能視頻監(jiān)控、車輛輔助駕駛系統(tǒng)和虛擬現(xiàn)實(shí)等領(lǐng)域。
　　本文主要從基于統(tǒng)計(jì)學(xué)習(xí)的角度出發(fā)，對人體檢測方法展開了系統(tǒng)研究，具體的工作介紹如下：
　　1、提出一種基于梯度方向直方圖（Histogram of Oriented Gradient，HOG）與優(yōu)化極

2、限學(xué)習(xí)機(jī)（Optimization Extreme Learning Machine，OELM）相結(jié)合的人體檢測方法。首先，采用梯度方向直方圖方法提取圖像的特征值；然后，利用OELM算法對提取圖像的特征值進(jìn)行分類訓(xùn)練；最后，利用非極大值抑制方法準(zhǔn)確標(biāo)記出目標(biāo)人體區(qū)域。實(shí)驗(yàn)表明，此方法相對于傳統(tǒng)的HOG與ELM方法在訓(xùn)練精度上有顯著的提高，在算法運(yùn)行時(shí)間上相對于經(jīng)典HOG與SVM方法更是快了近20倍。
　　2、針對分類問題，提出一種

3、基于EAS（Efficient Active Set）算法優(yōu)化OELM的方法，即IOELM（Improved Optimization Extreme Learning Machine）。首先，利用有效集算法在迭代求解優(yōu)化問題最優(yōu)解的過程中，找出符合條件的最大搜索步長來保證函數(shù)值嚴(yán)格下降；然后，設(shè)置臨時(shí)迭代步長找到最優(yōu)步長使目標(biāo)優(yōu)化問題的函數(shù)值較有效集法進(jìn)一步下降，并通過推測賦值法來減少迭代過程中產(chǎn)生的誤迭代；最后，提出基于HOG與IO