基于AdaBoost和SVM的人體檢測.pdf

1、隨著計算機技術(shù)和人工智能技術(shù)的不斷發(fā)展，目標檢測已成為計算視覺領(lǐng)域一個熱點研究課題。其中人體類檢測是目標檢測的一個重要分支，包括人體識別、人體跟蹤、步態(tài)識別等方面，在人機交互和智能視頻監(jiān)控領(lǐng)域都有著廣泛的應用前景。人體檢測作為人體類計算機視覺重要組成部分，是人體輪廓提取、人體動態(tài)分析、人體行為鑒別等相關(guān)領(lǐng)域研究的首要步驟。人體具有非剛性的特性，在公共場合中，由于存在人體姿態(tài)不一、衣著各異且背景復雜、光照條件多變等因素的影響，給人體檢測的

2、實現(xiàn)帶來困難和挑戰(zhàn)。目前主流的人體檢測方法有兩大分支：基于弱分類器學習法（AdaBoost）和基于支持向量機法（SVM）。其中基于弱學習的方法是通過對大量樣本進行訓練實驗后，提取其特征，建立標準的人體統(tǒng)計學模型，從而分辨出候選目標中的人體；該方法理論上能將人體識別分類的性能指數(shù)趨近于最大化，但以樣本數(shù)量趨近于無窮大為前提條件。而支持向量機的方法是基于結(jié)構(gòu)風險最小化的原理，通過較少的樣本訓練得到性能較好的分類器，但存在檢測耗時大的缺點。<

3、br>　　 通過對目前國內(nèi)外主流人體檢測方法的深入研究，并分析了各種方法中優(yōu)點與不足，本文提出了一種基于改進的AdaBoost 并結(jié)合SVM的算法。
　　 1.在AdaBoost 現(xiàn)有算法的基礎(chǔ)上，改進其矩形特征的輸出形式，使其能夠更好的分辨候選目標邊緣區(qū)域與平坦區(qū)域,而且特征數(shù)量大幅減少，算法計算速度得到提高；另外，構(gòu)造了鏈式梯度特征，該特征能夠根據(jù)樣本邊緣紋理分布情況進行自動合并生長，這樣檢測時特征子窗將集中于人體邊緣。<