基于共生與非共生梯度直方圖的人體檢測(cè).pdf

1、本文旨在研究靜止圖像中的人體檢測(cè)技術(shù),即檢測(cè)圖像中是否有人體,如果有人體則給出其在圖像中的位置。本論文的人體檢測(cè)技術(shù)在基于智能圖像／視頻監(jiān)控的社會(huì)安全等領(lǐng)域有著重要的應(yīng)用價(jià)值。
　　 人體檢測(cè)技術(shù)的兩個(gè)關(guān)鍵部分分別是圖像特征提取和分類器設(shè)計(jì)。本論文主要關(guān)注圖像特征提取方法。當(dāng)前人體檢測(cè)中最成功的圖像特征是2005年Dalal等提出的梯度方向直方圖(縮寫為HOG)。為了提高HOG特征的計(jì)算速度和分類效果,2009年Wang等在IC

2、CV會(huì)議上提出了基于角度分解和卷積模板的HOG計(jì)算方法。為了提高HOG特征的表達(dá)力和鑒別力,2009年Watanabe等提出了共生梯度方向直方圖(即Co-HOG)。
　　 本論文在上述工作基礎(chǔ)上,做了如下幾點(diǎn)創(chuàng)新工作:
　　 1)為提高基于角度分解和卷積模板的人體檢測(cè)方法的性能,提出了用均值模板來進(jìn)行梯度插值(光滑)。與Wang等采用的與距離成線性關(guān)系的卷積模板相比,該方法識(shí)別率更高。
　　 2)為進(jìn)一步提高基于

3、角度分解和卷積模板的人體檢測(cè)方法的性能,提出了用9×9的卷積模板代替原先的7×7模板的方法,這一方法同樣提高了識(shí)別率。
　　 3)已有的共生梯度方向直方圖只利用了角度信息,忽略了梯度幅值的作用。為了克服這一缺點(diǎn),本論文提出了同時(shí)利用角度信息和幅值信息的共生梯度方向直方圖計(jì)算方法,使識(shí)別效果明顯提高。
　　 總之,本論文實(shí)現(xiàn)了傳統(tǒng)的HOG方法、基于角度分解和卷積模板的HOG方法和基于共生梯度方向直方圖的方法。特別是本論文在