基于HOG和Haar聯(lián)合特征的行人檢測及跟蹤算法研究.pdf

1、機器視覺目前應用越來廣泛，在諸多領(lǐng)域都取得了很好的成果，同時也面臨許多新的挑戰(zhàn)。在行人檢測領(lǐng)域，通過機器學習來實現(xiàn)自動分析人類活動還面臨著許多困難，尤其是在其實際應用過程中還需要進行不斷探索。目前應用最廣泛的行人檢測方法是基于 HOG特征和 Haar特征的行人檢測方法。這兩種方法在行人檢測以至整個機器視覺領(lǐng)域都應用廣泛，卻各有優(yōu)缺點。HOG特征檢測結(jié)果更準確，卻計算量大，運算復雜；Haar特征計算簡結(jié)，對人臉識別效果更好，卻對動作幅度較

2、大的肢體，尤其是背影識別效果不好。單獨應用這兩種特征方法進行行人檢測的實驗效果并不是很理想，基于HOG特征的行人檢測算法運行速度太慢，基于Haar特征的行人檢測算法漏檢率太高，均無法達到實用的目的。
　　本文通過將二者結(jié)合運用，得到一種新的檢測方法。為了將兩者結(jié)合使用，達到各取優(yōu)點的目的，本文利用了Adaboost算法是由若干弱分類器組成級聯(lián)分類器的特點，分別用HOG特征和Haar特征構(gòu)建弱分類器，再通過Adaboost算法對這些

3、不同特征構(gòu)成的弱分類器進行加權(quán)，達到最佳的檢測效果。實驗結(jié)果表明這種新的方法在行人檢測的準確性和檢測速度上有較大改進。
　　在行人跟蹤算法上，本文在基于Mean shift的目標跟蹤算法的基礎(chǔ)上，對其做了目標尺度自適應處理。Mean Shift算法是一種核密度估計法，它不需要做任何先驗工作而完全依靠計算概率密度的梯度變化來尋找局部最優(yōu)。Mean Shift算法的原理是一個統(tǒng)計迭代的過程：首先定位目標的初始位置，計算目標在下一幀的偏