基于Omega形狀特征的人體目標檢測.pdf

1、為了提高當代社會生活質(zhì)量，近年來，人體目標檢測技術(shù)在多個技術(shù)領(lǐng)域得到了廣泛的應(yīng)用，研究人員基于分類的人體目標檢測算法框架，提出了許多優(yōu)秀的特征提取算法和分類算法。這些算法取得了一定的效果，但人體目標檢測技術(shù)依然存在著許多亟待解決的關(guān)鍵問題，例如人體非剛體特性、遮擋造成的人體目標模型多變，背景環(huán)境的多樣性和光照的變化對檢測造成的干擾問題等。這些問題干擾了算法對人體目標的精確建模，降低了人體目標檢測的準確率。
　　基于上述問題，本文基

2、于判別式人體目標檢測框架，在分析學(xué)術(shù)界較為流行的人體目標檢測方法的基礎(chǔ)上，提出了一種基于Omega形狀特征的人體目標檢測方法。具體方法內(nèi)容包括三個部分：1.采用基于人體頭-肩Omega形狀特征的人體目標檢測方法。這種方法與目前普遍采用的基于整體特征的人體目標檢測方法相比，能夠減少由于人體非剛體性形變和部分遮擋在實際應(yīng)用中造成的嚴重誤檢和漏檢。2.創(chuàng)新性地將結(jié)合梯度直方圖(Histograms of Oriented Gradients，

3、HOG)特征提取算法與正交非負矩陣分解(Orthogonal Non-negative Matrix Factorization, ONMF)算法引入基于Omega形狀的人體目標檢測中，對 Omega形狀進行快速有效的特征提取。本文通過對所需要檢測的Omega形狀進行特征提取的具體需求進行分析，選擇了HOG特征對Omega形狀進行表征，在描述目標輪廓的同時，有效抑制了光照變化和微小形變對檢測造成的干擾。同時針對人體目標檢測的幾個關(guān)鍵問題

4、，在HOG特征的基礎(chǔ)上進行正交非負矩陣分解，利用樣本庫最為本質(zhì)的特征對目標模型進行重構(gòu)和表述，從算法層面降低了部分遮擋和復(fù)雜背景對檢測的影響。3.與傳統(tǒng)的在提取Omega形狀特征后直接訓(xùn)練分類算法不同，本文采用了大間隔近鄰(Large margin nearest neighbor, LMNN)方法對特征樣本進行距離測度學(xué)習(xí)。這種距離測度學(xué)習(xí)方法有利于建立多模態(tài)的判別式表觀模型，從特征分析的角度進一步提升特征模型的判別性。
　　本