行人检测特征典型方法

最新推荐文章于 2024-06-05 12:42:50 发布

原创

最新推荐文章于 2024-06-05 12:42:50 发布 · 1.7w 阅读

29 ·

CC 4.0 BY-SA版权

本文探讨了行人检测中的特征描述子，包括底层特征（如Haar, HOG, LUV, LBP）、混合特征（积分通道特征）和基于学习的特征（神经网络）。HOG特征被证明在行人检测中非常有效，而LBP和CENTRIST在某些条件下也有应用。行人检测方法主要分为手工设计模型（如HOG+SVM, DPM）和深度学习模型，后者通过卷积和池化操作提取特征。文章还提到了Adaboost、SVM和级联分类器在行人检测中的应用。" 78197980,7332756,交换机连接技术：级联与堆叠解析,"['网络应用', '网络设备', '交换机技术', '网络连接', '网络管理']

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

1.行人特征

行人特征描述子可以分为三类：底层特征，混合特征和基于学习的特征。底层特征指的是颜色、纹理和梯度等基本的图像特征。这些单一特征可以计算速度快，并且可以利用积分图技术快速计算，但是只从某一方面如梯度或者纹理来描述行人特征，判别力较差。混合特征指的是多种底层特征的融合，或者是底层特征的高阶统计特征。这种特征能从不同的侧面来刻画图像特征，提高检测的准确率，但是随着特征的维度增加，特征的计算和分类器的检测时间也增加，影响实时性。基于学习的特征目前一般是指神经网络直接从原始图像学习得到的特征。这种特征能从大量的样本中学习出判断能力较强的特征，在行人检测中表现很出色，但是它的计算依赖高性能的硬件，也和训练样本密切相关，若样本不具有代表性，很难学习到好的特征。

用于行人检测的底层特征主要包括Haar, HOG, LUV, LBP等。Haar特征由VJ在应用到人脸检测中，其特征的简单表示如图所示。每一个特征值对应为图中一个矩形区域块的计算结果，在计算时通过黑色部分像素之和减去白色部分像素之和得到。对同一个区域块做计算时，不同的计算方法将得到同一个区域块不同的特征值。

Dalal等提出的HOG[2] 特征是目前最有效的行人单一特征描述子。HOG刻画了图像的局部梯度幅值和方向特征，基于梯度特征，对块的特征向量进行归一化处理，允许块之间相互重叠，因此对光照变化的小量的偏移并不敏感，能有效地刻画出人体的边缘特征。HOG尤其缺点：维度高、计算慢。针对这些缺点，Zhu等[3]允许HOG中块大小可变，利用积分直方图技术来快速计算HOG特征，通过Adaboost 算法选择判别能力较强的块，然后构建级联分类器，该方