基于多重稀疏字典的行人检测方法

《基于多重稀疏字典的行人检测方法》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于多重稀疏字典的行人检测方法摘要：针对于稀疏编码在行人检测问题中提取的特征维数高和不能够有效描述行人的问题，提出了一种基于多重稀疏字典直方图的特征提取方法。通过稀疏表示方法，预先学习多个不同稀疏度的字典，分别利用每一个字典对行人图像进行稀疏编码，统计每个字典中对应稀疏编码单元的分布直方图作为行人图像的特征描述子。该方法提取到的特征维数低，并且能够有效地描述行人，具有良好的检测性能。关键词：行人检测;特征提取;稀疏表示;多重稀疏;字典中图分类号：TN919?34;TP391.4文献标识码：A文章编号：1004?373X（2015）02

2、?0083?05PedestriandetectionmethodbasedonmultiplesparsedictionariesYUANWen，LIUYa?zhou（SchoolofComputerScienceandEngineering，NanjingUniversityofScienceandTechnology，Nanjing210094，China）Abstract：Thedrawbacksofpedestriandetectionmethodbasedonsparsecodearehighdimensionsoffea

3、turesandcan’teffectivelydescribethepedestrian.16Aimingatthedrawbacks，afeatureextractionmethodbasedonmultiplesparsedictionarieshistogramisproposed.Severaldifferentsparsedictionariesneedtobelearnedbeforehandbymeansofthesparserepresentation，sparsecodingofpedestrianimageisc

4、onductedwithdifferentsparsedictionariestomakestatisticsofthedistributionhistogramscorrespondingtothesparsecodingunitsineachdictionaryastheimagefeaturedescriptor.Thefeaturedimensionsextractedwiththismethodarelow，caneffectivelydescribethepedestrian，andhasgooddetectionperf

5、ormance.Keywords：pedestriandetection;featureextraction;sparserepresentation;multiplesparse;dictionary0引言行人检测作为人体运动的视觉分析中的一项关键技术，近年来在诸如视频监控、机器人、智能交通和高级人机交互等计算机视觉领域中有着广泛的应用。在行人检测中，由于极易受到光照、自身姿态、服饰等众多因素的影响，使得准确无误的检测行人有非常大的难度。16早期的行人检测主要是基于Haar特征，MIT的AI实验室在基于静态图像的人体识别方面做出了很

6、多开创性的研究工作[1]，将Harr特征与SVM相结合，进行基于整体或部分的行人检测，并且成功将其运用到人脸、车辆等物体检测中。Gavrila从人体轮廓的边缘信息出发，构建了采用层次式的人体外轮廓模型，该模型与人们对于人体的直觉上的感知相似[2]。Lin等对其进一步研究，将整体轮廓扩展到由头肩、躯干及腿部等多个部件轮廓模型，使其对遮挡有更好的鲁棒性[3]。Wu等利用由直线段和圆弧组成小边（Edgelet）特征来描述行人的局部轮廓方向特征，形成描述人体轮廓的局部模板[4]。随着局部描述子的发展，越来越多的研究者在这一方向进行了深入研究，

7、并取得了比较好的结果。受到具有尺度、旋转以及缩放不变性的局部描述子（SIFT）[5]的启发，Dalal等提出的方向梯度直方图（HistogramofOrientedGradient，HOG）[6]，HOG是通过刻画图像的局部梯度幅值和方向特征来描述行人，这种特征对图像的几何形变和光学形变保持着一定的不变性，Felzenszwalb等将HOG特征应用到可变形部件模型（DeformablePartsModel，DPM）中，该检测模型在行人检测中取得了很好的效果[7]。Leibe等直接利用SIFT描述子与隐式形状模型（ISM）相结合进行行人

8、检测[8]。此外，基于局部二值模式（LBP）[9]和区域协方差矩阵[10]的方法在行人检测中也取得了比较好的结果。16单一的特征往往只能在一定适用范围内才能发挥其自身的优势，因此，很多研究者希望通过采用多种特征融合的方法