基于多尺度特征近似计算的行人检测方法.pdf

《基于多尺度特征近似计算的行人检测方法.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、学术探讨应用技术与研究2015年第4期基于多尺度特征近似计算的行人检测方法崔剑侯晓荣（电子科技大学，四川成都611731）[摘要]传统的多尺度特征计算都是首先构造不同尺度的图像形成图像金字塔，然后在金字塔每一层上通过滑动窗口的办法提取相应的特征，实验表明在目标检测时特征提取消耗大量时间，改善特征提取的速度是提升目标检测速度的关键。本文使用FFC(FastFeatureComputation)计算方法对多尺度图像特征进行快速提取，同时结合Adaboost算法和多特征融合方法用于行人目标检测，实验结果表明效果较好。[关键字

2、]图像金字塔；滑动窗口；FFC；Adaboost；多特征融合中图分类号：TP391.41文献标识码：A文章编号：1008-66609(2015)04-0050-03加速了特征计算。1引言2.1图像金子塔行人检测技术属于人工智能领域研究的一部分，然而信图像金字塔是以多分辨率来解释图像的一种结构。图息技术的发展将行人检测技术推广到了现实应用之中。传像金字塔最初用于机器视觉和图像压缩，一幅图像的金字塔统的特征提取方法遍历多尺度图像并提取每一个尺度下图是一系列以金字塔形状排列的分辨率逐步降低的图像集像的特征。Dalal和Tri

3、ggs[1]提出使用HOG特征用于行人目合。金字塔的底部是待处理图像的高分辨率表示，而顶部是标检测，单特征提取速度较快但是检测效果不佳。Gavrila[2]低分辨率的近似。对于行人检测来说，行人在图像中的深度采用全局模板，利用层级模板匹配实现行人检测，在分层遍信息不一样，因此需要提取不同分辨率下行人目标特征。历检测时消耗大量时间。Lin等人[3]利用人体局部特征构造模板匹配，此方法检测速度较快但是利用局部特征难以表征全局，实际检测效果欠佳。Borgefors[4]提出参数化边缘模板，针对同一张图片不同的分辨率情况下，使

4、用HCMA完成模板匹配，此方法与Gavrila检测方法一致需要耗费大量时间。Walk等人[5]提出的CSS特征与Gao等人[6]提出的ACF特征本质都是单特征提取，区别在于表征目标信息不同。孙锐等人图1图像金字塔[7]提出融合的显著性信息与HOG-NMF特征与Wang等人[8]提出的HOG-LBP特征都是利用多特征融合方式最大程度表征2.2多尺度特征近似估计行人目标，改善了检测的效果但是特征提取速度较慢。图像金子塔的构成本质对源图像进行采样，采样的方法考虑到单特征计算速度快但是检测效果不好且多特征有双线性插值、最近邻法

5、等方法。图像采样之后会得到一系融合提取计算复杂度较高的问题，本文提出了快速特征计算列不同分辨率的图像组合。不同尺度图像特征存在着关联方法，在不影响检测效果的情况下提高检测的速度。快速特性。本文以梯度直方图为例说明多尺度特征之间关联性。征计算改善了目标特征提取的速度，有助于实现实时检测目对于源图像Im(x，y),上采样系数τ，得到图像Im'(x，y)，采标。样公式如下：2快速特征计算Im'(x，y)≡Im(x/τ，y/τ)区别于传统的多尺度特征计算，快速特征计算无需对图根据图像梯度信息定义可知采样前与采样后图像梯度像金子

6、塔每一层图像提取特征，而是在当前尺度下取得的特之间的关系：1y征近似计算相邻尺度下图像的特征。因此可以在不遍历图GradIm'(x，y)≈τGradIm(xτ，τ)像金字塔的情况下实现多尺度图像特征的提取，一定程度上因此全局梯度幅值之间的关系如下：——————————————作者简介：崔剑，男，安徽合肥人，硕士，研究方向：模式识别与智能系统，计算视觉与机器学习。-50-应用技术与研究学术探讨2015年第4期τ1τkτ1τkκ-λΓ1F1æκö∑∑GradIm'(x，y)≈∑∑GradIm(x，y)=ç1÷+ςτκi=1

7、ji=1j=12κFè2ø1k≈τ2∑∑1GradIm(x，y)上式中ζ表示对于给定图像特征数据的方差。之前举例τi=1j=1说明的特征计算近似估计可得，对于最终特征数据近似参数1k≈τ∑∑GradIm(x，y)τ的估计如下：i=1j=1inF本文从INRIA数据集选取了1000张正样本和1500张负1κ1τ=∑i样本，采样系数为2，结果如图2：ni=1Fκ2通过提取样本不同的特征可以根据τ的值近似得到λF值的大小。通过对INRIA训练样本中1218个负样本进行测试得到不同特征不同尺度下τ和λF的拟合曲线。基于梯度直方

8、图的拟合曲线如下：(a)正样本结果示意图(b)负样本结果示意图图2上采样梯度幅值比例图2所示为测试的样本上采样梯度幅值比例直方图，从图中可以看出大部分样本都是在比例为2附近，与预期的结果一致。对于下采样的结果如图3所示：图4梯度直方图特征拟合效果图3实验流程与数据分析本文采样INRIA样本集上的614张正样本和1218张负样本作为