基于多尺度特征近似計(jì)算的行人檢測方法.pdf

《基于多尺度特征近似計(jì)算的行人檢測方法.pdf》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在行業(yè)資料-天天文庫。

1、學(xué)術(shù)探討應(yīng)用技術(shù)與研究2015年第4期基于多尺度特征近似計(jì)算的行人檢測方法崔劍侯曉榮（電子科技大學(xué)，四川成都611731）[摘要]傳統(tǒng)的多尺度特征計(jì)算都是首先構(gòu)造不同尺度的圖像形成圖像金字塔，然后在金字塔每一層上通過滑動窗口的辦法提取相應(yīng)的特征，實(shí)驗(yàn)表明在目標(biāo)檢測時特征提取消耗大量時間，改善特征提取的速度是提升目標(biāo)檢測速度的關(guān)鍵。本文使用FFC(FastFeatureComputation)計(jì)算方法對多尺度圖像特征進(jìn)行快速提取，同時結(jié)合Adaboost算法和多特征融合方法用于行人目標(biāo)檢測，實(shí)驗(yàn)結(jié)果表明效果較好。[關(guān)鍵字

2、]圖像金字塔；滑動窗口；FFC；Adaboost；多特征融合中圖分類號：TP391.41文獻(xiàn)標(biāo)識碼：A文章編號：1008-66609(2015)04-0050-03加速了特征計(jì)算。1引言2.1圖像金子塔行人檢測技術(shù)屬于人工智能領(lǐng)域研究的一部分，然而信圖像金字塔是以多分辨率來解釋圖像的一種結(jié)構(gòu)。圖息技術(shù)的發(fā)展將行人檢測技術(shù)推廣到了現(xiàn)實(shí)應(yīng)用之中。傳像金字塔最初用于機(jī)器視覺和圖像壓縮，一幅圖像的金字塔統(tǒng)的特征提取方法遍歷多尺度圖像并提取每一個尺度下圖是一系列以金字塔形狀排列的分辨率逐步降低的圖像集像的特征。Dalal和Tri

3、ggs[1]提出使用HOG特征用于行人目合。金字塔的底部是待處理圖像的高分辨率表示，而頂部是標(biāo)檢測，單特征提取速度較快但是檢測效果不佳。Gavrila[2]低分辨率的近似。對于行人檢測來說，行人在圖像中的深度采用全局模板，利用層級模板匹配實(shí)現(xiàn)行人檢測，在分層遍信息不一樣，因此需要提取不同分辨率下行人目標(biāo)特征。歷檢測時消耗大量時間。Lin等人[3]利用人體局部特征構(gòu)造模板匹配，此方法檢測速度較快但是利用局部特征難以表征全局，實(shí)際檢測效果欠佳。Borgefors[4]提出參數(shù)化邊緣模板，針對同一張圖片不同的分辨率情況下，使

4、用HCMA完成模板匹配，此方法與Gavrila檢測方法一致需要耗費(fèi)大量時間。Walk等人[5]提出的CSS特征與Gao等人[6]提出的ACF特征本質(zhì)都是單特征提取，區(qū)別在于表征目標(biāo)信息不同。孫銳等人圖1圖像金字塔[7]提出融合的顯著性信息與HOG-NMF特征與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多尺度特征近似估計(jì)行人目標(biāo)，改善了檢測的效果但是特征提取速度較慢。圖像金子塔的構(gòu)成本質(zhì)對源圖像進(jìn)行采樣，采樣的方法考慮到單特征計(jì)算速度快但是檢測效果不好且多特征有雙線性插值、最近鄰法

5、等方法。圖像采樣之后會得到一系融合提取計(jì)算復(fù)雜度較高的問題，本文提出了快速特征計(jì)算列不同分辨率的圖像組合。不同尺度圖像特征存在著關(guān)聯(lián)方法，在不影響檢測效果的情況下提高檢測的速度。快速特性。本文以梯度直方圖為例說明多尺度特征之間關(guān)聯(lián)性。征計(jì)算改善了目標(biāo)特征提取的速度，有助于實(shí)現(xiàn)實(shí)時檢測目對于源圖像Im(x，y),上采樣系數(shù)τ，得到圖像Im'(x，y)，采標(biāo)。樣公式如下：2快速特征計(jì)算Im'(x，y)≡Im(x/τ，y/τ)區(qū)別于傳統(tǒng)的多尺度特征計(jì)算，快速特征計(jì)算無需對圖根據(jù)圖像梯度信息定義可知采樣前與采樣后圖像梯度像金子

6、塔每一層圖像提取特征，而是在當(dāng)前尺度下取得的特之間的關(guān)系：1y征近似計(jì)算相鄰尺度下圖像的特征。因此可以在不遍歷圖GradIm'(x，y)≈τGradIm(xτ，τ)像金字塔的情況下實(shí)現(xiàn)多尺度圖像特征的提取，一定程度上因此全局梯度幅值之間的關(guān)系如下：——————————————作者簡介：崔劍，男，安徽合肥人，碩士，研究方向：模式識別與智能系統(tǒng)，計(jì)算視覺與機(jī)器學(xué)習(xí)。-50-應(yīng)用技術(shù)與研究學(xué)術(shù)探討2015年第4期τ1τkτ1τkκ-λΓ1F1?κ?∑∑GradIm'(x，y)≈∑∑GradIm(x，y)=?1÷+?τκi=1

7、ji=1j=12κFè2?1k≈τ2∑∑1GradIm(x，y)上式中ζ表示對于給定圖像特征數(shù)據(jù)的方差。之前舉例τi=1j=1說明的特征計(jì)算近似估計(jì)可得，對于最終特征數(shù)據(jù)近似參數(shù)1k≈τ∑∑GradIm(x，y)τ的估計(jì)如下：i=1j=1inF本文從INRIA數(shù)據(jù)集選取了1000張正樣本和1500張負(fù)1κ1τ=∑i樣本，采樣系數(shù)為2，結(jié)果如圖2：ni=1Fκ2通過提取樣本不同的特征可以根據(jù)τ的值近似得到λF值的大小。通過對INRIA訓(xùn)練樣本中1218個負(fù)樣本進(jìn)行測試得到不同特征不同尺度下τ和λF的擬合曲線?；谔荻戎狈?/p>

8、圖的擬合曲線如下：(a)正樣本結(jié)果示意圖(b)負(fù)樣本結(jié)果示意圖圖2上采樣梯度幅值比例圖2所示為測試的樣本上采樣梯度幅值比例直方圖，從圖中可以看出大部分樣本都是在比例為2附近，與預(yù)期的結(jié)果一致。對于下采樣的結(jié)果如圖3所示：圖4梯度直方圖特征擬合效果圖3實(shí)驗(yàn)流程與數(shù)據(jù)分析本文采樣INRIA樣本集上的614張正樣本和1218張負(fù)樣本作為