传统的目标检测方法需要对大量候选窗(区域)做判断,需要较大的计算量。本文根据人体特点,提出了一种基于分级判断的方法,需要判断的候选窗逐级减少,因此可以大量减少复杂特征和分类器需要判断的候选窗数量,进而减少整个检测算法的计算...传统的目标检测方法需要对大量候选窗(区域)做判断,需要较大的计算量。本文根据人体特点,提出了一种基于分级判断的方法,需要判断的候选窗逐级减少,因此可以大量减少复杂特征和分类器需要判断的候选窗数量,进而减少整个检测算法的计算量。算法首先对待检测图像提取NG(norm of gradients)特征,通过线性支持向量机(SVM)判断得到行人的候选区域;然后对候选区域提取简化梯度方向直方图(HOG,histograms of oriented gradients)特征,采用线性SVM对候选区域进一步的过滤;最后对经过过滤筛选得到的区域提取多分辨率HOG特征,使用可变形部件模型(DPM,deformation part model)对候选区域进行检测定位行人的位置。在INRIA数据集上的实验结果表明,本文方法在保证检测精度的情况下,虽然相比于原始DPM算法有少数的行人漏检,但是本文方法的检测结果中行人误检数目远少于原始DPM算法,检测速度也优于原始DPM算法。展开更多
文摘传统的目标检测方法需要对大量候选窗(区域)做判断,需要较大的计算量。本文根据人体特点,提出了一种基于分级判断的方法,需要判断的候选窗逐级减少,因此可以大量减少复杂特征和分类器需要判断的候选窗数量,进而减少整个检测算法的计算量。算法首先对待检测图像提取NG(norm of gradients)特征,通过线性支持向量机(SVM)判断得到行人的候选区域;然后对候选区域提取简化梯度方向直方图(HOG,histograms of oriented gradients)特征,采用线性SVM对候选区域进一步的过滤;最后对经过过滤筛选得到的区域提取多分辨率HOG特征,使用可变形部件模型(DPM,deformation part model)对候选区域进行检测定位行人的位置。在INRIA数据集上的实验结果表明,本文方法在保证检测精度的情况下,虽然相比于原始DPM算法有少数的行人漏检,但是本文方法的检测结果中行人误检数目远少于原始DPM算法,检测速度也优于原始DPM算法。