基于特征融合和交叉核SVM的快速行人检测方法

行人检测是目标识别领域的一大难点。现阶段用于行人检测的特征维数都比较高,为克服高维特征对实时性的影响,本文运用主元分析(PCA)对特征进行降维,加快检测速度。单一特征的信息有限,本文运用基于线性鉴别分析(LDA)的线性权重融合原则对一些底层特征(颜色、梯度、直方图)和多层次导向边缘能量特征进行特征融合使特征具有多源信息。且上述特征可采用积分图技术进行快速计算,所以行人检测系统的鲁棒性和实时性得到加强。在目标识别领域直方图交叉核支持向量机(HIKSVM)具有分类快,且准确率高的优点,采用其进行分类,系统实时性更进一步提升。实验表明本文方法检测速度和检测率优于经典的HOG+SVM算法。

基于多特征和多核学习的行人检测方法的研究

行人检测系统涉及交通安全问题,需要很高的鲁棒性,基于单特征结合单核支持向量机的方法效果有限,为解决这一问题,提出采用多特征和多核学习的方法来提升系统的鲁棒性,通过将积分信道特征、多层次导向边缘能量特征和CENTRIST特征分别与直方图交叉核、高斯核和多项式核进行线性组合,采用简单多核学习(Simple MKL)来分别计算核函数的权重系数,将多核学习方法与经典的梯度直方图特征/支持向量机、多尺度梯度直方图特征/直方图交叉核支持向量机和特征融合/直方图交叉核支持向量机的行人检测方法进行比较,实验表明所提出的行人检测算法的鲁棒性有明显提升。

基于局部行颜色自相似性特征的行人检测方法

针对计算机视觉领域的行人检测问题,提出一种基于局部行颜色自相似性特征,该特征可表征为在HSV空间,图像水平方向非重叠对称块颜色直方图的距离信息,结合多层次导向边缘能量特征形成图像的融合特征,利用交叉核支持向量机进行分类。与主流用于行人检测的HOG+SVM方法相比,其特征维数低,在保证检测精度的同时,大幅提高了算法效率。实验结果验证了该算法的有效性。