基于HOG和Haar聯(lián)合特征的行人檢測及跟蹤算法研究.pdf

1、機(jī)器視覺目前應(yīng)用越來廣泛，在諸多領(lǐng)域都取得了很好的成果，同時(shí)也面臨許多新的挑戰(zhàn)。在行人檢測領(lǐng)域，通過機(jī)器學(xué)習(xí)來實(shí)現(xiàn)自動(dòng)分析人類活動(dòng)還面臨著許多困難，尤其是在其實(shí)際應(yīng)用過程中還需要進(jìn)行不斷探索。目前應(yīng)用最廣泛的行人檢測方法是基于 HOG特征和 Haar特征的行人檢測方法。這兩種方法在行人檢測以至整個(gè)機(jī)器視覺領(lǐng)域都應(yīng)用廣泛，卻各有優(yōu)缺點(diǎn)。HOG特征檢測結(jié)果更準(zhǔn)確，卻計(jì)算量大，運(yùn)算復(fù)雜；Haar特征計(jì)算簡結(jié)，對人臉識別效果更好，卻對動(dòng)作幅度較

2、大的肢體，尤其是背影識別效果不好。單獨(dú)應(yīng)用這兩種特征方法進(jìn)行行人檢測的實(shí)驗(yàn)效果并不是很理想，基于HOG特征的行人檢測算法運(yùn)行速度太慢，基于Haar特征的行人檢測算法漏檢率太高，均無法達(dá)到實(shí)用的目的。
　　本文通過將二者結(jié)合運(yùn)用，得到一種新的檢測方法。為了將兩者結(jié)合使用，達(dá)到各取優(yōu)點(diǎn)的目的，本文利用了Adaboost算法是由若干弱分類器組成級聯(lián)分類器的特點(diǎn)，分別用HOG特征和Haar特征構(gòu)建弱分類器，再通過Adaboost算法對這些

3、不同特征構(gòu)成的弱分類器進(jìn)行加權(quán)，達(dá)到最佳的檢測效果。實(shí)驗(yàn)結(jié)果表明這種新的方法在行人檢測的準(zhǔn)確性和檢測速度上有較大改進(jìn)。
　　在行人跟蹤算法上，本文在基于Mean shift的目標(biāo)跟蹤算法的基礎(chǔ)上，對其做了目標(biāo)尺度自適應(yīng)處理。Mean Shift算法是一種核密度估計(jì)法，它不需要做任何先驗(yàn)工作而完全依靠計(jì)算概率密度的梯度變化來尋找局部最優(yōu)。Mean Shift算法的原理是一個(gè)統(tǒng)計(jì)迭代的過程：首先定位目標(biāo)的初始位置，計(jì)算目標(biāo)在下一幀的偏