基于方向梯度直方圖的行人檢測(cè)算法

《基于方向梯度直方圖的行人檢測(cè)算法》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在教育資源-天天文庫(kù)。

1、byRadonHISTORGRAMSOFORIENTEDGRADIENTSFORHUMANDETECTIONWindowBlockCellbin重要概念HOG描述子的輸入根據(jù)測(cè)試，window的大小為64*128時(shí)效果最好。Window在R-HOG中，window被相同大小的cell（，）覆蓋，相同大小的block（）在由cell組成的網(wǎng)格上滑動(dòng)。Block&CellBlock&Cellbin色彩和gamma歸一化梯度計(jì)算統(tǒng)計(jì)局部圖像梯度信息block歸一化生成特征描述向量算法流程一維的離散微分模板(-1,0,1),(1,0,-1)’水平梯度圖和垂直梯度圖求幅值和相位對(duì)于3通道圖

2、像，只保留梯度幅值最大的通道的梯度。梯度計(jì)算對(duì)block加一個(gè)高斯空域窗口Block中每個(gè)pixel根據(jù)自己的梯度和位置進(jìn)行投票統(tǒng)計(jì)局部圖像梯度信息投票的權(quán)重梯度幅值的函數(shù)直接使用梯度幅值效果最好block中的每一個(gè)pixel對(duì)相鄰cell和其梯度方向的相鄰區(qū)間進(jìn)行投票。Block中的投票三線性插值x方向、y方向和梯度的角度這三個(gè)參數(shù)空間Block中的投票對(duì)block加一個(gè)高斯空域窗口Block中每個(gè)pixel根據(jù)自己的梯度和位置進(jìn)行投票通過(guò)投票得到block對(duì)應(yīng)的特征描述向量（維）該向量既對(duì)圖像區(qū)域內(nèi)的姿勢(shì)或外觀的小變化具有不變性。統(tǒng)計(jì)局部圖像梯度信息對(duì)光照、陰影、邊緣對(duì)比度等

3、具有更好的不變性①L2-norm:②L2-Hys:將特征描述向量中的最大值限制為0.2以下，再進(jìn)行L2-norm③L1-sqrt:block歸一化HOG描述子將window中所有block對(duì)應(yīng)的特征描述向量組合在一起①HOG沒(méi)有選取主方向或旋轉(zhuǎn)梯度方向直方圖不具有旋轉(zhuǎn)不變性②HOG不具有尺度不變性③HOG在密集采樣的圖像塊中進(jìn)行計(jì)算特征向量的各個(gè)維度隱含了其在檢測(cè)窗口中的位置信息通過(guò)使用不同旋轉(zhuǎn)方向的樣本進(jìn)行訓(xùn)練，改變?cè)诖龣z測(cè)圖像中的窗口大小，使用HOG描述子也能實(shí)現(xiàn)具有旋轉(zhuǎn)不變性和尺度不變性的算法。生成特征描述向量色彩和gamma歸一化梯度計(jì)算統(tǒng)計(jì)局部圖像梯度信息block歸一

4、化生成特征描述向量算法流程SVMSVM–松弛變量結(jié)果–第1次訓(xùn)練windowsize=64*128歸一化方法：L2-normhardexample也適用于生成hardexample檢測(cè)過(guò)程beforeafterSVM–第2次訓(xùn)練終