基于多核學(xué)習(xí)和非負(fù)矩陣分解的人體檢測(cè)研究.pdf

1、人體檢測(cè)是計(jì)算機(jī)視覺(jué)中一個(gè)非常重要的研究領(lǐng)域，有著廣闊的應(yīng)用前景，如智能視頻監(jiān)控，高級(jí)人機(jī)交互，駕駛員輔助系統(tǒng)，人體運(yùn)動(dòng)分析等。但是由于一些客觀存在的原因，如光照不均勻，背景復(fù)雜，人體姿勢(shì)變化較大，人體存在遮擋等，使得人體檢測(cè)成為一個(gè)具有挑戰(zhàn)性的工作。
　　在多核學(xué)習(xí)算法的基礎(chǔ)上，本論文就提高人體分類(lèi)器的性能，使得檢測(cè)結(jié)果更加魯棒，提出了一種基于部位的靜態(tài)人體檢測(cè)方法，利用圖像的深度信息去除部分虛景，利用非負(fù)矩陣分解，得到具有區(qū)分

2、較強(qiáng)的特征。
　　本論文主要工作如下：
　　1.提出了一種基于部位的靜態(tài)人體檢測(cè)方法，該方法首先將整個(gè)人體劃分為頭肩、軀干和下肢幾個(gè)部位，分別提取各個(gè)部位的特征，計(jì)算它們的核矩陣，利用多核學(xué)習(xí)算法，將它們進(jìn)行線性加權(quán)為一個(gè)矩陣，最后訓(xùn)練出一個(gè)分類(lèi)器，根據(jù)分類(lèi)器的響應(yīng)來(lái)判定窗口是否包含人體。仿真實(shí)驗(yàn)的結(jié)果表明，此方法使得分類(lèi)的性能有所提升，能夠檢測(cè)出背景復(fù)雜，光照不均勻，人體姿勢(shì)變化較大，存在部分遮擋情況下的人體，使得圖像中的

3、人體檢測(cè)比較魯棒。
　　2.將基于梯度的HOG特征和描述紋理特征的局部二值描述子相結(jié)合，采用多核學(xué)習(xí)的框架來(lái)進(jìn)行異質(zhì)特征的融合。該方法對(duì)不同的特征分別計(jì)算其核矩陣，最后通過(guò)對(duì)各個(gè)核矩陣的線性加權(quán)來(lái)進(jìn)行計(jì)算，其權(quán)重系數(shù)是根據(jù)訓(xùn)練樣本中的各個(gè)特征對(duì)分類(lèi)的貢獻(xiàn)學(xué)習(xí)出來(lái)的。利用數(shù)據(jù)庫(kù)中的深度信息對(duì)分類(lèi)器的結(jié)果進(jìn)行驗(yàn)證，來(lái)達(dá)到去除部分虛景的目的。最后的實(shí)驗(yàn)表明結(jié)合異質(zhì)特征更加豐富的表征的圖像的特征，采用多核學(xué)習(xí)的方法進(jìn)行特征融合有利于分類(lèi)器

4、性能的提升，驗(yàn)證減少了虛景，這些使得人體檢測(cè)更加魯棒。
　　3.提出一種基于非負(fù)矩陣分解算法的人體檢測(cè)方法。該方法將樣本按塊劃分，分別提取其尺度不變特征，用它來(lái)表示樣本。然后對(duì)訓(xùn)練樣本組成的特征矩陣進(jìn)行非負(fù)矩陣分解，得到一個(gè)基矩陣和一個(gè)系數(shù)矩陣。我們使用特征向量在變換后的空間中的另外一種形式來(lái)表示，即分解后的系數(shù)矩陣作為最終的特征向量。實(shí)驗(yàn)結(jié)果表明，該方法能得到與HOG算法相同的分類(lèi)性能，但是值得一提的是提出的方法每個(gè)樣本的特征向