基于Rough集理論改進(jìn)的HOG特征行人檢測(cè).pdf

1、本論文提出了一種基于Rough集理論改進(jìn)的HOG特征行人檢測(cè)方法,目的是提高檢測(cè)精度的同時(shí)加快行人檢測(cè)的速度。原HOG特征是在64*128像素的檢測(cè)窗口中提取105個(gè)Block,每個(gè)Block由2*2個(gè)cell組成,每個(gè)cell為9個(gè)通道(bin)的直方圖,那么原HOG特征就是一個(gè)3780維(105*4*9=3780D)的特征向量。這一特征已經(jīng)可以對(duì)行人檢測(cè)作出較為正確地判斷,但需要計(jì)算的Block數(shù)量過多,維度過大,導(dǎo)致特征計(jì)算和分類

2、器預(yù)測(cè)時(shí)間過長(zhǎng),不利于一些高實(shí)時(shí)性的檢測(cè)要求。本文通過利用Rough集的相關(guān)理論來對(duì)HOG特征中的Block進(jìn)行篩選,并按照Block的分類能力,對(duì)其進(jìn)行重要度排序,越重要的Block代表著越強(qiáng)的分類能力,對(duì)分類所起的作用越大。為了提高檢測(cè)精度,本論文還對(duì)HOG特征進(jìn)行了擴(kuò)展,從原HOG特征105個(gè)Block增加到236個(gè),并對(duì)這236個(gè)Block建立重要度排序。并以此建立一個(gè)級(jí)聯(lián)的分類器,按照Block的重要度順序,每層分類器以逐層增

3、加Block的方式訓(xùn)練得到,分類器采用線性SVM。經(jīng)過篩選并訓(xùn)練,最終的特征向量只有108到1800維之間。本文的級(jí)聯(lián)的每層分類器不僅用來進(jìn)行負(fù)判斷,還通過設(shè)置正閾值來進(jìn)行正判斷,而通常的拒絕式級(jí)聯(lián)分類器每層只用來排除負(fù)樣本。
　　 在實(shí)現(xiàn)上述方法的過程中,本文還利用了基于信息熵的離散化方法來對(duì)特征維進(jìn)行離散化,并提出了兩種利用Rough集相關(guān)理論來評(píng)價(jià)屬性重要度的方法,一種是利用條件屬性區(qū)分決策屬性產(chǎn)生的邊界域的大小,邊界域越

4、小,重要度越高;另一種是利用改進(jìn)的區(qū)分矩陣的方法來評(píng)價(jià)屬性的重要度,在改進(jìn)的區(qū)分矩陣中,出現(xiàn)次數(shù)越多的屬性越重要。
　　 本文的行人檢測(cè)過程采用滑動(dòng)窗口的模式,對(duì)滑動(dòng)窗口檢測(cè)后的重疊窗口合并問題,總結(jié)了三種方法。同時(shí)為了加速在視頻流中的行人檢測(cè),還采用了背景擦除的方式來進(jìn)行預(yù)處理。
　　 本文最后還設(shè)計(jì)制作了一個(gè)行人檢測(cè)系統(tǒng),對(duì)行人檢測(cè)部分實(shí)現(xiàn)細(xì)節(jié)做了探討,并對(duì)檢測(cè)結(jié)果做了分析。實(shí)驗(yàn)結(jié)果證實(shí),本文的方法在檢測(cè)速度上得到了