基于Omega形狀特征的人體目標(biāo)檢測(cè).pdf

1、為了提高當(dāng)代社會(huì)生活質(zhì)量，近年來(lái)，人體目標(biāo)檢測(cè)技術(shù)在多個(gè)技術(shù)領(lǐng)域得到了廣泛的應(yīng)用，研究人員基于分類的人體目標(biāo)檢測(cè)算法框架，提出了許多優(yōu)秀的特征提取算法和分類算法。這些算法取得了一定的效果，但人體目標(biāo)檢測(cè)技術(shù)依然存在著許多亟待解決的關(guān)鍵問(wèn)題，例如人體非剛體特性、遮擋造成的人體目標(biāo)模型多變，背景環(huán)境的多樣性和光照的變化對(duì)檢測(cè)造成的干擾問(wèn)題等。這些問(wèn)題干擾了算法對(duì)人體目標(biāo)的精確建模，降低了人體目標(biāo)檢測(cè)的準(zhǔn)確率。
　　基于上述問(wèn)題，本文基

2、于判別式人體目標(biāo)檢測(cè)框架，在分析學(xué)術(shù)界較為流行的人體目標(biāo)檢測(cè)方法的基礎(chǔ)上，提出了一種基于Omega形狀特征的人體目標(biāo)檢測(cè)方法。具體方法內(nèi)容包括三個(gè)部分：1.采用基于人體頭-肩Omega形狀特征的人體目標(biāo)檢測(cè)方法。這種方法與目前普遍采用的基于整體特征的人體目標(biāo)檢測(cè)方法相比，能夠減少由于人體非剛體性形變和部分遮擋在實(shí)際應(yīng)用中造成的嚴(yán)重誤檢和漏檢。2.創(chuàng)新性地將結(jié)合梯度直方圖(Histograms of Oriented Gradients，

3、HOG)特征提取算法與正交非負(fù)矩陣分解(Orthogonal Non-negative Matrix Factorization, ONMF)算法引入基于Omega形狀的人體目標(biāo)檢測(cè)中，對(duì) Omega形狀進(jìn)行快速有效的特征提取。本文通過(guò)對(duì)所需要檢測(cè)的Omega形狀進(jìn)行特征提取的具體需求進(jìn)行分析，選擇了HOG特征對(duì)Omega形狀進(jìn)行表征，在描述目標(biāo)輪廓的同時(shí)，有效抑制了光照變化和微小形變對(duì)檢測(cè)造成的干擾。同時(shí)針對(duì)人體目標(biāo)檢測(cè)的幾個(gè)關(guān)鍵問(wèn)題

4、，在HOG特征的基礎(chǔ)上進(jìn)行正交非負(fù)矩陣分解，利用樣本庫(kù)最為本質(zhì)的特征對(duì)目標(biāo)模型進(jìn)行重構(gòu)和表述，從算法層面降低了部分遮擋和復(fù)雜背景對(duì)檢測(cè)的影響。3.與傳統(tǒng)的在提取Omega形狀特征后直接訓(xùn)練分類算法不同，本文采用了大間隔近鄰(Large margin nearest neighbor, LMNN)方法對(duì)特征樣本進(jìn)行距離測(cè)度學(xué)習(xí)。這種距離測(cè)度學(xué)習(xí)方法有利于建立多模態(tài)的判別式表觀模型，從特征分析的角度進(jìn)一步提升特征模型的判別性。
　　本