基于梯度方向直方图的人体检测系统.pptVIP

基于梯度方向直方图的人体检测系统 主要内容： 选题背景与选题意义 人体检测系统总体设计 HOG特征和SVM的认识 实现人体检测功能 致谢 选题背景与选题意义 随着科技的不断进步，生活的质量不断上升，人们对生活的要求不仅仅是在物质上、精神上、更重要体现在安全方面。安全问题已经引起了人们的广泛重视。比如在驾驶汽车上路、在公寓小区中、在超市中、在校园之中，等等。许多地方都存在着安全隐患。所以加强对这些地方的监控，及对存在安全隐患的事件有预见。 人体检测系统是计算机视觉领域重要的前沿方向和研究的热点之一。它在智能监控、驾驶员辅助系统、运动分析等领域具有广泛的应用前景。基于梯度方向直方图的快速人体检测算法是人体检测领域的研究重点之一。 近年来，国内 将这个方面作为人体检测研究的热点，但是在国外已经有了很多的研究，比如麻省理工学院的Paggio的基于SVM的人体检测以及Navneet Dalal等人的基于HOG特征的人体检测技术。 人体检测系统总体设计 设计思想： 了解人体检测过程，熟悉梯度方向直方图的原理，掌握Opencv计算机视觉工具，同时，编写MFC程序，实现基于梯度方向直方图的人体检测系统。 实现功能： 编写出来一个输入窗口，能够载入图像信息，根据图像上的信息，能够检测出来图像上的人体，并且标注出来，统计出来检测人数，实现检测系统。 认识HOG特征 HOG特征： 也就是梯度方向直方图（Histograms of Oriented Gradients，简称：HOG）特征的方法，提取出来图样中部分区域的梯度方向直方图特征。它表示的是边缘梯度的结构特征，因此可以描述部分区域的形状信息，能对局部对象外观和形状进行很好的表征。 HOG特征提取过程： 伽马空间和颜色空间标准化 梯度计算 构建方向直方图 重叠块归一化处理 特征向量生成 HOG特征提取过程图 学习SVM SVM简介： SVM称为支持向量机，英文为Support Vector Machine 的简称SVM。它是一种模式识别的方法其理论以统计学为基础，是由Boser,Guyon,Vapnik在COLT-92上首次提出的，在此之后快速的发展，它作为针对模式分类中一种经典的分类学习的方法，有着深刻的影响。 SVM目标： 对于两种不同的数据，找到一个超平面，使得它能够最大程度的将两类数据点集正确的分开，同时使分开的两类数据点都距离分类面最远。 SVM解决方法： 构造一个在有约束条件下的优化的问题，也就是一个受限的二次规划问题(Constrained Quadratic Programming),求解这个问题，就能得到该分类器。 学习SVM SVM最优化界面 显然发现，最优化界面应该是b，而并非是a，因为两类数据集没有最大程度的分开 哪个是最优化界面呢？？ 学习SVM SVM训练的方法 (1)块算法 它的理论思想是为了简化矩阵而有不改变结果，可以通过删除矩阵中对应Lagrange乘数为零的行和列。 (2)分解算法 它是目前有效解决大规模问题的主要方法。分解算法将大型二次规划问题分解为一些小型的二次规划子问题，然后进行迭代求解。 (3)增量算法 它是机器学习系统在处理新增样本时，能够只对原学习结果中与新样本有关的部分进行增加修改或删除操作，与之无关的部分则不被触及。 实现人体检测系统 初始化窗口 点击选择图像，选择一张图像 点击人体检测 实现人体检测系统 人体检测 我们能够清楚的看到图片中的有5个比较近的人，他们在人行道到走着。经过与HOG人体特征的比对、SVM的分类、再进行筛选，不难发现显示出来有5个人。 致谢： 感谢导师给我课题指导，该方向很好的结合了自己的兴趣，才使得自己在大学学习阶段感受到了科学的乐趣，使自己在以后工作中奠定了一个较高的平台。老师谦逊和蔼的处世方式也深深影响着我！ 感谢我的母校——给我提供了一个好的学习和研究的环境。母校丰富的资源和优良的学术氛围给我的研究工作带来了极大的帮助！ 感谢评审论文的各位专家、老师为本文提出的宝贵意见！