行人探测特征选择及提取.docVIP

行人探测特征选择和提取 李林 201022610003 摘要 目标探测计算机视觉中一项重要切有挑战性的课题。该文借鉴了简化了的APCF特征值[3]，简化了的称为JRoG特征（Joint Ranking of Granules），这些特征值是由图像中每一块相比较的一系列离散的二值结果组成。本文采用了模拟退火（SA）和渐进式特征选择模型（incremental feature selection module）协作学习算法，这两个互补的协作算法能有效从大量的JRoG特征值中选出有代表性的特征值（这些特征值将用在目标探测上）。 Abstract Object detection remains an important but challenging task in computer vision. We present a method that combines high accuracy with high ef?ciency. We adopt simpli?ed forms of APCF features [3], which we term Joint Ranking of Granules (JRoG) features; the features consists of discrete values by uniting binary ranking results of pairwise granules in the image. We propose a novel collaborative learning method for JRoG features, which consists of a Simulated Annealing (SA) module and an incremental feature selection module. The two complementary modules collaborate to ef?ciently search the formidably large JRoG feature space for discriminative features, which are fed into a boosted cascade for object detection. 引言 目标探测是计算机视觉中一个基础性的任务。虽然这些年来取得一定的进步，但目标探测在实时性应用当中仍有一定的挑战。这篇文章是关于行人检测中的特征值的选择和提取的。现实生活中，由于人群的拥挤和行人之间的相互阻挡，这些对探测都是不小的困难，所以在探测的初始环节，就应该慎重选取提取特征的方法。 关于行人检测方面的研究文献有很多。基于学习的方法占大多数，而这个方法中最重要的是特征值和学习算法的选取。特征有全局的和局部的。全局的特征，像边缘模版（edge templates）[6]和形状模型（shape models）[5]有很好的识别能力但由于阻挡和非刚性因数对物体呃形状变化很敏感的。局部的特征，小波描述符（wavelet descriptors）[12，11]，尺度不变特征变换特征（SIFT）[10]和方向梯度直方图（Histogram of Oriented Gradient，HOG）[2]具有更好的应用性但是这些特征值需要经过精心挑选和重新组合。也有文献采用多种特征组合，像Wu和Nevatia的非均匀局部特征（Heterogeneous Local Features）[21]，Schwartz等人的edge-based features augmented by texture and color以及Wang等人[9]HOG联合局部二进制模式（Local Binary Pattern，LBP）通过一种自顶向底的概率分割(a probabilistic top-down segmentation). 另一方面，这些成功的方法都是建立在Viola和Jones人脸探测[16]的方法之上。从这方面发展起来的有Haar特征[17]，边缘集（edgelet）特征[19]和协方差矩阵表述（covariance matrix descriptors）[15]。分类器也超过了原来的级联分类器比如[20]树状结构。本文提出了一种新的方法，虽然的遵从原先的思想但是使用了不同的特征，也就需要不一样的学习算法了。 在最近的文献中，Duan等人[3]引进一种叫联合块比较特征值提取法（Associated Pairing Comparison Features，APCF），这个方法是建立在已经被人脸检测验证了的早期颗粒特征值（granule feature）上面[7]。APCF特征是比较有哪些信誉好的足球投注网站窗口中某个小区域（gr