基于改進(jìn)HOG共生概率特征的行人檢測算法

李盈盈，李菲菲，陳 虬

(上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院，上海 200093)

視覺信息是人類從客觀世界獲取的主要信息。隨著目標(biāo)檢測系統(tǒng)的廣泛應(yīng)用，對于目標(biāo)檢測的精度要求越來越高。然而在復(fù)雜環(huán)境下實(shí)現(xiàn)高可靠性的目標(biāo)檢測仍面臨著很大的困難，成為研究中重要和急需解決的問題。因此，本文就如何提高檢測精度進(jìn)行了研究。

文獻(xiàn)[1]提出了一種靜態(tài)人體目標(biāo)檢測方法，即基于Boosting算法的目標(biāo)檢測的共現(xiàn)概率特征。采用方向梯度直方圖(Histogram of Oriented Gradient, HOG)特征量，通過2段式Real AdaBoost算法進(jìn)行學(xué)習(xí)，生成共生概率特征量(Co-occurrence Probability Feature ，CPF)來進(jìn)行目標(biāo)檢測。基于此方法，本文選取不同類型的局部特征量，篩選后全部放入特征池中，通過特征量的兩兩配對來計(jì)算共生概率特征量是否會更加有效。

1 特征的選擇和融合

基于局部模式提取特征在特征提出中發(fā)揮著重要作用。局部特征的類型有很多，文獻(xiàn)[2]提出的HOG特征具有較好的幾何和光學(xué)不變性；文獻(xiàn)[3]提取出的局部二值模式(Local Binary Pattern，LBP)特征具有灰度和旋轉(zhuǎn)不變的紋理特性；文獻(xiàn)[4]將HOG與LBP相結(jié)合，用于解決人體目標(biāo)檢測中的局部遮擋問題；而文獻(xiàn)[5]提出了顏色自相似性(Color Self-similarity，CSS)算法，一種通過成對提取局部空間的色彩分布進(jìn)行統(tǒng)計(jì)計(jì)算的新的顏色特征描述方法。下面對HOG、LBPHOG、CSSHOG這3種特征的提取及融合進(jìn)行闡述。

1.1 HOG特征

HOG特征是一種用來進(jìn)行物體邊緣梯度檢測的特征描述子。首先需要將檢測圖像進(jìn)行灰度化和Gamma歸一化。然后計(jì)算每個像素的梯度包括大小和方向，如式(1)所示