行人检测介绍

一阶偏导的有限 差分来计算梯度 的幅值和方向
1 H1 1 1 (m, n) 2 m, n
2 (m, n) 12 (m, n) 2 (m, n) 中心像素。 C与沿着 值th1和th2，两者关系 th1=0.4th2 (m, n) 我们把梯度值小于 arctan 2 梯度线的两个像 th1的像素的灰 1 (m, n)
对非极大值抑制图像作用两个阈
1 1 1 H2 1 1 1 f (m, n) H1 x, y f (m, n) H 2 (m, n)
对梯度幅值进行 非极大值抑制
双阈值法检测和 连接边缘
素相比，若C的梯 度值设为0，得到图像1。然后把 度值不比dTmp1 梯度值小于th2的像素的灰度值设 和dTmp2 为0，得到图像2。由于图像 2的阈 大，则 dTm p 1 g 令其灰度值为0 g 值较高，去除大部分噪音，但同 时也损失了有用的边缘信息。而 图像1的阈值较低，保留了较多的 C 信息，我们可以以图像2为基础， 以图像1为补充来连结图像的边缘。
聚类前：
将每一个像素 点聚类到离自 己最近的K个 聚类中心里
l0
i01 i0 1 i0 i01
聚类后：
计算每一个聚 类的均值，并 用均值替代原 来的聚类中心
是
d i i
i 1 i 1
2
聚类中心是否改变
否
结束
判断d最大对应的u的相邻两聚 类中心平均值作为阈值进行二 值化
图 像 分 割
基于直方图灰度分布的阈值法 阈值法 基于类间方差的阈值法 基于熵的划分 K-均值聚类 特征聚类算法
均值漂移
基于图论
canny算法
高斯滤波器平滑 图像
f m, n 1 f m, n f m 1, n 1 f m 1, n 2 f m, n f m 1, n f [m, n 1] f [m 1, n 1] Qm, n 2 P(m, n)

行人检测问题本质上是一种模式识别问 题，典型的模式识别系统框架如下图。
模 式 空 间 预 处 理 特 征 提 取
特征向量
数 据 获 取
特 征 空 间
分类器设计
分类决策
类 型 空 间
模 式 识 别
训练样本
特征提取 和选择
X
分类器
Y
样本 识别
目前主流的行人检测框架如下图。
训 练
创 建 标 准 数 据 集 多 尺 度 扫 描 图 像 特 征 提 取 训 练 两 类 分 类 器 利 分用 类分 决类 策器 进 行 最 终 分 类 器
1 2
g 4 dTm p2
g3
canny算法边缘检测效果
K-均值聚类
开始
选取K个灰度 值作为初始聚 类中心
设聚类前后聚类中心值 分别为i0、i01、i01及i、i1、i 1 若聚类空间 Ki 1、Ki、Ki 1内的像素属于同一类目 标，则聚类
后i 1、i、i 1非常小
红外图像中行人检测
汇报人：范俊
目录


行人检测方法分类 行人检测的系统框架 图像分割 HOG特征
行人检测的方法
非机器学 习的方法 1.帧差法 2.背景差分法 3.光流法
受场景影响 大，检测率 低、误报率 高
4.基于模板匹配法 行人 检测
基本采用 这种方法 来实现检 测
基于机器 学习方法
行人检测的系统框架
均值聚类分割效果
HOG特征
输入图像
I ( x, y) I ( x, y) gamma
对图像对比 度进行调节 Gamma 归一化
计算梯度 在每个cell中将梯 度投影到梯度方向 将cells在block内 归一化 HOG特征是通过计 算图像局部区域的 梯度方向直方图来 构建行人特征
谢谢
检 测
特 征 提 取
融 检合 测多 结尺 果度 上 的
检 测 结 果
避免多尺度扫描
ROI
Байду номын сангаас
感 兴 趣 区 域 分 割
区 域 特 征 提 取
分 类 决 策
检 测 结 果
优点：检测速度快 缺点：检测效果不如滑动窗口法，容易漏检
图像分割
Prewitt算子 基于边缘的方法 Sobel算子 Canny算子
边缘走向，像 素值幅度变化 平缓，垂直变 化剧烈，所以 边缘上像素值 一阶导数较大， 二阶导数在边 缘处值为0， 呈现零交叉