基于混合高斯和HOG+SVM的行人检测模型

为了提高行人检测系统的检测率,提出了一种基于混合高斯背景建模结合方向梯度直方图(histogram of oriented gradient,HOG)+支持向量机(support vector machine,SVM)的行人检测模型.首先,采用混合高斯模型进行前景分割,有效提取出运动目标区域;然后,在行人识别部分通过缩小检测窗口尺寸来降低HOG特征维数;另外,利用误识别区域,对样本库的信息进行二次更新,以优化SVM分类器;最后,以随机视频帧为测试样本进行模型性能验证.结果表明,在保证检测率和检测速率的情况下,该混合高斯结合HOG+SVM模型的误检率仅为4%,说明该模型能够在复杂场景下实时准确地进行行人检测.     

基于自适应CtF DPM特征提取的快速行人检测模型

针对行人检测系统中存在的难以同时具有较高的检测率和较快的检测速度这一问题,本文提出了一种自适应Coarse-to-Fine Deformable Part Model(CtF DPM)的行人检测模型.首先,将低分辨率根滤波器特征提取得分与阈值进行比较,以确定高分辨率部件滤波器的特征提取区域;随后,在同分辨率层中引入同级约束关系,增强同层的特征相关性;最后,将该特征提取与其他多种算法在INRIA数据库中进行检测准确性测试,并与隐式支持向量机(LSVM)结合进行实际道路环境测试.理论性能和实际测试结果表明:基于自适应CtF DPM的行人检测模型在保证检测性能的同时,特征提取时间可降至十几毫秒,显著提高了检测速度.