- 學位論文
以HOG為基礎的AdaBoost方法做行人的頭部和肩部偵測
Head-Shoulder Detection Using HOG-based AdaBoost Approach
若您是本文的作者，可授權文章由華藝線上圖書館中協助推廣。
摘要
在本篇論文中，我們提出了一種利用梯度方向直方圖(HOG)的特徵，結合AdaBoost學習式的分類演算法，針對行人的頭部和肩膀進行偵測的方法。梯度方向直方圖(Histogram of oriented Gradient簡稱HOG)是目前廣為研究者用的特徵，能優異地擷取行人的邊緣和輪廓資訊。使用梯度方向直方圖(HOG)是一種密集的特徵擷取方式，透過對互相重疊區域的區塊(block)擷取邊緣資訊，對行人外型的差異、行人姿態動作多變性和影像光線干擾等辨識上的障礙，都有突破性的效果。除此之外，為了改善HOG的效能，解決行人互相遮擋影響偵測正確率的問題，我們選擇使用行人的上半身─頭部和肩膀作為主要偵測行人的依據。AdaBoost是以特徵選取為基礎的一種快速的分類器，它可以從一大群的特徵中，選取出較有辨別性的特徵，每一個特徵也就是一個弱分類器(weak classifier)，將這數個弱分類器依據其各自擁有的權重，最後結合成為一個強分類器(strong classifier)。透過這個強分類器，可以判斷出是行人或者非行人的影像。從實驗的結果，可以發現，弱分類器的個數越多，偵測的準確率會較高，此外，我們分別使用了三個訓練集圖庫：MIT dataset 、INRIA dataset以及Hybrid dataset，以訓練樣本數量最多的Hybrid dataset的準確率較高。
參考文獻
[1] N. Dalal, B. Triggs, “Histograms of oriented gradients for human detection,” IEEE Conf. Computer Vision and Pattern Recognition, vol. 1, pp. 886-893, July 2005.
[2] Xiaoyu Wang, Tony X. Han, Shuicheng Yan, ”An HOG-LBP human detector with Partial occlusion handling,” IEEE Conf. Computer Vision, pp.32-39, 2009.
[3] Timo Ahonen, Abdenour Hadid, and Matti Pietikainen, “Face description with local binary patterns: Application to face recognition,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 28, pp.2037-2041, 2006.
[4] Y. Freund and R. E. Schapire, “A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting,” Journal of Computer and System Sciences, vol. 55, pp. 119-139, 1997.
[7] C. Zeng and H. Ma,“ Robust Head-shoulder Detection by PCA-Based Multilevel HOG-LNP Detector for people Counting,” IEEE Conf. Pattern Recognition, 2010.