行人檢測之初相見

現狀，大緻分為兩類：

（1）基于背景模組化的方法

分割出前景，提取其中的運動目标。進一步提取特征，分類判别。

缺點：

1）在存在下雨、下雪、刮風、樹葉晃動、燈光忽明忽暗等場合，該方法的魯棒性不高，抗幹擾能力較差。

2）且背景模組化方法的模型過于複雜，對參數較為敏感。

（2）基于統計學習的方法

根據大量訓練樣本建構行人檢測分類器。

1）提取的特征一般有目标的灰階、邊緣、紋理、形狀、梯度直方圖等資訊，

2）分類器包括神經網絡、SVM，adaboost等

該方法存在難點：

（a）行人的姿态、服飾各不相同；

（b）提取的特征在特征空間中的分布不夠緊湊；

（c）分類器的性能受訓練樣本的影響較大；

（d）離線訓練時的負樣本無法涵蓋所有真實應用場景的情況；

HOG算子

梯度直方圖特征(HOG)

Hog特征結合SVM分類器已經被廣泛應用于圖像識别中，尤其在行人檢測中獲得了極大的成功。

HOG特征是一種局部區域描述符,它通過計算局部區域上的梯度方向直方圖來構成人體特征,

能夠很好地描述人體的邊緣。它對光照變化和小量的偏移不敏感。

行人檢測HOG+SVM，總體思路：

1）提取正負樣本hog特征

2）投入svm分類器訓練，得到model

3）由model生成檢測子

4）利用檢測子檢測負樣本，得到hardexample

5）提取hardexample的hog特征并結合第一步中的特征一起投入訓練，得到最終檢測子。

為什麼opencv自帶的hog檢測子是3781維的？

opencv裡的HOGDescriptor這個結構的構造函數HOGDescriptor（Size winSize,Size blocksize,Size blockStride,Size cellSize,…），

opencv預設的參數winSize（64,128），blockSize（16,16），blockStride（8,8），cellSize（8,8），

很顯然hog是将一個特征視窗win劃分為很多的塊block，在每一個塊裡又劃分為很多的細胞單元cell(即胞元)，hog特征向量既是把這些所有的cell對應的小特征串起來得到一個高維的特征向量

視窗中塊的數目是(（64-16）/8+1)((128-16)/8+1) = 715 =105個塊，

塊大小為16x16,胞元大小為8x8，

那麼一個塊中的胞元cell數目是 (16/8)*(16/8) =4個胞元

每一個胞元對應的向量就是9維，每個bin對應該9維向量的一個數

n= 105x4x9 = 3780

我們利用hog+svm檢測行人，最終的檢測方法是最基本的線性判别函數，wx + b = 0，剛才所求的3780維向量其實就是w，而加了一維的b就形成了opencv預設的3781維檢測算子，

而檢測分為train和test兩部分，

在train期間我們需要提取一些列訓練樣本的hog特征使用svm訓練最終的目的是為了得到我們檢測的w以及b，在test期間提取待檢測目标的hog特征x

HOG特征隻關注物體的邊緣和形狀資訊，對目标的表觀資訊并沒有有效記錄，是以很難處理遮擋問題，而且由于梯度的性質，該特征對噪點敏感。

行人檢測中的一大難題是遮擋問題，為了解決這一問題，出現了采用部件檢測的方法，把人體分為頭肩，軀幹，四肢等部分，對這些部分分别進行檢測，然後将結果組合起來，使用的典型特征依然是HOG，采用的分類器有SVM和AdaBoost