有助于对行人检测技术的学习, 基于 Haar 特征与 HOG 特征特征融合的 Adaboost 行人检测算法,基于改进的均值移动目标跟踪方法

针对单幅图像中的行人检测问题,提出了基于自适应增强算法(Adaboost)和支持向量机(Support vector machine,SVM)的两级检测方法,应用粗细结合的思想有效提高检测的精度.粗级行人检测器通过提取四方向特征(Four direction features,FDF)和GAB(Gentle Adaboost)级联训练得到,精密级行人检测器用熵梯度直方图(Entropy-histograms of oriented gradients,EHOG)作为特征,通过支持向量机学习得到

行人检测在视觉监控，驾驶员辅助系统中具有广泛的应用。 它在计算机视觉和模式识别中也非常重要。 在我们的研究中，我们提出了行人检测的多尺度方案。 行人检测方案包括构建强分类器和多尺度检测的两个步骤。 强分类器是弱分类器的集合，是通过使用基于类似Harr特征的AdaBoost学习算法构建的。 然后，采用强分类器对多尺度图像中的行人进行检测，并对检测结果进行合并。 在我们的实验中，提出的多尺度检测方案在灵敏度达到89.3％的情况下每张图像报告了0.35个假阳性。 这表明行人检测的多尺度方案实现了高性能

基于多特征的AdaBoost行人检测算法

为了解决单一HOG特征的行人检测方法容易造成的误检和漏检，进一步提高行人检测算法的准确率和速度，本文提出了基于多特征的行人检测算法，将HOG特征和人体重要的肤色特征相结合，使用adaboost算法进行特征学习。在INRIA行人数据集上进行测试，实验表明将HOG和肤色相结合将行人检测的识别率提高了8%，检测速度提高了近30%。