实现行人检测使用hog特征以及svm以及cascade作为分类器国内外研究现状
时间: 2023-06-16 10:07:53 浏览: 155
行人检测是计算机视觉领域的一个重要问题,在实际应用中有广泛的应用场景,如智能监控、自动驾驶等。HOG(Histogram of Oriented Gradients)特征和SVM(Support Vector Machine)分类器是行人检测中一种经典的方法,同时Cascade分类器也被广泛应用。下面将介绍一下国内外关于使用HOG特征、SVM分类器和Cascade分类器进行行人检测的研究现状。
1. 国外研究现状
HOG特征和SVM分类器在行人检测中的应用最早可以追溯到2005年,Dalal等人提出的方法[1],该方法将图像分割成小的块,然后提取每个块的HOG特征,并使用SVM进行分类。这种方法在Pascal VOC 2006数据集上取得了较好的效果。之后,许多研究者在这个基础上进行了改进,如使用多尺度HOG特征[2]、增强HOG特征[3]、使用多个SVM分类器进行级联[4]等,这些方法都取得了不错的效果。
Cascade分类器最早在行人检测中的应用可以追溯到2001年,Viola和Jones提出了一种基于Haar特征和AdaBoost分类器的级联检测器[5],并取得了很好的效果。之后,Cascade分类器被广泛应用于行人检测中,如Viola-Jones检测器[6]、R-CNN系列[7]、Faster R-CNN[8]等。这些方法都使用了Cascade分类器进行行人检测,并取得了较好的效果。
2. 国内研究现状
国内研究者也对HOG特征、SVM分类器和Cascade分类器进行了研究和应用。如孙晓峰等人提出的一种基于HOG特征和SVM分类器的行人检测方法[9],该方法使用了多尺度HOG特征和多个SVM分类器进行级联,取得了较好的效果。另外,刘永明等人也提出了一种基于小波变换和级联AdaBoost分类器的行人检测方法[10],该方法使用了小波变换进行图像分割,并使用级联AdaBoost分类器进行行人检测。
总之,HOG特征、SVM分类器和Cascade分类器是行人检测中一种经典的方法,已经被广泛应用于实际场景中。在国内外的研究中,研究者们不断对这些方法进行改进和优化,使得行人检测的准确率和鲁棒性得到了不断提高。
阅读全文