HOG与LSS融合的行人检测算法改善漏检误检

"一种基于HOG与LSS融合的行人检测算法，旨在解决传统HOG特征在复杂环境和遮挡下行人检测的漏检误检问题。通过结合LSS特征，利用PCA进行降维，并与线性SVM分类器配合，提高检测准确性。实验表明，这种方法能降低平均漏检误检率16%，优于单纯基于HOG特征的方法。" 行人检测是计算机视觉领域中的一个重要课题，特别是在监控视频分析和智能交通系统中。传统的行人检测方法，如基于Haar特征、SIFT、SURF、LBP等，各有优缺点。HOG（方向梯度直方图）特征因其对行人肢体动作和光照变化的敏感性而被广泛采用，但同时也存在计算复杂度高、噪声敏感以及在遮挡情况下性能下降的问题。 本研究提出了一种创新的行人检测算法，该算法结合了HOG特征和LSS（局部自相似）特征。LSS特征能够捕捉图像的几何布局和形状属性，对于图像匹配特别有效。为了克服HOG特征的局限性，算法首先通过主成分分析（PCA）在实数域中对HOG和LSS特征进行降维，以减少计算负担并保留关键信息。接着，将这两类特征融合形成新的特征向量，这个过程有助于提取更全面的图像表示。最后，使用线性支持向量机（SVM）作为分类器，对融合后的特征进行行人检测，以提高识别的准确性和鲁棒性。 实验部分，研究者使用了INRIA和Daimler两个数据库的图像作为训练集，730幅监控视频帧作为测试集。通过对比基于HOG特征的传统方法，结果显示新算法在漏检和误检率方面有了显著改善，平均降低了16%。这证明了HOG与LSS特征融合策略的有效性，能够在复杂场景和遮挡情况下提供更好的行人检测性能。 这项工作为行人检测提供了一个改进的解决方案，特别是在处理遮挡和复杂环境时，通过特征融合增强了检测的精度。这种方法不仅有助于提升现有行人检测系统的性能，也为未来的研究提供了新的思路，即如何结合不同的特征来优化计算机视觉任务的性能。