模式识别-课程大作业实验
复杂交通场景中人、车的检测与跟踪
姓名：陈明
学号：201208070103 班级：智能1201 教师：李智勇
时间：2016年12月24日
单位：湖南大学 信息科学与工程学院
1
2
一、实验题目
复杂交通场景中人、车的检测与跟踪
二、实验内容
2.1 熟悉各种分类器（贝叶斯分类器、线性分类器、支持向量机、神经网络、Adaboost等）与各种特征（颜色特征、梯度特征、LBP特征、边缘特征、Haar-like特征以及SIFT特征等），并掌握其中的一种或多种。
2.2熟悉运动目标跟踪的基本原理与一些经典、常用的运动目标跟踪算法（卡尔曼滤波算法、Camshift算法等）。
2.3利用训练好的分类器对复杂交通场景视频中的人和车辆进行检测，并在
视频中标定出来。
2.4对视频中检测到的人和车进行实时运动目标跟踪（可选）。
三、实验原理及过程
3.1 特征原理及分类器:
选取特征：HOG特征，LBP特征 选取分类器：SVM 支持向量机 3.1.1 HOG特征
HOG, 即方向梯度直方图（Histogram of Oriented Gradient, HOG）特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。需要提醒的是，
HOG+SVM进行行人检测的方法是法国研究人员Dalal在2005的CVPR上提出的，而如今虽然有很多行人检测算法不断提出，但基本都是以HOG+SVM的思路为主。
3.3.1.1主要思想：
在一副图像中，局部目标的表象和形状（appearance and shape）能够被梯度或边缘的方向密度分布很好地描述。（本质：梯度的统计信息，而梯度主要存在于边缘的地方）。
3.3.1.2具体的实现方法是：
首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中各像素点的梯度的或边缘的方向直方图。最后把这些直方图组合起来就可以构成特征描述器。
3.3.1.3提高性能：
3
把这些局部直方图在图像的更大的范围内（我们把它叫区间或block）进行对
比度归一化（contrast-normalized），所采用的方法是：先计算各直方图在这个区间（block）中的密度，然后根据这个密度对区间中的各个细胞单元做归一化。通过这个归一化后，能对光照变化和阴影获得更好的效果。
3.3.1.4优点：
与其他的特征描述方法相比，HOG
有很多优点。首先，由于HOG是在图像的局
部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化等条件下，只要行人大体上能够保持直立的姿势，可以容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。因此HOG特征是特别适合于做图像中的人体检测的。
3.3.1.5 HOG特征提取算法的实现过程： 大概过程：
HOG特征提取方法就是将一个image（你要检测的目标或者扫描窗口）：
1）灰度化（将图像看做一个x,y,z（灰度）的三维图像）；
2）采用Gamma校正法对输入图像进行颜色空间的标准化（归一化）；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；
3）计算图像每个像素的梯度（包括大小和方向）；主要是为了捕获轮廓信息，同时进一步弱化光照的干扰。
4）将图像划分成小cells（例如6*6像素/cell）；
5）统计每个cell的梯度直方图（不同梯度的个数），即可形成每个cell的descriptor；
6）将每几个cell组成一个block（例如3*3个cell/block），一个block内所有cell的特征descriptor串联起来便得到该block的HOG特征descriptor。 7）将图像image内的所有block的HOG特征descriptor串联起来就可以得到该image（你要检测的目标）的HOG特征descriptor了。这个就是最终的可供分类使用的特征向量了。
4
3.1.2 LBP特征： 3.2.1.1背景介绍
局部二值模式(Local binary patterns,LBP)是机器视觉领域中用于描述图像局部纹理特征的算子,具有旋转不变性和灰度不变性等显著的优点。它是由T. Ojala, M.Pietik?inen, 和 D. Harwood [1][2]在1994年提出，LBP在纹理分类问题上是一个非常强大的特征；如果LBP与HOG结合，则可以在一些集合上十分有效的提升检测效果。LBP是一个简单但非常有效的纹理运算符。它将各个像素与其附近的像素进行比较，并把结果保存为二进制数。由于其辨别力强大和计算简单，局部二值模式纹理算子已经在不同的场景下得到应用。LBP最重要的属性是对诸如光照变化等造成的灰度变化的鲁棒性。它的另外一个重要特性是它的计算简单，这使得它可以对图像进行实时分析。本节介绍相关LPB算法特征提取知识。 3.2.1.1.2基本理论
局部二值模式是广泛用于图像分类的一种图像特征，它的特点是，在图像发生光照变化时，提取的特征仍然能够不发生大的改变。提取LBP的过程首
5