四、实验结果
1、LBP分类器对一些分块区域进行检测
这个LBP粗检测
16
2、对有车的区域，标记好之后进行区域合并，再进行HOG的细检测
17
这些因为没有人，都是车辆检测
漏检多，误检多
18
行人检测：
没有比较适合的视频，用图片来检测
可见：实验效果一般
19
五、思考题
4.1复杂交通场景中人和车辆的检测与跟踪的主要困难和挑战是什么？
答：从实际实验来看，主要有干扰因素多、样本少、受天气影响大等因素影响实验。
4.2根据实验结果从以下三个方面评价自己的检测与跟踪算法。
4.2.1准确性：算法能检测出视频图像序列中运动物体的准确程度，能够对单一目标、多个目标提取出目标轮廓，在复杂背景环境、背景中存在大量干扰时，也能准确检测出运动目标。 答： 准确性不好，主要样本少
4.2.2实时性：算法处理图像数据，到获得结果所需要的时间度量，在满足准确性的前提下，处理时间应尽可能地短。
答：HOG检测速度慢，处理时间长，利用LBP加快了速度，但依然较慢
4.3鲁棒性：算法在受到外界干扰时，能继续执行原先功能的稳定能力，如在有新目标进入画面，画面中目标发生重叠等情况下，算法能继续进行目标的检测和跟踪而不发生丢失。 答：环境变化检测不好，特别天气。
六、实验总结
虽然从上面的实验结果来看，效果并不是很好，有部分或许是算法未深刻理解，也有部分原因是时间仓促，不过在模式识别课程总结的最后一个实验，我觉得是最重要的是理解其中的算法，毕竟这些才是精髓。进一步深刻理解了一些重要的模式识别中的算法:
1）LBP,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
20