下载文档原格式
基于HOG特征和SVM分类器的行人检测研究作者：岳鑫来源：《科技创新与应用》2016年第05期摘 ;要：行人检测目前是机器视觉领域研究中一个热门技术。
文章利用梯度直方图特征和支持向量机对不同场景下的样本图片进行检测。
检测结果表明：在真实的应用场景中，该方法可以满足大部分的行人检测需求，但不同的光照、不同的遮挡和不同的样本复杂度对检测结果有一定影响。
关键词：HOG特征;SVM分类器;行人检测行人检测技术是计算机视觉领域中的一个重要的分支，在智能交通、智能监控、行人行为分析以及智能机器人领域有着广泛的应用，是通过判断图片或视频序列中是否有行人出现，并给出准确位置的一项图像理解技术。
行人检测主要分两大类方法[1]分别为基于背景建模的方法[2]和基于统计学习的方法[3]。
前者主要利用图像差分的思想，分割出前景，提取其中的运动目标，从而达到目标检测的目的。
该方法对背景的要求比较苛刻，在下雨、下雪、背景中树叶的晃动、光线不稳定的场景中该方法的抗干扰能力较差。
基于统计学习的方法，首先对目标进行特征提取，然后训练相应的分类器，再通过滑窗技术，把训练好的分类器应用于图像中，检测用户感兴趣的目标[4]。
文章使用基于统计学习的方法利用HOG特征和SVM分类器进行行人检测。
1 行人检测原理1.1 梯度直方图特征描述梯度直方图特征主要是用来描述图像局部重叠区域的一种描述符，将图像中局部区域像素的梯度方向直方图来做为人体的特征，该特征可以很好的描述出人体的边缘，并且不敏感于光照条件和微小的偏移。
图像中任意一像素点（x，y）的梯度表示为：（1）其中Gx（x，y）、Gy（x，y）和H（x，y）分别表示图像中在（x，y）处的水平方向梯度、垂直方向梯度和像素值。
像素点（x，y）处的梯度幅值和梯度方向分别由下面公式计算可得：（2）在梯度直方图特征-简称HOG的提取过程中，Dalal曾提出：对于一个样本图像，我们可以将它看成若干个像素的单元，图像像素的梯度方向平均可以分割为9个区间，用直方图来统计每个像素单元里面所有像素梯度方向的所有方向区间，这样就可以得到一个比较直观的9维特征向量，块是由每4个相邻的单元构成，再把这个块中4个特征向量连接起来，就可以得到方便理解的36维特征向量，然后以一个单元作为步长用块进行扫描样本图像，最终串联起所有块的特性，人体特征就得到了。
一元二次方程根的分布（一）两根在不同区间：例1 若方程012)2(2=-+-+k x k x 的两根中，一根在0和1之间，另一根在1和2之间，求k 的取值范围。
（3221<<k ）例2已知二次方程x 2－（m + 2）x －3m = 0的两根一个小于2，另一个大于2，求实数m的取值范围。
例3、已知二次方程()()221210m x mx m +-+-=有一正根和一负根，求实数m 的取值范围。
解：由 ()()2100m f +< 即 ()()2110m m +-<，从而得112m -<<即为所求的范围。
例4、已知二次函数()()()222433y m x m x m =+-+++与x 轴有两个交点，一个大于1，一个小于1，求实数m 的取值范围。
解：由 ()()210m f +< 即 ()()2210m m ++< ⇒ 122m -<<即为所求的范围。
练习：实数a 在什么范围内取值时，关于x 的方程3x 2-5x +a =0的一根大于-2而小于0，另一根大于1而小于3。
解： ()()⎪⎪⎩⎪⎪⎨⎧>+⨯-⨯=<+-=<=>+-⨯--⨯=-03533)3(053)1(0)0(02523)2(22a f a f a f a f ⇔ -12<a <0例5、已知关于x 的方程062)1(22=-++--m m mx x m 的两根为βα、且满足：βα<<<10，求m 的取值范围。
（73-<<-m 或72<<m ）（二）两根在同一区间：例1、已知方程()2210x m x m -++=有两个不等正实根，求实数m 的取值范围。
解：由x()()0102200m f ∆>⎧⎪-+⎪->⎨⎪>⎪⎩⇒ ()218010m m m m ⎧+->⎪>-⎨⎪>⎩ ⇒330m m m ⎧<->+⎪⎨>⎪⎩⇒03m <<-3m >+例2 已知关于x 的方程 (k -2)x 2-(3k +6)x +6k =0有两个负根，求k 的取值范围。
