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。
《一元二次方程根的判别式》讲义一、引入同学们，在我们学习一元二次方程的时候，有一个非常重要的概念，那就是根的判别式。
它就像是一把神奇的钥匙，能够帮助我们快速判断一元二次方程根的情况。
接下来，让我们一起深入了解一下吧！二、一元二次方程的一般形式首先，我们来回顾一下一元二次方程的一般形式：＄ax^2 ＋ bx ＋c ＝ 0$（＄a ＼neq 0$），其中$a$是二次项系数，＄b$是一次项系数，＄c$是常数项。
三、根的判别式的定义对于一元二次方程$ax^2 ＋ bx ＋ c ＝ 0$（＄a ＼neq 0$），其根的判别式为$＼Delta ＝ b^2 4ac$。
四、根的判别式的作用那么，这个根的判别式到底有什么用呢？它主要用于判断方程根的情况。
（一）当$＼Delta ＞ 0$时方程有两个不相等的实数根。
为了更好地理解这一点，我们来看一个例子：方程$x^2 5x ＋ 6 ＝0$，其中$a ＝ 1$，＄b ＝－5$，＄c ＝ 6$，则$＼Delta ＝（－5)＾2 4×1×6 ＝ 25 24 ＝ 1 ＞ 0$，所以这个方程有两个不相等的实数根，通过求解可以得到$x_1 ＝ 2$，＄x_2 ＝ 3$。
（二）当$＼Delta ＝ 0$时方程有两个相等的实数根。
比如方程$x^2 4x ＋ 4 ＝ 0$，其中$a ＝ 1$，＄b ＝－4$，＄c ＝4$，＄＼Delta ＝（－4)＾2 4×1×4 ＝ 16 16 ＝ 0$，所以这个方程有两个相等的实数根，即$x_1 ＝ x_2 ＝ 2$。
（三）当$＼Delta ＜ 0$时方程没有实数根。
例如方程$x^2 ＋ 2x ＋ 3 ＝ 0$，其中$a ＝ 1$，＄b ＝ 2$，＄c ＝3$，＄＼Delta ＝ 2^2 4×1×3 ＝ 4 12 ＝－8 ＜ 0$，所以这个方程没有实数根。
五、根的判别式的应用（一）不解方程判断根的情况在很多时候，我们并不需要求解方程，只需要根据根的判别式就能判断出方程根的情况。
