欧阳毅 张三元 张 引

(浙江大学计算机科学与技术学院 杭州 310027)

1 引言

人体检测在人体动作识别、智能视频监控、智能汽车及智能交通中都有着重要的应用，使其成为了一个研究热点。由于人体运动为非刚性的目标运动，且受姿态、外观、服饰及光照天气等环境变化因素的影响较大，同时当人体部分被遮挡情况下，如何对其进行检测也是一个研究难点。目前人体特征的提取通常都是寻找表示人体轮廓信息的方法，如差分与边缘信息[1]，多成分学习[2]，Harr小波特征[3]，以及梯度方向直方图等[4-7]。

在各种人体特征提取中，HOG (Histograms of oriented Gradients)具有较好的检测性能，但存在人体特征向量维数较大，在分类器的训练与检测时计算量都较大等缺点，主要是由于在特征检测时需要在不同尺度多次迭代计算。另外图像中多目标人物的检测，对于半遮挡和尺度差异较大的人体目标检测会失效，有研究通过子部件(part-based)即人体各肢体的检测算子[8-13]，能获取较高准确率和较低虚警率，缺点是肢体匹配过程需较大计算代价。其中文献[8]中将HOG与LBP (Local Binary Pattern)相结合来解决人体部分遮挡下的检测。本文提出一种基于窗口梯度势能(Window Gradient Potential Energy, WGPE)的人体检测方法。在特征窗口扫描过程中，通过加权级联支持向量机(SVM)，实现对半遮挡情况下的人体检测，利用稀疏-稠密窗口势能集筛选缩短了检测时间。由于WGPE利用了HOG特征计算过程中的梯度信息，因此本算法与其他的基于 HOG的快速检测算法比较，并不需要增加过多的计算开销，在背景较为平滑的图像中，与文献[14]检测方法相比具有较少的检测时间，对于较复杂的背景，本算法与传统的 HOG检测算法相当。……