基于HOG+SVM 实现行人检测

任小康 陈鸿享

(西京学院，陕西 西安710123)

1 概述

方向梯度直方图（Histogram of Oriented Gradient, HOG）是用于计算机视觉识别和处理过程中对物体形状、轮廓进行检测的特征描述子。通过计算并统计数字图像中被识别物体边缘的梯度方向直方图来构成特征描述子。

2005 年在IEEE 国际计算机视觉与模式识别会议（IEEE Conference on Computer Vision and Pattern Recognition，CVPR）[1]上，来自法国的研究人员Navneet Dalal 和Bill Triggs 提出利用HOG 对图像边缘特征进行提取，并利用支持向量机（Support Vector Machine，SVM）作为二分类器训练此模型，该模型经过大量对测试样本测试后发现，HOG 与SVM 相结合的方法是速度和效果综合平衡性能较好的一种行人检测(Pedestrian Detection)方法。

HOG+SVM模型广泛应用于计算机视觉，尤其在行人检测领域获得了极大的成功。行人检测技术可与行人跟踪、行人重识别等技术结合，应用于人工智能系统、车辆辅助驾驶系统、智能机器人、智能视频监控、人体行为分析、智能交通等领域，是当前的热门研究方向之一。

2 HOG（梯度方向直方图）原理

一幅数字图像，其梯度主要在与被检测图像的轮廓处，即目标区域的边缘部分可以很好地用方向密度分布进行描述。

2.1 HOG 实现方法

通过提取关键信息并丢弃冗余信息来简化图像，通常对于HOG 特征描述子，输入图像的大小为64×128×3，输出特征向量的长度为3780。为了解决光照变化和阴影对结果的影响，将这些在细胞单元中获取到的局部直方图在图像的更大的范围，即区间（block） 进行对比度归一化[2]（Contrast normalization）。

2.2 HOG 核心思想

被检测的物体轮廓能够被梯度的分布所描述。首先将整幅图像分割成小的连接区域，然后每个区域生成一个方向梯度直方图，最后将这些直方图的组合即可表示出特征描述子。……