gabor滤波器参数选择(二维gabor滤波器)
针对实际监控中人体目标轮廓的多尺度特性，提出了一种用于人体目标检测的多尺度方向特征描述子。首先利用Gabor滤波器提取对应于人图像的多个不同尺度和方向的Gabor幅值图，然后融合相同尺度和不同方向的幅值图以降低特征维数，并从每幅融合图像中提取梯度方向直方图(HOG)特征。最后，将这些HOG特征组合起来表示人体图像。采用支持向量机(SVM)对描述特征进行分类，实验在CAVIAR数据库中进行。实验结果表明，该算法具有良好的人体目标检测性能。
人体检测广泛应用于计算机视觉领域，如公共安全、智能机器人、视觉监控、行为分析等[1]。目前人体检测多基于统计分类，常用Gabor小波变换和Haar小波变换提取人体特征。DALAL N[2]]等人提出了方向梯度直方图(HOG)，它利用图像块中的方向统计来检测人体。该检测算法具有较高的准确性，解决了局部变形和视角变化的问题。亚东[3]等以局部二值模式(LBP)作为人体特征描述算子，具有旋转不变性和光照不变性，是一种有效的描述特征。王小语[4]等人提出了HOG和LBP相结合的算法，实现了两种特征的互补效果，显著改善了人体检测中的部分遮挡问题。
上述轮廓特征一般是在固定尺度上计算的，没有考虑实际监控中复杂背景下人体目标轮廓的多尺度特征。当这些算法应用于真实场景时，性能会急剧下降。提出了一种结合Gabor变换和HOGG特征的人体检测算法。利用Gabor变换的多方向多尺度特性，增强人体轮廓信息。首先对图像进行归一化处理，然后利用Gabor滤波器提取图像的多尺度多方向幅域图，融合同一尺度不同方向的幅域图，降低特征维数。最后，依次提取各尺度融合图的HOG特征，并串接整幅图像的描述特征。在CAVIAR数据库上的大量实验表明，该方法能够很好地提取人体描述特征，具有较高的检测率。
在提取人体Gabor特征之前，需要对图像进行归一化处理。本实验中使用的人体图像是一幅3264像素的灰度图像。为了获得多尺度Gabor特征，选择五尺度和八方向Gabor滤波器组，人体图像的多尺度和多方向特征表示如下：
经过Gabor变换后，每幅图像会被变换成40幅不同尺度和方向的图像，特征维数是原始图像的40倍，造成特征数据的冗余，增加了计算的复杂度。本文融合了相同尺度不同方向的Gabor特征，有效降低了Gabor特征之间的数据冗余，保留了有效的决策信息，可以对人体图像进行多尺度分析。
2HOGG描述子
本文进一步提取融合图像的HOG特征，并组合成人类图像的HOG表示。霍格的施工过程主要分为以下几个步骤：3360
(1)计算梯度幅度和方向
利用一阶模板算子(-1，0，1)提取融合图像的水平和垂直梯度，得到融合图像的梯度图像。
(2)构建梯度方向直方图
将梯度图像分成大小相同的正方形块，这些正方形块相互重叠，每个块又被分成更小的正方形单元(nn个像素)。在每个单元内利用梯度幅值和梯度方向进行直方图投票，其中梯度方向作为直方图投票区间，梯度幅值作为直方图投票权重，这样对于每个块可以得到一个mmb维数的直方图向量。
(3)梯度强度的归一化
以块为单位对L2范数进行标准化，以减少局部光照和前景背景对比度变化对直方图特征的影响。设vn为对应项
将融合图像所有块中的HOG特征连接起来，得到融合图像的HOG特征。然后，各种尺度的融合图像的hogg被顺序连接作为人体图像的HOGG描述符。
3实验分析
3.1实验环境与数据库
仿真实验是在Windows环境下，采用Core(TM)2.00 GHz CPU，2.00 GB内存，MATLAB R2010a的计算机上进行的。实验使用麻省理工和INRIA数据库作为训练集，包括1 126个正样本和1 218个负样本。CAVIAR [5]数据库用作测试集。
3.2实验步骤
本文采用滑动窗口法获取检测窗口，用HOGG描述子描述检测窗口，然后用支持向量机[6]进行判别。在检测过程中，对同一人体的多次检测会直接导致计算效率的降低。因此，本文从大到小遍历检测窗口。在遍历过程中，如果待测区域已经被标记为人体，则跳过该区域。
3.3实验结果与分析
Gabor可以在多个尺度和方向上分解图像。首先，实验研究了不同尺度对检测算法的影响。从鱼子酱的四个序列
中各随机选取200张图片作为测试集。实验结果如表1所示。实验中采用综合评价指标(F1measure，F)［7］评估算法的性能，其中：precision为准确率，recall为查全率；tp表示被正确检测人数，fp表示错误检测的人数，fn表示漏检的人数。
由于不同尺度子带间冗余信息较大，简单地增加尺度数不一定能提高性能，由表1可以看出，取尺度数为4效果最佳。
为了进一步验证本文提出的算法，选取Gabor尺度为4，在CAVIAR行人数据库上提取HOGG特征，参照文献［4］与HOG、LBP+HOG算法做了对比实验，如表2所示。
从图1可以看出，本文算法的Fmeasure优于当前其他方法，具有较好的性能，证明了HOGG方法的有效性。
4结论
本文提出了一种基于Gabor变换和HOG的人体目标检测的新特征表达，可以多层次、多分辨率地表征人体目标。在CAVIAR数据库中的实验数据表明，Gabor多尺度的变换能够增强HOG算子对人体纹理细节特征和全局特征的表示能力，有效地提高了人体检测的性能。
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。