1、本論文提出了一種基于Rough集理論改進的HOG特征行人檢測方法,目的是提高檢測精度的同時加快行人檢測的速度。原HOG特征是在64*128像素的檢測窗口中提取105個Block,每個Block由2*2個cell組成,每個cell為9個通道(bin)的直方圖,那么原HOG特征就是一個3780維(105*4*9=3780D)的特征向量。這一特征已經可以對行人檢測作出較為正確地判斷,但需要計算的Block數(shù)量過多,維度過大,導致特征計算和分類

2、器預測時間過長,不利于一些高實時性的檢測要求。本文通過利用Rough集的相關理論來對HOG特征中的Block進行篩選,并按照Block的分類能力,對其進行重要度排序,越重要的Block代表著越強的分類能力,對分類所起的作用越大。為了提高檢測精度,本論文還對HOG特征進行了擴展,從原HOG特征105個Block增加到236個,并對這236個Block建立重要度排序。并以此建立一個級聯(lián)的分類器,按照Block的重要度順序,每層分類器以逐層增

3、加Block的方式訓練得到,分類器采用線性SVM。經過篩選并訓練,最終的特征向量只有108到1800維之間。本文的級聯(lián)的每層分類器不僅用來進行負判斷,還通過設置正閾值來進行正判斷,而通常的拒絕式級聯(lián)分類器每層只用來排除負樣本。
　　 在實現(xiàn)上述方法的過程中,本文還利用了基于信息熵的離散化方法來對特征維進行離散化,并提出了兩種利用Rough集相關理論來評價屬性重要度的方法,一種是利用條件屬性區(qū)分決策屬性產生的邊界域的大小,邊界域越

4、小,重要度越高;另一種是利用改進的區(qū)分矩陣的方法來評價屬性的重要度,在改進的區(qū)分矩陣中,出現(xiàn)次數(shù)越多的屬性越重要。
　　 本文的行人檢測過程采用滑動窗口的模式,對滑動窗口檢測后的重疊窗口合并問題,總結了三種方法。同時為了加速在視頻流中的行人檢測,還采用了背景擦除的方式來進行預處理。
　　 本文最后還設計制作了一個行人檢測系統(tǒng),對行人檢測部分實現(xiàn)細節(jié)做了探討,并對檢測結果做了分析。實驗結果證實,本文的方法在檢測速度上得到了