Histogram of Template for Pedestrian Detection¶

Summary:¶

• 这篇文章主要讲述的一项技术称为Histogram of Template， 它主要的定义是针对图像中的每一个像素，进行各种样板的定义，每个样板包括了此像素及其相邻2个像素。如果这样一个3个像素组成的测试单元在特点和梯度值上满足预设的方程，那么称此中心像素为这个方程的一个样板。这种技术的主要特点和优势在于：1 它不仅仅针对一个像素，而是同时考虑3个像素之间的关系。 2 它考虑了像素本身的特性和梯度。

Introduction:¶

对于人物识别的介绍：¶

• 主要的识别方法有两种：
1. 提取特点：

   人物识别技术正被广泛使用，但目前仍有许多难题，最为显著的有3点： 1 人物呈现的不确定性很大。 2 衣服和皮肤对于识别的影响。 3 背景，灯光等因素的影响。

   梯度信息和特点信息两者对于人物识别非常重要，但当两者独自实现时却不能得到较好的效果： 前者在背景较为复杂、图像像素较低的条件下难易识别； 后者则必须在与其他方法合用的条件下才能识别。

2. 瞄准识别方法：

   关键部件有两个： 1 SVM ，其优点是易于瞄准，全局优化被保证。 2 增压法 ， 与级联策略一同使用，节约检测时间，多运用于实时检测。

• 研究方向：
1. 寻找更多趋于特点加以区分
2. 寻找更有效瞄准方法

对于本文的介绍：¶

• 文章主要针对第一个研究方向，从特点中提取信息并将其一致化，这样的好处在于：
1. 可以有更强的区分能力
2. 在一个样板中体现多像素,获得高识别率
3. 计算机的复杂度降低

算法分类：¶

1. 此算法基于局部特点进行比较，当有一幅新图像时，将其中相对应的局部特点提取，与之前的进行比较分级。
2. 此算法基于局部现象，利用感兴趣点周边的补丁构成一个编码集，并通过这个编码集来寻找最合适的点。
3. 此算法基于凹槽匹配，利用人形模板去图像中最适合，最匹配的边缘映射。

Feature Extraction:¶

早先的方法及缺点：¶

• 主要的方法有两种：
1. HOG: 将图像分为“块”，每一块有4个单元组成，每个单元是一个9维的向量。
2. COV: 计算一个8维的向量。
   
3. 两者的特点就是都是通过对于斜率，坡度的信息进行图像的分析处理。

• 缺点：
1. 仅仅关注于斜率信息，忽略了图像本身的特点。
2. 此外，对于同一斜率，会出现多种情况，无法进行判断。
   如图中的A和B都可能是出自同一个斜率。

HOT算法分析：¶

• 首先其算法结合了斜率信息和图像特点信息，具体算法如下分析：
1. 图像特点信息：首先设置不同的模块，本文中基本模块为8个，实际模块为12个，为了提高精确度。其次根据方程（7）寻找出模块中的最大值（像素）。最后通过统计每种模块的个数来分析图像的形状和特点。方程（8）是选择出所有模块中值最大的（图像信息中最基本的，最明显的，如人的外形轮廓），其余的模块则是用来进一步精确并细化图像。
2. 斜率信息特点：其算法原则基本与图像特点相同

• 优点：
1. 不仅关注斜率信息，同时关注图像特点。
2. 更为宏观，从原先的像素级提高到了模块级。
3. 亮度恒定，不需要正规化。

Training Method：¶

• 为了保证实验中，不同特点的平等性，需要运用瞄准技术，本实验中运用的是SVM。

• 其优点在于在高维度小样本的中，通过核心函数寻找适合的参数，瞄准时间短等。

• 缺点在于只能运用在子窗口固定的实时应用中。

实验及其结果分析：¶

实验分类：¶

实验1.用HOT技术与HOG和COV进行比较

• 测试相同条件下，三种技术的对比，结果为，在相同的条件下，HOT的特征长度要小于HOG和COV，这意味着计算机复杂度和存储消耗更少。此外，HOT还有更高的识别率。
  
  

实验2.测试不同大小的子窗口对于三种技术的影响

• 当子窗口大小变化时，时使得模块和块间线条的影响减到最小，结果仍为HOT有最好的特性
  

实验3. 测试不同数量的模板对于HOT特征长度，错误率的影响

• 模板越多，性能越优，这是因为模板多了，得到的信息多了，自然准确性上去了，错误率下降。不过需要注意的是，当模块过多时，会导致计算计算机复杂度上升，运算时间加大，因此需要在两者时间折中，实验给出的答案是8模块或者12模块最佳。
  

实验4.测量不同参数配置和瞄准方法下的HOT的特征表现

• 主要测量的参数有2个：子窗口的大小和子窗口之间线条的数量。 主要的瞄准方法有2个：标准化和非平衡化
  测量结果表示：
1. 在HOT中，由于是亮度不变，因此运用瞄准方法对HOT技术虽然有好处，但并没有非常大的作用。
   
   
   
2. 改变参数设置发现，子窗口越大，效果也好，因为K之增大意味着更多信息被获取。
   
3. 改变模块之间的线条个数发现，线条越少，特征长度越长，这是因为线条少了模块就增多了，导致计算特征长度时，模块数量加大，特征长度增加。
   

心得体会：¶

阅读完文章后对于HOT技术有了较为深入的理解，首先其相对于之前的技术来说，可以说是一个更为综合，更为宏观的技术，将斜率信息和特点信息进行了融合，并且从中间级进行识别，并非之前的像素级，从而使得识别能力大大上升，另外也避免了一些单技术时的缺点。通过利用瞄准技术，提高计算速度，降低识别时间。
从算大角度上理解，其主要是通过一个一个的模块，当识别出每一个不同模块时，分别对其进行计数，最后汇成柱状图，根据这一柱状图和模块再进行判断和识别。