2。1。1 色彩和 Gamma 归一化

将图像转换成灰度图 I (x, y) ， I 表示在位置 (x, y) 处的灰度值。接着对 I 做 Gamma 归一 化处理，目的是为了减少光照因素和阴影因素的影响，其计算公式是

I (x, y) I (x, y)Gamma ,

(2。1)

其中 Gamma 的值小于 1，通常取 1/2。值得注意的是，在实际应用中，这一步的用处不大， Navneet Dalal 和 Bill Triggs 分别在 RGB 颜色空间和 LAB 颜色空间中对图像做色彩和 Gamma 归一化处理，实验结果表明这个预处理过程对最后的结果没有影响[15]。

2。1。2  各像素的梯度计算

将模板[1,0,1] 作用在图像上，可以得到图像各像素点的 x 方向梯度；利用模板[1,0,1]T 作 用在图像上，可以得到 y 方向梯度。具体来说，设像素点的位置为 (x, y)，Gx (x, y), Gy (x, y) 分

别表示 x 方向梯度和 y 方向梯度：

该像素点的梯度I (x, y) (Gx (x, y), Gy (x, y)) ，则梯度范数和梯度方向(采用无符号范围) 分别是：

2。1。3  各单元(cell)的 Hog 特征

单元一般取成方形，如 88 像素大小的单元(在图 2。2 中同块(block)一并给出示意图)，其 方向梯度直方图是根据该单元的每个像素点的梯度方向和梯度范数投票得到的。梯度方向

的范围是[0,],将其等分成若干个区间，一般是 9 个区间，每个区间表示方向梯度直方图的文献综述

一个条形柱(bin)。遍历单元的每个像素，该像素点的梯度方向必属于某个区间，就向这一区 间投一票。注意，每一票都是有权值的，权值可认为是其梯度范数，或者是根据梯度范数计 算得到的某个值。实验结果表明，梯度范数作为权值的效果最好[15]。最后，该单元的方向梯 度直方图各个条形柱代表的数值组成的向量便是该单元的 Hog 特征向量。图 2。1 中给出生成 方向梯度直方图的示意图。

图 2。1 方向梯度直方图生成示意图

2。1。4每个块(block)的 Hog 特征

块的取法有方形，也有圆形，这里我们用方形，如 2 2 单元的块。图 2。2 中给出单元(cell) 和块(block)的示意图。

第 6  页 本科毕业设计

图 2。2 单元(cell)和块(block)示意图

将块包含的所有单元的 Hog 特征串联起来便得到这个块的 Hog 特征，接着对其做归一化 处理。一般采用的归一化方法有四种，v 表示还未归一化的向量，表示一个很小的常数，作 用是避免分母为 0：

b)方法同 a),后对 v 裁断，使其范数不超过 0。2，再对其归一化； c) v v /( v   ) ；

a,b,d 归一化方式所取得的效果一样，c 表现出一丝丝不可靠性[15]。

2。1。5 图像窗口的 Hog 特征

将每块(block)的 Hog 特征串联起来便得到整个图像窗口的 Hog 特征。

2。2 Viola-Jones 检测器

Viola-Jones 检测算法由 Viola 和 Jones 在 2001 年的 CVPR 上的一篇文章中首次提出，是 计算机视觉和图像处理领域的一个重要里程碑[6]。该检测算法是利用分类器做检测。对一项 分类任务来说，我们的目标是找到一个强分类器，即对训练集达到很高的识别率(远远大于随 机分类的概率，即 0。5)，但是强分类器往往难以得到。能否通过某种方式组合若干个弱分类 器，即分类效果稍稍大于随机分类效果的分类器，来得到一个强分类器呢？AdaBoost 算法便 可以做到这一点。应实际任务需求，由 AdaBoost 算法训练得到的一个强分类器的识别率得很 高，如 95%，此时所需的弱分类器的个数就会比较多，判断一个样本的类别所需时间就会较 长，很难满足实际需求。所以 Viola 和 Jones 提出了一种瀑布式的级联检测器，通过将多个强 分类器串联在一起，只有通过了前一个强分类器的判定，才能触发下一个强分类器，这样大 量不包含目标的待检窗口便会在前几个强分类器那迅速淘汰，大大加快了检测速度。来~自,优^尔-论;文*网www.youerw.com +QQ752018766-