Histogram of Oriented Gradients with Cell Average Brightness for Human Detection - Publikacja - MOST Wiedzy

Wyszukiwarka

Histogram of Oriented Gradients with Cell Average Brightness for Human Detection

Abstrakt

A modification of the descriptor in a human detector using Histogram of Oriented Gradients (HOG) and Support Vector Machine (SVM) is presented. The proposed modification requires inserting the values of average cell brightness resulting in the increase of the descriptor length from 3780 to 3908 values, but it is easy to compute and instantly gives ≈ 25% improvement of the miss rate at 10‒4 False Positives Per Window (FPPW). The modification has been tested on two versions of HOG-based descriptors: the classic Dalal-Triggs and the modified one, where, instead of spatial Gaussian masks for blocks, an additional central cell has been used. The proposed modification is suitable for hardware implementations of HOG-based detectors, enabling an increase of the detection accuracy or resignation from the use of some hardware-unfriendly operations, such as a spatial Gaussian mask. The results of testing its influence on the brightness changes of test images are also presented. The descriptor may be used in sensor networks equipped with hardware acceleration of image processing to detect humans in the images.

Cytowania

  • 3

    CrossRef

  • 3

    Web of Science

  • 3

    Scopus

Cytuj jako

Pełna treść

pobierz publikację
pobrano 24 razy
Wersja publikacji
Accepted albo Published Version
Licencja
Creative Commons: CC-BY-NC-ND otwiera się w nowej karcie

Słowa kluczowe

Informacje szczegółowe

Kategoria:
Publikacja w czasopiśmie
Typ:
artykuł w czasopiśmie wyróżnionym w JCR
Opublikowano w:
Metrology and Measurement Systems nr 23, wydanie 1, strony 27 - 36,
ISSN: 0860-8229
Rok wydania:
2016
Opis bibliograficzny:
Wójcikowski M.: Histogram of Oriented Gradients with Cell Average Brightness for Human Detection// Metrology and Measurement Systems. -Vol. 23, iss. 1 (2016), s.27-36
DOI:
Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1515/mms-2016-0012
Bibliografia: test
  1. Dalal, N., Triggs, B. (2005). Histograms of oriented gradients for human detection. Proc. IEEE Int. Conf. Comput. Vision Pattern Recognit., 886-893. otwiera się w nowej karcie
  2. Viola, P., Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. Proc. IEEE Int. Conf. Comput. Vision Pattern Recognit., 511-518. otwiera się w nowej karcie
  3. Ma, Y., Chen, X., Jin, L., Chen, G. (2011). A monocular human detection system based on EOH and oriented LBP features. Proc. 7th Int. Conf. Adv. Visual Comput., I, 551-562. otwiera się w nowej karcie
  4. Ma, Y., Deng, L., Chen, X., Guo, N. (2013). Integrating Orientation Cue With EOH-OLBP-Based Multilevel Features for Human Detection. IEEE Trans. Circuits Syst. Video Technol., 23(10), 1755-1766. otwiera się w nowej karcie
  5. Boser, B. E., Guyon, I., Vapnik V. (1992). A training algorithm for optimal margin classifiers. Proc. Fifth Annual Workshop on Computational Learning Theory, ACM Press, 144-152. otwiera się w nowej karcie
  6. Cortes, C., Vapnik, V. (1995). Support-vector network. Machine Learning, 20:273-297. otwiera się w nowej karcie
  7. Cui, J., Wang, Y., (2010). A Novel Approach of Analog Fault Classification Using a Support Vector Machines Classifier. Metrology and Measurement Systems, 17(4), 561-581. otwiera się w nowej karcie
  8. Wójtowicz, B., Dobrowolski, A., Tomczykiewicz, K., (2015). Fall Detector Using Discrete Wavelet Decomposition And SVM Classifier. Metrology and Measurement Systems, 22(2), 303-314. otwiera się w nowej karcie
  9. Zhang, H., Bai, X., Zhou, J., Cheng, J., Zhao H. (2013). Object Detection via Structural Fe ature Selection and Shape Model. IEEE Trans. Image Process., 22(12), 4984-4995.
  10. Lowe, D. G. (2004). Distinctive Image Features from Scale-Invariant Keypoints. Int. Journal of Comput. Vision, 60(2), 91-110. otwiera się w nowej karcie
  11. Zhu, Q., Yeh, M.-C., Cheng, K.-T., Avidan, S. (2006). Fast human detection using a cascade of histograms of oriented gradients. Proc. IEEE Int. Conf. Comput. Vision Pattern Recognit., 2, 491-1498.
  12. Zeng, H.-C., Huang, S.-H., Lai, S.-H. (2008). Real-time video surveillance based on combining foreground extraction and human detection. Proc. 14th Int. Multimedia Modeling Conf., MMM 2008, Kyoto, Japan, 70-79. otwiera się w nowej karcie
  13. Chen, Y.-T., Chen, C.-S. (2008). Fast human detection using a novel boosted cascading structure with meta stages. IEEE Trans. Image Process., 17(8), 1452-1464.
  14. Cheng, H.-Y., Zeng, Y.-J., Lee C.-C., Hsu S.-H. (2013). Segmentation of Pedestrians with Confidence Level Computation, Journal of Signal Processing Systems, 72(2), 87-97. otwiera się w nowej karcie
  15. Wang, X., Han, T. X., Yan, S. (2009). An HOG-LBP human detector with partial occlusion handling. Proc. IEEE Int. Conf. on Comput. Vision, ICCV 2009 , Kyoto, 32-39. otwiera się w nowej karcie
  16. Geismann, P., Knoll, A. (2010). Speeding Up HOG and LBP Features for Pedestrian Detection by Multiresolution Techniques. Proc. 6th Int. Symposium Advances in Visual Computing, ISVC 2010, Las Vegas, NV, USA, 243-252. otwiera się w nowej karcie
  17. Zeng, C., Ma, H, Ming, A. (2010). Fast human detection using mi-sVM and a cascade of HOG-LBP features. Proc. 17th IEEE Int. Conf. on Image Processing (ICIP) , 3845-3848, otwiera się w nowej karcie
  18. Crow, F. (1984). Summed-area tables for texture mapping. Proc. of SIGGRAPH, 18(3), 207-212. otwiera się w nowej karcie
  19. Takagi, K., Tanaka, K., Izumi, S., Kawaguchi H., Yoshimoto M. (2014). A Real-time Scalable Object Detection System using Low-power HOG Accelerator VLSI. Journal of Signal Processing Systems, doi 10.1007/s11265-014-0870-7. otwiera się w nowej karcie
  20. Jendernalik, W., Blakiewicz, G., Handkiewicz, A., Melosik, M. (2013). Analogue CMOS ASICs in Image Processing Systems. Metrology and Measurement Systems, 20(4), 613-622. otwiera się w nowej karcie
  21. Everingham, M., Zisserman, A., Williams, C. K .I., Van Gool, L. (2006). The PASCAL Visual Object Classes Challenge 2006 (VOC 2006) Results. Technical Report, Univ. of Oxford. otwiera się w nowej karcie
  22. Chang, C.-C., Lin, C.-J. (2011). LIBSVM : a library for support vector machines. ACM Transactions on Intelligent Systems and Technology, 2(3) 27:1-27:27. otwiera się w nowej karcie
Weryfikacja:
Politechnika Gdańska

wyświetlono 62 razy

Publikacje, które mogą cię zainteresować

Meta Tagi