毕业论文：视频图像人物识别算法研究

目录/提纲：……
一、原理概述
二、开发平台
三、具体实现及效果
四、总结与展望
1、对于人体的特征描述和提取
3、应用：利用笔记本电脑进行对于图片的识别
二、软件平台
三、三、具体实验结果
……
毕业论文：视频图像人物识别算法研究

摘要
　　　视频图像中的人物识别是一种高效、自然且直接的人机交互的方式。它是研究如何通过计算机，使其按照人类的思维进行逻辑判断和识别，寻找出图像或者视频中的人物，是现如今在计算机视觉领域非常热门的一项研究课题。由于人物的高度灵活性、随意性以及移动高速等特点，使得人物识别成为一项极具挑战性的课题。目前几种较为常用的识别特征算法包括了基于HaarLike特征算法、基于SIFT尺度不变特征算法、基于HOG(Histogram of Orientation Gradient)特征算法和基于HOT(Histogram of Templates)特征算法。较为常用的学习匹配算法包括了Adaboost学习算法和SVM（Support Vector Machine）支持向量机算法。本文在研究每一种算法的基础上，主要针对HOG特征算法和SVM支持向量机算法实现人物识别。

目 录
一、原理概述
1.1 背景介绍
1.2 研究现状
　1.2.1 Haar-Like
　1.2.2 SIFT
　1.2.3 HOG
　1.2.4 Adaboost
　1.2.5 SVM
1.3 本文研究内容
1.4 本文结构

二、开发平台
2.1 OPENCV
2.1.1 OPENCV简介
2.1.2 OPENCV应用
2.2 C
2.2.1 C
……（新文秘网https://www.wm114.cn省略975字，正式会员可完整阅读）……　
时容易产生错误识别。因此，实现人物识别的挑战性更大。
　　　人物识别中最为重要的技术就是特征提取。特征一般是通过对特征一般是通过对需要分类的对象所拥有的知识进行编码得到的。在物体识别领域，特征的设计始终扮演着重要的角色，之所以采用特征形式作为分类的依据，是因为特征与原始像素相比具有以下优势：
(1)特征可以表达区域之间的关联信息，这是用有限的单个、独立的原始像素
所无法表示的；
(2)采用特征对图像进行建模，有利于减小待分类对象的类内距离，同时可以
增加待分类对象的类间距离，有利于建立更有效的判别函数；
(3)特征更容易形式化，而形式化了的特征计算更加迅速，这对于识别速度有着非常大的正向影响，能够缩短不少识别时间。对于视频中的人物识别或者物体识别，若是按照像素进行则会极大的加大计算复杂度，因为每一帧的像素都是更新的，即使内容不变，但仍然需要重新计算，若是按照特征进行，一则能够将像素整合，多个像素或者一组像素同时进行识别，二则能够降低每帧识别带来的不良影响，三则由于要求实时性，因此在短时间内，识别系统需要识别非常大量的窗口，并且计算对应子窗口中的特征值，所以必须运用快速高效的特征计算方法。因此特征的采用能够大大提高识别效率。
　　　
Haar Like特征提取算法
　　　Haar Like特征提取算法是由Papageorgiou等人提出的。最早的Haar Like特征提取算法只有三种类型，五种形式的矩形特征。分别为：2矩形特征、3矩形特征和4矩形特征。
　　
　　　之后Rainer Lienhart 和Jochen Maydt对此举行特征进行了扩展，加入了旋转45度角度的矩形特征，大致分为4种类型：边缘特征、线性特征、中心环绕特征和对角线特征。
　　
　　　若图像中含有的某个物体的子图像区域是由L*H个像素组成，那么可以使用一个五维向量来表示子图像中的任意矩形：r=(*,y,l,h,a)，其中(*,y)表示矩形左上角定点像素的坐标，l表示矩形的长度，h表示矩形的宽度，a则是矩形的旋转角度。此外，其还需要满足如下条件：
　　　*≥0
　　　*+l≤L
　　　
　　　
　　
　　　矩形的特征可以用下式表示
　　　Haar Like特征提取算法主要运用在人脸识别中，少数情况下会运用于人物识别，此外，由于其非常良好的矩形模块性识别，它页经常被用于车辆识别等矩形物体识别领域，并且有着非常好的效果。
　　　具体的识别过程可以概括为：首先运用大量的Haar Like特征的物体图像，多以矩形为主，用模式识别训练出一组级联分类器，每级的识别率保持统一，这样能够传递给后级足够的具有物体特征的备选物体。Haar Like子分类器则由许多相关特征构成，如之前图片所示，有水平矩形、竖直矩形和任意角度倾斜的矩形，每个特征含有两个分支值和一个阈值，每级子分类器又含有一个总阈值。识别物体的时候，窗口会遍历整幅图像，其大小与训练时有物体时的窗口大小相同，之后逐渐放大窗口，再次遍历整幅图像；每次移动窗口后，都会对窗口内的Haar Like特征进行计算，加权后与分类器中Haar Like特征的阈值比较，之后归类进入左或者右分支值，将一个级的分支值之和与相应级的总阈值比较，若大于该总阈值才可以进入下一轮筛选，否则则被淘汰。当这个物体能够通过分类器所有的级时，我们认为这个物体能够以大概率被识别。
　　　
SIFT特征提取算法
　　　SIFT特征（Scale Invariant Feature Transform），全称为尺度不变特征转换。它由D.G.Lowe提出，是一种通过提取局部特征进行识别的算法，它在尺度空间内寻找极值点、提取位置、尺度和旋转不变量。
其主要特点有5点：
1 不变性：SIFT特征针对的是图像的局部特征，因此需要保证其对图像的旋转、尺度缩放、亮度变化等信息能够做到不受影响。
2 独特性：信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。
3 多量性：即使少数的几个物体也可以产生大量SIFT特征向量。
4 高速性：经优化的SIFT匹配算法甚至可以达到实时的要求。
5 可扩展性：可以很方便的与其他形式的特征向量进行联合。
　　　SIFT特征提取首先检测尺度空间的极值点，并对其进行精确定位，确保之后能够对每个关键点指定方向参数。之后针对每个关键点生成描述子。
　　　具体的识别流程如下：首先生成尺度空间，尺度空间理论目的是模拟图像数据的多尺度特征。高斯卷积核是实现尺度变换的唯一线性核。之后将会进行图像金字塔的构建，图像金字塔共O组，每组有S层，下一组的图像由上一组图像降采样得到

　　　接着需要寻找尺度空间的极值点，为了寻找尺度空间的极值点，每个采样点需要与和它相邻的所有点进行比较，从而能够得出其是否是它的图像域和尺度域中相邻点的极值点。如图3所示，被检测点需要进行比较的点包括了：和它同尺度的8个相邻点以及上下相邻尺度对应的18个点，一共26个点，进行足够的比较能够确保在尺度空间和二维图像空间都检测到极值点。 ……（未完，全文共15229字，当前仅显示2739字，请阅读下面提示信息。收藏《毕业论文：视频图像人物识别算法研究》）