Partially obscured human detection based on component detectors using multiple feature descriptors

Abstract

Este artículo presenta un sistema de detección humana basado en un detector de componentes que utiliza múltiples descriptores de características. La contribución aborda dos aspectos para tratar el problema de las personas parcialmente ocultas. En primer lugar, presenta la extensión de los descriptores de características mediante Histogramas de Gradientes Orientados (Histograms of Oriented Gradients, HOG) basados en múltiples escalas y características tipo Haar basadas en paralelogramos (Parallelogram-based Haar-like Feature, PHF), con el fin de mejorar la precisión del sistema. Mediante el uso de HOG basado en múltiples escalas, un espacio de características amplio permite obtener características altamente discriminativas. Por otro lado, la PHF permite adaptarse a las formas de las extremidades humanas y ofrece un cálculo rápido de las características. En segundo lugar, se utiliza un sistema de aprendizaje basado en un enfoque de clasificación mediante boosting para el entrenamiento y la detección de personas parcialmente ocultas. La ventaja del boosting consiste en construir un clasificador fuerte mediante la combinación de un conjunto de clasificadores débiles. Sin embargo, el rendimiento del boosting depende del núcleo del clasificador débil. Por lo tanto, los algoritmos híbridos basados en AdaBoost y SVM, utilizando los descriptores de características propuestos, constituyen una de las soluciones para lograr una detección humana robusta. Palabras clave Máquinas de boosting, Característica tipo Haar basada en paralelogramos, Características HOG basadas en bloques de múltiples escalas, Máquina de vectores de soporte, Máquinas de boosting, Característica tipo Haar basada en paralelogramos, Características HOG basadas en bloques de múltiples escalas, Máquina de vectores de soporte