结合SVM分类器与HOG特征提取的行人检测

doi:10.3969/j.issn.1000-3428.2016.01.011

计算机工程

结合SVM分类器与HOG特征提取的行人检测

徐渊 ¹,许晓亮¹,李才年 ¹,姜梅¹,张建国 ²

(1.深圳大学信息工程学院,广东深圳 518060; 2.深圳市振华微电子有限公司,广东深圳 518060)

收稿日期:2015-01-08 出版日期:2016-01-15 发布日期:2016-01-15
作者简介:徐渊(1978-)，男，讲师、博士，主研方向为集成电路设计、数字系统设计；许晓亮、李才年，硕士研究生；姜梅，讲师、博士；张建国，工程师。
基金项目:
深圳市战略新兴产业发展专项基金资助项目“神经形态学视觉芯片模型研究及仿真”（JCYJ20140418095735603）。

Pedestrian Detection Combining with SVM Classifier and HOG Feature Extraction

XU Yuan ¹,XU Xiaoliang¹,LI Cainian ¹,JIANG Mei ¹,ZHANG Jianguo²

(1.College of Information Engineering,Shenzhen University,Shenzhen,Guangdong 518060,China; 2.Shenzhen Zhenhua Microelectronics Co.,Ltd.,Shenzhen,Guangdong 518060,China)

Received:2015-01-08 Online:2016-01-15 Published:2016-01-15

摘要/Abstract

摘要： 针对基于方向梯度直方图(HOG)的行人检测方案存在运算量大、实时性差的问题,设计一个内嵌支持向量机(SVM)分类器的HOG特征提取归一化模块,并将其应用于行人检测。提出两级流水线架构,第1级采用16×16像素块扫描,并结合查找表的方式生成HOG,以减少乘法器资源消耗量,第2级将15路并行SVM内嵌到HOG归一化模块中,通过提前启动SVM降低15路SVM乘累加器的位宽。利用面向硬件实现的自动消除检测重复性算法,进一步提高检测准确性。实验结果表明,该方案能够以100 MHz时钟频率运行在Spartan6 FPGA芯片上,每秒可处理47帧SVGA (800×600)分辨率的图像,具有较高的行人检测实时性和准确率。

关键词: 现场可编程门阵列, 流水线, 查找表, 方向梯度直方图, 支持向量机

Abstract: Aiming at the problem that pedestrian detection scheme based on Histogram of Oriented Gradient(HOG) has large computation and poor real-time,this paper designs a HOG feature extraction normalized module embedded Support Vector Machine (SVM) classifier,and applies it to pedestrian detection.It proposes a two-stage pipeline architecture.On the first level,it uses 16×16 pixel scanning,simplifies the histogram generation with Look-up Table(LUT),and it can reduce resources consumption of multiplier.On the second level,the 15-way parallel SVM is embedded itself in the HOG normalization module,and it can reduce bit of 15-way parallel SVM multiply-accumulator through pre-start SVM.Also,an algorithm is proposed to automatically reduce duplicated detection to improve detection accuracy.The scheme is verified for SVGA resolution video(800×600) at 47 frames on Spartan6 Field Programmable Gate Array(FPGA) with 100 MHz and it improves the real-time and accuracy of pedestrian detection.

Key words: Field Programmable Gate Array(FPGA), pipeline, Look-up Table(LUT), Histogram of Oriented Gradient(HOG), Support Vector Machine(SVM)

中图分类号:

TP391

徐渊,许晓亮,李才年,姜梅,张建国. 结合SVM分类器与HOG特征提取的行人检测[J]. 计算机工程, doi: 10.3969/j.issn.1000-3428.2016.01.011.

XU Yuan,XU Xiaoliang,LI Cainian,JIANG Mei,ZHANG Jianguo. Pedestrian Detection Combining with SVM Classifier and HOG Feature Extraction[J]. Computer Engineering, doi: 10.3969/j.issn.1000-3428.2016.01.011.

参考文献

参考文献［1］Harrison W S,Hanebutte N,Oman P,et al.The MILS Architecture for a Secure Global Information Grid［J］.Journal of Defense Software Engineering,2005,18(10):20-24. ［2］Alves-Foss J,Oman P W,Taylor C,et al. The MILS Archi-tecture for High-assurance Embedded System［J］.Inter-national Journal of Embedded Systems,2006,2(3/4):239-247. ［3］Boettcher C,Delong R,Rusby J,et al.The MILS Component Integration Approach to Secure Information Sharing［C］//Proceedings of the 27th IEEE/AIAA Digital Avionics Systems Conference.Washington D.C.,USA:IEEE Press,2008:1-14. ［4］周睿.面向安全关键的虚拟化与分区操作操作系统研究与实现［D］.兰州:兰州大学,2010. ［5］胡林平.MILS机载安全操作系统设计［J］.航空计算技术,2012,42(2):110-112,122. ［6］杨琼,周霆,胡宁,等.一种面向MILS的多级安全文件系统的架构设计［J］.科学技术与工程,2011,11(30):7443-7447. ［7］崔西宁,王聪林.基于MILS CORBA的多级安全分区通信机制［J］.计算机科学,2013,40(5):38-41. ［8］彭东脉.基于GDB的双核调试器的研究与实现［D］.成都:电子科技大学,2010. ［9］Uchenick G M,Vanfleet W M.Multiple Independent Levels of Safety and Security:High Assurance Architecture for MILS/MLS［C］//Proceedings of MILCOM’05.Washington D.C.,USA:IEEE Press,2005:610-614. ［10］Vanfleet W M,Luke J A.MILS——Architecture for High-assurance Embedded Computing［J］.Crosstalk Journal of Defense Software Engineering,2005,18(8):12-15. ［11］罗克露.嵌入式软件调试技术［M］.北京:电子工业出版社,2009. ［12］张灯.面向多重独立安全等级架构的安全通信机制研究［D］.西安:西安电子科技大学,2011. ［13］成亚萌.MILS系统中分区间的信息流控制［D］.西安:西安电子科技大学,2012. ［14］邢薇薇.面向航空电子的分区内核关键技术研究［D］.西安:西安电子科技大学,2011. ［15］陆俊峰,洪一,黄光红.基于分层结构的硬件仿真器设计［J］.计算机工程,2010,36(11):215-216,220. ［16］贾璐.基于对称多处理架构的软件调试技术研究和实现［J］.航空计算技术,2014,44(3):101-104. 编辑刘冰

[1]	张波, 周从华, 张付全, 张婷, 蒋跃明. 一种面向SNP选择的模糊聚类算法[J]. 计算机工程, 2019, 45(8): 66-74.
[2]	薛建伟, 姜爱民. 光学综合孔径原理样机的计算与控制系统[J]. 计算机工程, 2019, 45(8): 107-112.
[3]	周梦妮, 牛焱, 曹锐, 阎鹏飞, 相洁. 基于相位同步的癫痫信号识别与分析[J]. 计算机工程, 2019, 45(7): 291-295,302.
[4]	易国洪,代瑜,冯智莉,黎慧源. 基于SVM与DOM重心半径模型的Web正文提取[J]. 计算机工程, 2019, 45(6): 206-210.
[5]	苗续芝,陈伟,毕方明,房卫东,张武雄. 基于改进FOA-SVM的矿井火灾图像识别[J]. 计算机工程, 2019, 45(4): 267-274.
[6]	张裕平, 龚晓峰, 雒瑞森. 基于稀疏化双向二维主成分分析的人脸识别[J]. 计算机工程, 2019, 45(12): 232-236.
[7]	吴德祥, 班恬. 一种高速近似乘法器设计[J]. 计算机工程, 2019, 45(12): 289-293.
[8]	胡畔, 乔林, 徐立波, 于元旗, 韩永辉. 基于特定目标提议框的自适应跟踪算法[J]. 计算机工程, 2019, 45(11): 269-274.
[9]	戴仙波, 王娜, 刘颖. 基于改进高斯核函数的BGP异常检测方法[J]. 计算机工程, 2019, 45(10): 122-129.
[10]	池亚平, 凌志婷, 王志强, 杨建喜. 基于支持向量机与Adaboost的入侵检测系统[J]. 计算机工程, 2019, 45(10): 183-188,202.
[11]	陈欣键,姜飞,申瑞民,胡巧平. 基于区域与分类回归融合的AU强度估计算法[J]. 计算机工程, 2019, 45(1): 186-191.
[12]	加尔肯别克,袁杰. 变样本量学习最小二乘支持向量机算法[J]. 计算机工程, 2019, 45(1): 192-198,205.
[13]	李玲霞,王羽,吴金君,王沙沙. 基于改进型多维卷积神经网络的微动手势识别方法[J]. 计算机工程, 2018, 44(9): 243-249.
[14]	党小超,黄亚宁,郝占军,司雄. 一种基于信道状态信息的室内人员行为检测方法[J]. 计算机工程, 2018, 44(8): 79-85.
[15]	王俊昌,王振,付雄. 基于无锁数据结构的FIFO队列算法[J]. 计算机工程, 2018, 44(8): 315-320.

结合SVM分类器与HOG特征提取的行人检测

Pedestrian Detection Combining with SVM Classifier and HOG Feature Extraction

PDF

可视化

被引次数

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10