Un detector humano HOG-LBP con manejo de oclusiones parciales

Al combinar histogramas de gradientes orientados (HOG) y patrones binarios locales (LBP) como conjunto de características, proponemos un enfoque novedoso para la detección de humanos capaz de manejar oclusiones parciales. Se aprenden dos tipos de detectores, es decir, un detector global para ventanas de escaneo completas y detectores parciales para regiones locales, a partir de los datos de entrenamiento utilizando SVM lineal. Para cada ventana de escaneo ambigua, construimos un mapa de probabilidad de oclusión utilizando la respuesta de cada bloque de la característica HOG al detector global. El mapa de probabilidad de oclusión se segmenta luego utilizando el enfoque Mean-shift. La porción segmentada de la ventana con una mayoría de respuesta negativa se inferirá como una región ocluida. Si se indica oclusión parcial con alta probabilidad en una determinada ventana de escaneo, se aplican detectores parciales en las regiones no ocluidas para lograr la clasificación final en la ventana de escaneo actual. Con la ayuda de la característica HOG-LBP aumentada y el método de manejo de oclusiones global-parcial, logramos una tasa de detección del 91.3% con FPPW= 10 −6 , 94.7% con FPPW= 10 −5 , y 97.9% con FPPW= 10 −4 en el conjunto de datos INRIA, que, hasta donde sabemos, es el mejor rendimiento de detección humana en el conjunto de datos INRIA. El método de manejo de oclusiones global-parcial se valida además utilizando datos de oclusión sintetizados construidos a partir de los conjuntos de datos INRIA y Pascal.