基于支持向量机的复杂背景下的人体检测

常用的人体检测方法多是基于经验风险最小化原理的传统统计理论,其性能只有在样本趋于无穷大时才有理论上的保证,而在实际应用中,学习样本通常是有限的。针对传统统计理论在人体检测中存在的不足,提出了一种基于统计学习理论———支持向量机(SVM)的人体检测方法,利用彩色空间对背景进行自适应建模提取运动目标,然后使用训练好的SVM进行验证是否是人体。为了简化SVM分类器的设计及提高机器学习的效率,提出了一种星形向量表示法用于抽取目标的特征向量,并且用实验方法得到了这种表示法的最优表示。将SVM与ANN进行比较,并且对不同内积函数的SVM的性能也进行了比较。实验结果表明,SVM的性能要优于ANN,并且采用径向基函数的SVM性能最好。该方法鲁棒性强,正确率高,解决了复杂背景下运动人体实时检测的一些关键问题。