Histogram Kecerunan Terhala (HOG) yang asalnya dicadangkan oleh Dalal dan Triggs telah digunakan dengan meluas dalam aplikasi pengesanan manusia berasaskan penglihatan. Walau bagaimanapun, kaedah tersebut menghasilkan himpunan ciri yang besar dan memerlukan pengiraan yang intensif serta memakan masa. Oleh itu, kaedah ini tidak sesuai untuk digunakan dalam aplikasi-aplikasi masa nyata. Penyelidikan ini mencadangkan satu kaedah baru yang boleh mengurangkan masa pengekstrakan ciri HOG tanpa menjejaskan terlalu banyak prestasi pengesanannya. Kaedah yang dicadangkan ialah menjalankan pengekstrakan ciri dengan menggunakan bilangan bin histogram terpilih. Bilangan bin histogram yang lebih tinggi yang mampu mengekstrak ciri-ciri yang mengandungi lebih banyak maklumat orientasi telah digunakan untuk pengekstrakan ciri di kawasan imej yang berkemungkinan mengandungi manusia, manakala pengekstrakan ciri-ciri di kawasan yang lain menggunakan bilangan bin histogram yang lebih rendah. Cara ini akan mengurangkan saiz ciri tanpa menjejaskan terlalu banyak prestasi pengesanan. Kemudian, Analisis Komponen Utama (PCA) akan digunakan untuk menyusun dan memilih ciri-ciri yang boleh mewakili keseluruhan set ciri. Pengelas linear Sokongan Vektor Mesin (SVM) telah digunakan untuk menilai prestasi kaedah yang dicadangkan dalam penyelidikan ini. Eksperimen telah dijalankan menggunakan data set manusia INRIA. Keputusan eksperimen menunjukkan bahawa kaedah yang dicadangkan ini mampu mengurangkan masa pengekstrakan ciri sebanyak 2.6 kali ganda berbanding dengan kaedah HOG yang asal manakala pengurangan sebanyak 7 kali ganda berbanding dengan kaedah LBP dan pengurangan sebanyak 2.5 kali ganda berbanding dengan kaedah HOG imej integral. Pada masa yang sama, kaedah yang dicadangkan ini memberikan prestasi pengesanan yang setanding.
_______________________________________________________________________________________________________
Histogram of Oriented Gradient (HOG) feature which was originally proposed by Dalal and Triggs is widely used in vision-based human detection. However, HOG feature extraction method produced a large feature pool which is computationally intensive and very time consuming, causing it not so suitable for real time application. This research proposed a method to reduce the HOG feature extraction time without affecting too much on its detection performance. The proposed method performs feature extraction using selective number of histogram bins. Higher number of histogram bins which can extract more detailed orientation information is applied on the regions of image that may contain human figure. The rest of the regions in the image are extracted using lower number of histogram bins. This will reduce the feature size without compromising too much on the performance. To further reduce the feature size, Principal Component Analysis (PCA) is used to rank the features and select only the representative features. A linear Support Vector Machine (SVM) classifier is used to evaluate the performance of the proposed method. Experiment was conducted using the INRIA human dataset. The test results show that the proposed method is able to reduce the feature extraction time by 2.6 times compared to the original HOG,7 times compared to the LBP method and 2.5 times faster than the integral image HOG while providing comparable detection performance.
Improving the efficiency of histogram of oriented gradient feature for human detection / Lai Chi Qin