具有混合功能和极限学习机的行人计数

本文提出了一种估计行人数量的方法。 提议的计数框架通过使用混合功能和极限学习机(ELM)结合了两种主要的行人计数策略-直接方法和间接方法。 ELM用于将混合要素映射到行人数量。 混合特征由整体低级特征和矩形局部二进制模式(rLBP)特征组成,rLBP特征是旨在描述显式行人检测矩形的统计和结构信息的新特征。 通过混合特征,我们的算法使用了直接方法(rLBP特征)和间接方法(低级特征)的信息,因此我们可以充分利用两种计数策略。 通过使用Dollar等人在论文“西部最快的行人检测器”(FPDW)中描述的行人检测器获得检测矩形。 基于整体通道功能和软级联分类器,FPDW能够快速提供出色的检测结果。 在PETS 2009数据集上的实验结果表明,通过结合两种计数策略,提出的计数框架可以显着提高计数准确性。 rLBP特征对于描述回归模型的检测矩形的有用信息是有效的,并且混合特征比这两者都更有效。