IV. DETECTION PHASETUD dataset [21]

IV. DETECTION PHASE
TUD dataset [21] is used in this work for testing phase.
Figure 4 shows examples of images in this dataset. As you
can see in the figure 2, the dataset contains images of the
external environment and crowded.
Full body positive image
Full body’s Torso’s FP Left Foot’sFP Right Foot’s FP FPLfoot
positive
image
LFoot
positi
ve
imag
e
Torsos
positive
image
First SVM
Torso Left Foot Right Foot Full body
Tors
o’s
SV
M
LFoot’
s
SVM
RFoot’s
SVM
Full
Body’
s SVM
Torso
’s out
put
LFoot’s
output
RFoot’s
Output
Full
body’s
output
Detection
window
Normalize gamma and
color
Compute gradient
Accumulate weighted votes
for gradient orientation over
spatial cells
Normalize contrast within
overlapping blocks of cells
Collect HOGs for all blocks over
detection window
Figure 3 Second SVM with different negative example
Figure4 Example of testing image
Figure 5 overview of detection phase
A. construction image pyramid
In test phase, the pyramids of test images are
constructed at first. Pyramid construction makes
possibility of human detection in different size
steps are used to build the pyramid. The
image is determined by (3). sinit is initial size and the
number of pyramid construction is shown by

#$
B. feature extraction
After pyramid construction, the feature introduced in
the previous section (HOG), such as all image in the
Training phase and feature
extraction of training image
Pyramid construction on test
image
Convert pyramid size to
training image size
Feature extraction on
pyramid
Applying SVM on feature
Detection
Second SVM with different negative example for each class.
of testing image
overview of detection phase
s of test images are
constructed at first. Pyramid construction makes the
in different size. The eight
The size of each
is initial size and the
number of pyramid construction is shown by interval.
(3)
After pyramid construction, the feature introduced in
all image in the
training phase, is extracted in pyramid. Before feature
extraction of each pyramid, test images must be converted
to the training image size. Since the training segments
have [104 48] pixels, feature extraction in test image must
be converted to [104 48] pixel. The main problem with
such problem is that, it ignores people between
windows. To overcome this problem,
used. Instead of dividing the image
components, overlapping components
5, shows an overview of detection phase.

結果 (中文) 1:

四.检测阶段TUD 数据集 [21] 用于这项工作在测试阶段。图 4 显示图像的示例中此数据集。作为你请参见图 2，数据集可以包含的图像外部环境和拥挤。全身正面的形象全身的躯干的 FP 左 Foot'sFP 右脚的 FP FPLfoot积极图像LFoot地位ve下一篇e躯干积极图像第一个支持向量机躯干左足右脚充分的身体职权范围阿依仙姆SVMLFoot's支持向量机RFoot 的支持向量机全身体 's 支持向量机躯干出来的放LFoot 的输出RFoot 的输出全身体的输出检测窗口正常化伽玛和颜色计算梯度积累加权的票为在梯度方向空间单元规范内的对比重叠细胞块在收集的所有块猪检测窗口图 3 第二个支持向量机与不同的负面例子被测试图像的图 4 示例图 5 的检测阶段概述A.建设图像棱锥图在测试阶段，测试图像金字塔是在第一次建造。金字塔的建设，使在不同大小的人体检测的可能性步骤用于建造金字塔。的(3) 确定图像。sinit 是初始大小和所显示的金字塔建造数#$B.特征提取后金字塔结构中引入的功能上一节 （HOG） 中的所有图像训练阶段和特征训练图像的提取金字塔结构试验图像转换到金字塔大小训练图像的大小特征提取金字塔支持向量机应用功能检测第二个支持向量机与不同的负面例子，对于每个类。测试图像的检测阶段的概述s 测试图像是在第一次建造。金字塔的建设，使在不同的大小。八每个的大小是初始大小和金字塔建造数目按间隔显示。() 3后金字塔结构中引入的功能所有图像中训练阶段，在金字塔中提取。在功能之前每个金字塔，测试必须转换图像的提取对训练图像的大小。自培训部分有 [104 48] 像素为单位），在试验图像的特征提取必须将转换为 [104 48] 像素。存在的主要问题这样的问题是它忽略了之间的人windows。为了克服这个问题，使用。而不是将图像分割在重叠组件的组件5，显示了检测阶段的概述。

結果 (中文) 3:

四、检测相
TUD数据库[ 21 ]是在这项工作中使用的测试阶段。
图4显示了该数据集的图像的例子。当你
可以看到在图2中，数据集包含的
外部环境和拥挤的图像。
全身正面形象
全身体躯干的FP左foot'sfp右脚的FP fplfoot
正
图像
左脚
位置
已经
图像
E
躯干
正
图像
第一SVM
躯干左脚右脚全身
等
O的
SV
M
左脚的
的
SVM
rfoot的
SVM
全
身体
的SVM
躯干
的
把
左脚的
输出
rfoot的
输出
全
身体的
输出
检测
窗口
规范γ和
颜色
计算梯度加权投票
积累
梯度方向
空间细胞
规范对比
重叠块内的细胞
收集所有块
猪检测窗口
图3第二支持向量机不同负例
图4例测试图像
图5检测相
A.构建图像金字塔
试验阶段的概述，测试图像金字塔
首先构造了。金字塔结构使得
不同大小
步骤人体检测可能被用来建造金字塔。的
图像是由（3）。是的
SINIT的初始大小和数量金字塔建筑表现

#
美元B特征提取后的特征
金字塔结构，介绍了
之前的部分（HOG），如所有的图像在
训练阶段和特征
提取训练图像
金字塔结构试验
图像
转换金字塔的大小
训练图像的大小
特征提取
金字塔
应用SVM对特征
对于每一类不同的负例检测
二支持向量机。
测试图像
概述
检测阶段的测试图像
首先构造了。金字塔结构使得
大小。八
各
大小的初始大小和金字塔建筑
数显示区间。
（3）
金字塔结构的特点后，介绍了
所有的图像在
在训练阶段，提取金字塔。每个金字塔特征
提取之前，测试图像必须被转换
对训练图像尺寸。由于训练段
[ 104 ]有48像素，在测试图像的特征提取必须
被转换为[ 48 ] 104像素。与
此问题的主要问题是，它忽略了
窗口之间的人。为了克服这个问题，
使用。而不是分割图像
组件，部件重叠的
5，表明检测阶段的概述。