利用计算机模拟人的思维对图像中的内容进行识别,是计算机视觉领域重要的研究方向。根据是否针对特定对象,图像内容识别可分为物体分类和物体检测,它们都是图像分割、特征匹配、目标跟踪等其他更高层视觉检索的基础,以此发展起来的人脸识别等技术都已经广泛的应用于多个领域。物体检测的主要步骤如下:采用滑动窗口对图像进行全图扫描,获取每个窗口的特征点或者特征向量;第二,选取特征并对其进行分类;第三,对检测结果进行融合,去除冗余获取最终结果,给出可能存在物体的外接矩形框区域。由于包含大量的特征点提取和匹配任务,现有的BING、HOG等算法在准确性和速度方面都无法满足较高水平的实时系统的应用要求,尤其涉及到安全性时仍难以大规模使用。针对上述情况,结合近年来新发展的二值化技术,本文提出了一种新的基于二值化的方向梯度直方图(HOG)与AdaBoost算法的检测方法,能够保证检测准确率的同时提升检测速度。本文算法在检测之前对首先图像进行预处理,将所有待检测图像归一化到五种特定的尺寸之内,选取其梯度图像像素值的高4位数据近似表达原图,减少计算数据量;结合计算机内部存储数据的特点对HOG特征进行二值化,以基向量的线性组合表示所获取的特征,将原本的卷积运算转换成快速的按位或和位移操作;采用新的HOG检测窗口大小和梯度方向划分,使一个块内的特征向量按比特存储;同时,考虑到线性SVM分类器处理困难样本的不足,本文采用自适应的AdaBoost算法,并定量分析了该算法的误检率、查全率、泛化能力、级联分类器数目的确定;在分类器的训练中设置弱分类器的数目上限,确保每一级的检测不会无限循环下去。本文使用PASCAL VOC 2007数据集进行了训练和检测,并与BING、HOG与SVM、HOG与AdaBoost等实验进行对比;结果表明,本文的算法在检测时间和检测准确率上都有一定程度的提升。