梁琛華，常 青

(國防科技大學(xué)ATR重點(diǎn)實(shí)驗(yàn)室，湖南 長沙 410073)

責(zé)任編輯:任健男

隨著社會經(jīng)濟(jì)的發(fā)展以及人們安全意識的提高，對重要場所的安全警戒要求也越來越高。目前，智能視頻監(jiān)控得到了較快的發(fā)展，因其具有對監(jiān)控場景中的目標(biāo)進(jìn)行實(shí)時監(jiān)測、跟蹤以及行為識別的獨(dú)特優(yōu)勢，得到了廣泛的關(guān)注。其中，紅外視頻警戒以其全天候、抗隱蔽能力強(qiáng)的特點(diǎn)在偵察、夜戰(zhàn)、安全警戒中發(fā)揮了極為重要的作用。

在紅外視頻監(jiān)控系統(tǒng)中，對目標(biāo)的識別尤為重要，因?yàn)橥枰獙μ囟繕?biāo)(人)進(jìn)行識別，而在較為復(fù)雜的場景中，常常會因?yàn)楸尘碍h(huán)境中的車輛、建筑、動物、電線桿以及風(fēng)吹草動等影響，造成誤檢及漏檢。

為了對人體目標(biāo)進(jìn)行有效的識別，需要選擇目標(biāo)的相應(yīng)特征進(jìn)行分類器的學(xué)習(xí)，就特征提取而言，常見的有利用其幾何特征，比如寬高比、形狀復(fù)雜度、緊密度等，但往往較難區(qū)分視場中的樹葉、電線桿等偽目標(biāo);或者利用灰度特征，但當(dāng)背景區(qū)域亮度與人體相近，比如房屋、海邊等區(qū)域，甚至比人體更亮?xí)r，難以識別出人體目標(biāo)。

此外，為了提高識別率，需要選擇相應(yīng)的算法對目標(biāo)特征進(jìn)行學(xué)習(xí)，以形成分類器。常見的有基于AdaBoosting的學(xué)習(xí)，但該算法實(shí)時性較差，不能滿足本文場景中實(shí)時處理的要求，且在學(xué)習(xí)過程中需要大量的樣本。此外有基于二叉樹的學(xué)習(xí)，雖然算法速度最快，但識別性能太差。還有基于SVM分類器的學(xué)習(xí)，在實(shí)現(xiàn)目標(biāo)的二分類時效果較好，但在解決多類分類的時候存在困難，同樣不適合本文的場景特征。

為了適應(yīng)復(fù)雜場景中的不同目標(biāo)分類，實(shí)時處理，并要求有較好的魯棒性，本文將HOG(Histogram of Oriented Gradient)算法對圖像局部區(qū)域外觀和形狀的良好表征和隨機(jī)森林分類器穩(wěn)健的目標(biāo)分類性能有效結(jié)合，提出了一種針對復(fù)雜場景的基于HOG的隨機(jī)森林分類器的人體識別模型。

1 HOG特征提取

在對人體目標(biāo)進(jìn)行目標(biāo)分類訓(xùn)練之前，需要對感興趣目標(biāo)的特征進(jìn)行相關(guān)的提取，并且該特征要盡可能最大程度地區(qū)分感興趣目標(biāo)和其他目標(biāo)，而HOG能夠?qū)D像的局部區(qū)域特征進(jìn)行描述，它通過計算局部區(qū)域上的梯度方向直方圖來構(gòu)成人體特征，能夠很好地描述人體的邊緣和輪廓特征［1－3］，并且對光照的變化、目標(biāo)的少量偏移以及目標(biāo)的遠(yuǎn)近不敏感，因此可以較好地表征人體與其他目標(biāo)的差異。

HOG的流程圖如圖1所示。

圖1 HOG特征提取流程圖

HOG特征計算的具體步驟如下:

1)對于輸入的視頻逐幀處理，并提取感興趣的矩形區(qū)域。

2)建立方向坐標(biāo)系，將－90°～ +90°平均分成NSTAGE個區(qū)域，并且得到各區(qū)域的正切范圍，便于后面根據(jù)各區(qū)域的梯度范圍進(jìn)行目標(biāo)的分類。

式中:i∈［1，NSTAGE －1］。

因?yàn)檎兄翟冢?0°和+90°的位置為無窮大，為了方便計算，定義

3)對于圖像中的某一點(diǎn)的像素I(x，y)，其一階梯度為:

水平方向?yàn)?/p>

垂直方向?yàn)?/p>

4)根據(jù)各點(diǎn)像素的一階梯度值dx(x，y)和dy(x，y)獲得各點(diǎn)的梯度方向α(x，y)和梯度幅值Z(x，y)。

梯度方向?yàn)?/p>

梯度幅值為

5)根據(jù)各點(diǎn)像素的梯度方向α(x，y)確定該梯度幅值在坐標(biāo)系中所處的范圍，并對各區(qū)域的梯度幅值累加求和。

若 α(x，y)＜ Stage［k+1］且α(x，y)＞ Stage［k］，則HOGvector［k］+=Z(x，y)，其中 k ∈［0，NSTAGE］。將各區(qū)域梯度值進(jìn)行二范數(shù)的歸一化，各區(qū)域梯度幅值的二范數(shù)為

二范數(shù)歸一化為

獲得HOG特征向量:將各個區(qū)域歸一化后的向量連接起來，得到HOG特征向量，并且，該特征向量作為生成隨機(jī)森林分類器的訓(xùn)練特征。

2 隨機(jī)森林分類器

2.1 各分類器的比較

為了實(shí)現(xiàn)對人體目標(biāo)的有效分類，需要基于HOG特征向量，選取適合的算法進(jìn)行學(xué)習(xí)，生成分類。學(xué)習(xí)算法很多，下面簡要介紹幾個常見的算法。

1)Boosting［4］

它是判別分類器的組合，分類決策是由各個子分類器的加權(quán)組合決定的，在逐個訓(xùn)練分類器的時候，數(shù)據(jù)樣本的權(quán)重會被重新分配，使之能夠給予錯誤數(shù)據(jù)更多的注意力。訓(xùn)練不斷地進(jìn)行，直到總錯誤低于某個特定的閾值，Boosting算法有較高的準(zhǔn)確率，不需要先驗(yàn)知識，只需要選擇合適的迭代次數(shù)，但速度過慢，需要大量數(shù)據(jù)進(jìn)行訓(xùn)練，且易受到噪聲影響。

2)決策樹［5］

它是一個判別分類器，該樹在當(dāng)前節(jié)點(diǎn)通過尋找數(shù)據(jù)特征和一個閾值，最優(yōu)劃分?jǐn)?shù)據(jù)到不同的閾值，處理流程是不停地劃分?jǐn)?shù)據(jù)，并向下到樹的兩端節(jié)點(diǎn)之一。和其他算法相比，其性能不為最優(yōu)，但速度最快。

3)SVM［5］

支持向量機(jī)分類器，需要設(shè)定一個高維空間中任意兩點(diǎn)的距離函數(shù)，采用基于最大類間隔的線性分類技術(shù)，得到某種意義上較優(yōu)地區(qū)分類別的非線性分類器，當(dāng)數(shù)據(jù)有限時，該算法可以獲得較好的性能，SVM算法對大規(guī)模訓(xùn)練樣本難以實(shí)施，且解決多類分類存在困難。

以上幾種是目前較為常見的學(xué)習(xí)方法，然而各自均存在一定的局限性，而隨機(jī)森林學(xué)習(xí)算法卻能夠很好地解決這一問題。

2.2 隨機(jī)森林的原理

隨機(jī)森林可以通過收集很多樹的子節(jié)點(diǎn)對各個類別的投票，然后選擇獲得最多投票的類別作為判斷結(jié)果。隨機(jī)森林包含隨機(jī)選擇的多個決策樹，此外，它繼承了樹的很多屬性，通過構(gòu)造不同的訓(xùn)練集增加分類模型間的差異，從而提高模型的分類能力。此外，為了提高魯棒性，隨機(jī)森林使用袋外(out of bag)方法來檢驗(yàn)分裂，隨機(jī)森林的具體流程如圖2所示。

圖2 隨機(jī)森林分類器

由圖2所示，多個分類器的組合模型，其性能遠(yuǎn)優(yōu)于單個決策樹的預(yù)測，魯棒性較好。

2.3 基于HOG的隨機(jī)森林分類器的建立

1)首先，從實(shí)驗(yàn)場景中提取感興趣的正樣本53個和負(fù)樣本169個，如圖3所示。

圖3 訓(xùn)練樣本圖

2)提取樣本的HOG特征向量HOGvecor，并設(shè)置參數(shù)responses的值。正樣本:responses=1;負(fù)樣本:responses=0。

3)通過以下代碼對樣本進(jìn)行學(xué)習(xí)、訓(xùn)練，生成分類器:

4)調(diào)用隨機(jī)森林預(yù)測函數(shù)對目標(biāo)特征進(jìn)行預(yù)測，并且將返回值r轉(zhuǎn)換成整數(shù)來標(biāo)志是否預(yù)測正確，代碼為:

5)使用不同數(shù)量的testsample(包括正反樣本)驗(yàn)證分類器的識別率。

2.4 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證不同測試樣本數(shù)以及梯度區(qū)域分類數(shù)目對識別結(jié)果的影響，采用不同的數(shù)據(jù)進(jìn)行觀測，此外，本文對比了不同分類器的性能。

1)選取15個正樣本，33個負(fù)樣本，HOG分成10個區(qū)域，各分類器的識別率如表1所示。

表1 HOG分成10個區(qū)域時各分類器的識別率

2)選取15個正樣本，33個負(fù)樣本，HOG分成40個區(qū)域，各分類器的識別率如表2所示。

3)選取15個正樣本，33個負(fù)樣本，HOG分成60個區(qū)域，各分類器的識別率如表3所示。

表2 HOG分成40個區(qū)域時各分類器的識別率

表3 HOG分成60個區(qū)域時各分類器的識別率

通過表1、表2、表3的結(jié)果可知，通過一定數(shù)量的測試樣本對4種分類器進(jìn)行檢測，隨機(jī)森林分類器的識別效果最佳，并且隨著HOG區(qū)域細(xì)分程度的增加，分類越精細(xì)，識別率越高。

3 復(fù)雜場景中的人體識別

前文簡要介紹了HOG特征的提取，并且基于HOG產(chǎn)生的特征向量，進(jìn)行隨機(jī)森林分類器的學(xué)習(xí)，建立了隨機(jī)森林分類器，并利用測試樣本驗(yàn)證了隨機(jī)森林分類器的性能優(yōu)于其他分類器。為了進(jìn)一步說明該分類器在復(fù)雜場景中的魯棒性，選擇一些復(fù)雜的場景進(jìn)行驗(yàn)證。

測試視頻為紅外攝像機(jī)拍攝所得，環(huán)境溫度0～10℃，分辨率為384×288。程序運(yùn)行環(huán)境為:VC++2008，OpenCV 2.10，Intel Core i5－2430M/2 Gbyte 內(nèi)存。

1)場景一:街道，如圖4所示(原圖為彩色圖片)。

場景說明:圖4a中右下方狗的目標(biāo)框?yàn)榫G色;圖4b中中心汽車的目標(biāo)框?yàn)辄S色;圖4c中左上方的吊車的目標(biāo)框?yàn)樗{(lán)色;圖4中的人體目標(biāo)框均為紅色。

場景分析:街道環(huán)境較為復(fù)雜，有電線桿、樹木、運(yùn)動的吊車、寵物以及汽車的出現(xiàn)。從圖4a知，沒有將狗(綠框)識別成人體目標(biāo);從圖4b知，沒有將汽車(黃框)識別成人體目標(biāo);從圖4c知，沒有將運(yùn)動的吊車(藍(lán)色區(qū)域)識別成人體目標(biāo);從圖4d知，當(dāng)視場中出現(xiàn)多人體目標(biāo)時，沒有出現(xiàn)漏檢，分類器魯棒性較好。

2)場景二:草原，如圖5所示(原圖為彩色圖片)。

場景說明:圖5中，人體目標(biāo)框?yàn)榧t色。

場景分析:草原環(huán)境中，背景灰度和人體目標(biāo)差異較小，且存在電線桿、風(fēng)引起草坪的晃動等干擾，從圖5a和圖5b中可知，分類器均能較好地識別出人體目標(biāo)，并且無虛警，分類器魯棒性較好。

3)場景三:野外，如圖6所示(原圖為彩色圖片)。

圖6 野外場景下人體目標(biāo)的識別

場景說明:圖6中，人體目標(biāo)框?yàn)榧t色。

場景分析:野外環(huán)境中，存在電線桿，有許多土坡，并且樹木較多，地面雜草叢生，因此在風(fēng)大的時候會對目標(biāo)識別產(chǎn)生一定的干擾，從圖6a和圖6b中可知，分類器能夠較好地識別出人體目標(biāo)，無虛警，分類器魯棒性較好。

以上3個場景是比較有代表性的復(fù)雜場景，此外還有河套、海邊、工地等其他復(fù)雜場景，就不一一列舉了，它們有以下一個或幾個特點(diǎn):1)視場中存在汽車、寵物等其他運(yùn)動物體;2)存在電線桿、灌木樁等物體;3)當(dāng)環(huán)境中風(fēng)較大時，引起的樹葉和草叢的晃動會帶來干擾;4)背景溫度較高，比如房屋、村莊、海洋等，造成背景環(huán)境和人體灰度接近，帶來干擾。

針對以上復(fù)雜環(huán)境，基于HOG的隨機(jī)森林分類器依然可以較好地對人體目標(biāo)進(jìn)行準(zhǔn)確識別，不會出現(xiàn)誤檢和漏檢，魯棒性較好。

4 總結(jié)

本文通過對ROI區(qū)域HOG特征的提取和學(xué)習(xí)，并對一定數(shù)量的正負(fù)樣本進(jìn)行訓(xùn)練，建立了基于HOG的隨機(jī)森林分類器，并通過測試樣本驗(yàn)證了該分類器的魯棒性。此外將基于HOG的隨機(jī)森林分類器與二叉樹、SVM和AdaBoosting等算法進(jìn)行比較，驗(yàn)證了其優(yōu)越性。最后，將生成的分類器用于街道、草原以及曠野等復(fù)雜場景，觀察到在不同情況下均可以實(shí)現(xiàn)對人體目標(biāo)的準(zhǔn)確識別，在視頻監(jiān)控中發(fā)揮著重要的作用。

［1］胡仕玲，顧爽，陳啟軍.基于HOG的物體分類方法［J］.華中科技大學(xué)學(xué)報，2012(11):124－126.

［2］李暉，曲仕茹.基于分層梯度方向直方圖和SVM的人體識別［J］.計算機(jī)測量與控制，2010，18(11):2062－2064.

［3］TRIGGS D.Histogram of oriented gradients for human detection［C］//Proc.the IEEE Conference on Computer Vision and Pattern Recognition.［S.l.］:IEEE Press，2005:886－893.

［4］董樂紅，耿國華，高原.Boosting算法綜述［J］.計算機(jī)應(yīng)用與軟件，2006(8):27－29.

［5］于玲，劉彥隆，郭建軍.DWT和Fast PCA與SVM在人臉識別技術(shù)中的應(yīng)用［J］. 電視技術(shù)，2012，36(23):172－176.