熊 聰，王文武

（武漢科技大學(xué) 信息科學(xué)與工程學(xué)院，湖北 武漢 430081）

行人檢測(cè)作為目標(biāo)識(shí)別領(lǐng)域的很重要的課題，吸引了很多關(guān)注。它在智能車輛、自動(dòng)導(dǎo)航、運(yùn)動(dòng)分析、高級(jí)人機(jī)接口等方面已經(jīng)成為核心技術(shù)并且有著很廣泛的應(yīng)用前景。行人檢測(cè)的挑戰(zhàn)在于當(dāng)有多個(gè)行人在空間上靠得很近的時(shí)候。此時(shí)，由于行人靠得很近造成行人存在遮擋，單一的行人行人檢測(cè)器無(wú)法檢測(cè)到部分被遮擋的行人，從而產(chǎn)生了漏檢或誤檢。

然而，社會(huì)學(xué)家已經(jīng)發(fā)現(xiàn)到相互靠近的行人在實(shí)際中表現(xiàn)出了特殊的空間模型，相互靠近的兩個(gè)行人在空間上存在一定特征[1-2]。本文基于這點(diǎn)，提出了基于可變形部件模型（DPM）[3]的行人檢測(cè)算法，利用這些特殊的空間模型訓(xùn)練得到兩個(gè)行人的檢測(cè)器用于檢測(cè)行人，從而取得了良好的效果。

1 算法實(shí)現(xiàn)

本文提出基于DPM模型[3]的行人檢測(cè)主要包括樣本訓(xùn)練和行人檢測(cè)兩個(gè)部分。其中圖像的局部描述子采用HOG特征[4]，訓(xùn)練分類器采用在支持向量機(jī)基礎(chǔ)上添加潛在值的支持向量機(jī)(LatentSVM)[3]。

1.1 樣本訓(xùn)練

樣本訓(xùn)練的目的是為了得到行人檢測(cè)階段所需要的行人檢測(cè)器，包括單個(gè)行人檢測(cè)器、兩個(gè)行人檢測(cè)器和行人部件檢測(cè)器。其中，檢測(cè)器的實(shí)質(zhì)是一個(gè)特征向量濾波器。在樣本訓(xùn)練之前得做一些準(zhǔn)備工作，準(zhǔn)備訓(xùn)練所需的樣本，包括單個(gè)行人的正負(fù)樣本，兩個(gè)行人的正負(fù)樣本。其中，樣本的大小固定。

樣本訓(xùn)練的基本步驟如下：

1)分別在單個(gè)行人的正負(fù)樣本上提取單個(gè)行人的HOG特征向量和DPM模型下的特征向量 （如圖 1中 （a），（b）所示），然后將兩者串聯(lián)起來(lái)構(gòu)成混合的DPM模型特征向量輸入LSVM分類器中訓(xùn)練得到單個(gè)行人檢測(cè)器。

2)分別在兩個(gè)行人的正負(fù)樣本上提取左邊行人的HOG特征向量和右邊行人的HOG特征向量（如圖2中（c）所示），然后將兩組特征輸入SVM分類器[5]中訓(xùn)練得到左邊行人部件和右邊行人部件的檢測(cè)器。

3)分別在兩個(gè)行人的正負(fù)樣本上提取兩個(gè)行人一起的HOG特征向量和兩個(gè)行人一起的DPM模型下的特征向量（如圖2中(a),(b)所示），將兩者和步驟2）中提取的右邊行人部件和左邊行人部件的特征向量都一起串聯(lián)起來(lái)構(gòu)成混合的DPM模型特征向量輸入LSVM分類器中訓(xùn)練得到兩個(gè)行人檢測(cè)器。

圖1 單個(gè)行人的HOG特征和DPM特征Fig.1 HOG vector and DPM vector for single human

圖2 兩行人的HOG特征和DPM特征Fig.2 HOGvector and DPM vector for two people

1.2 行人檢測(cè)

行人檢測(cè)是整個(gè)算法中關(guān)鍵的一步，由于所有的檢測(cè)器都是特征向量濾波器，于是可以計(jì)算分?jǐn)?shù)為β·Φ(x)，其中β是濾波器，Φ(x)是圖像及指定的位置和尺度，是特征向量。計(jì)算得到分?jǐn)?shù)越大，表示檢測(cè)窗口中行人的可能性越大。

行人檢測(cè)的基本步驟如下：

1）輸入待檢測(cè)圖像計(jì)算得到HOG特征圖。

2）將步驟1）中的得到HOG特征圖分別與單個(gè)行人檢測(cè)器、兩個(gè)行人檢測(cè)器和行人部件檢測(cè)器卷積得到單個(gè)行人檢測(cè)分?jǐn)?shù)圖、兩個(gè)行人檢測(cè)分?jǐn)?shù)圖、左邊行人分?jǐn)?shù)圖和右邊行人分?jǐn)?shù)圖。

3）將單個(gè)行人檢測(cè)分?jǐn)?shù)圖、兩個(gè)行人檢測(cè)分?jǐn)?shù)圖、左邊行人分?jǐn)?shù)圖和右邊行人分?jǐn)?shù)圖并聯(lián)得到混合分?jǐn)?shù)圖[5-6]。

4）將混合分?jǐn)?shù)圖與單個(gè)行人檢測(cè)分?jǐn)?shù)對(duì)應(yīng)位置相加得到最終的分?jǐn)?shù)圖。

5）根據(jù)最終的分?jǐn)?shù)圖標(biāo)記出行人所在的位置。

1.3 實(shí)驗(yàn)

實(shí)驗(yàn)分為2個(gè)部分：第一部分，正負(fù)樣本的訓(xùn)練。通過(guò)正負(fù)樣本的訓(xùn)練得到單個(gè)行人檢測(cè)器、兩個(gè)行人檢測(cè)器和行人部件檢測(cè)器。第二部分，將第一部分得到的檢測(cè)器用于行人檢測(cè)，最終的得到如圖3中所示的最終檢測(cè)結(jié)果。相比于單一行人檢測(cè)結(jié)果，本文提出的算法最終檢測(cè)結(jié)果有明顯改善。

圖3 行人檢測(cè)結(jié)果Fig.3 The result of human detection

2 結(jié)論

本文提出的基于DPM模型[3]的行人檢測(cè)算法以HOG特征[4]作為圖像特征描述子，以DPM模型以及混合模型作為基礎(chǔ)得到改進(jìn)的算法。實(shí)驗(yàn)表明該算法具有很好檢測(cè)效果，能很好的解決行人相互靠近的情況下的行人檢測(cè)。同時(shí)，在更復(fù)雜的場(chǎng)景下，提高檢測(cè)效果是下一步的重點(diǎn)。

[1]Hare A.Handbook of small group research[M].Macmillan,1962.

[2]Moussaid M,Perozo N,Garnier S,et al.The walking behaviour of pedestrian social groups and its impact on crowd dynamics[R].PLoSONE,2010,5(4):e10047.

[3]Felzenszwalb P,GrishickR B，McAllister D,et al.Object detection with discriminatively trained partbased models[C]//IEEE Trans.Pattern Anal.Mach.Intell.，2010(32):1627-1645.

[4]Dalal N,Triggs B.Histograms of oriented gradients for human Detection[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition,San Diego,CA,2005：886-893.

[5]盧虎，李彥，肖穎.支持向量機(jī)理論及其應(yīng)用[J].空軍工程大學(xué)學(xué)報(bào)，2003，4（4）：89-91.LU Hu，LI Yan，XIAO Ying.SVM theory and application[J].Journal of Air Force Engineering University，2003，4（4）：89-91.

[6]車志富.基于支持向量機(jī)的行人檢測(cè)[D].北京：北京交通大學(xué)，2010.