孟曉莉，陳大偉

(1.江蘇海事職業(yè)技術(shù)學(xué)院信息工程系，江蘇南京211170;2.東南大學(xué)交通學(xué)院，江蘇南京211170)

基于組合樹形結(jié)構(gòu)的多特征協(xié)同識別行人方法

孟曉莉1，陳大偉2

(1.江蘇海事職業(yè)技術(shù)學(xué)院信息工程系，江蘇南京211170;2.東南大學(xué)交通學(xué)院，江蘇南京211170)

采取Edgelet特征和聚集型B-Haar特征相結(jié)合，協(xié)同進(jìn)行特征提取，設(shè)計開發(fā)出具有樹形組合結(jié)構(gòu)的行人識別模型。該模型的上層結(jié)構(gòu)為:通過改進(jìn)具有Haar特征(此處稱為聚集型B-Haar特征)，在完全二叉樹架構(gòu)的基礎(chǔ)上，同局部二元模式相結(jié)合，對候選人目標(biāo)進(jìn)行提取，最終提高檢測識別率;該模型的下層結(jié)構(gòu)為:在貝葉斯原理和Edgelet特征相結(jié)合的基礎(chǔ)上，構(gòu)建樹狀決策結(jié)構(gòu)，對多部位進(jìn)行檢測，找尋出行人。實驗結(jié)果與傳統(tǒng)的串并聯(lián)結(jié)構(gòu)和樹狀結(jié)構(gòu)進(jìn)行比較，設(shè)計開發(fā)的多特征協(xié)同樹狀組合決策結(jié)構(gòu)行人識別方法更具優(yōu)勢，能夠更好地保證實時性，降低虛警率，提高檢測率。

行人識別;樹狀決策結(jié)構(gòu);貝葉斯原理;整體優(yōu)勢

在統(tǒng)計人流量過程中，關(guān)鍵在于能否有效地對行人進(jìn)行識別。對行人進(jìn)行識別的眾多方法中，行人識別檢測方法具有眾多優(yōu)點，比如在實現(xiàn)視頻圖像處理的基礎(chǔ)上進(jìn)行操作、成本低、便于安裝、統(tǒng)計更為精確等［1］。然而在具體操作過程中，又存在一些不足之處:第一，由于使用環(huán)境多種多樣，會因為陰影、燈光等各種因素，而最終導(dǎo)致結(jié)果不準(zhǔn)確;第二，行人本身的特征，造成最終結(jié)果不準(zhǔn)確，不能更好地辨識。所以，在未來科學(xué)研究進(jìn)程中，設(shè)計開發(fā)出具備更高實用性、更加科學(xué)高效的行人識別技術(shù)，仍需不斷努力［2］。

主要通過以下兩個步驟來實現(xiàn)行人實時識別更加科學(xué)高效:第一，在對行人檢測分類算法進(jìn)行選擇時，要以科學(xué)適當(dāng)為原則;第二，當(dāng)分類算法確定后，進(jìn)行應(yīng)用時，按照復(fù)雜環(huán)境中特定的問題，搭建完成對應(yīng)的分類模型。目前主要應(yīng)用的行人檢測算法包括基于背景差分［3］、幀間差分［4］、模板匹配［5］、光流法［6］。此處，由于業(yè)界目前非常關(guān)注機(jī)器學(xué)習(xí)方法，而理論分析顯示，該方法能夠有效辨識行人的固有特性，還可以在各種動態(tài)或靜態(tài)環(huán)境中開展良好的交通環(huán)境監(jiān)測工作，且不會因行人姿態(tài)的不同而受到局限［7］。同時，在不斷加深的研究中，該方法愈加完善，性能逐漸得到改善［8-9］。然而，在實踐過程中，由于單一的分類模型在分類過程中效率不高，因此該檢測方法在搭建分類檢測識別模型時提高了標(biāo)準(zhǔn)，并通過對各種組合結(jié)構(gòu)的探索，實現(xiàn)提高機(jī)器學(xué)習(xí)算法效能的目的?，F(xiàn)今，多個簡單串聯(lián)或并聯(lián)的形式在模型搭建中使用很頻繁，然而由于較低的效率，很難真正應(yīng)用到復(fù)雜環(huán)境中［5］?？紤]到上述原因，當(dāng)前很多模型搭建的實踐工作中，均采取融合串、并聯(lián)兩種方式，形成級聯(lián)方式［10-11］，遵循“由粗到細(xì)”的原則進(jìn)行組合，使得檢測效率得到有效提升，解決了串聯(lián)結(jié)構(gòu)在不同場景中的適應(yīng)差距和并聯(lián)結(jié)構(gòu)檢測太慢的缺陷。然而，真正投入到實踐中時，沒有任何策略能夠解決不同場景下選擇特征的問題，無法對多類特征開展協(xié)同檢測，在進(jìn)行組合檢測時，還是只能采取遞歸串聯(lián)的方式，無法真正實現(xiàn)從人體到人體關(guān)鍵部位進(jìn)行檢測的“由粗到精”。這種對算法過分依賴的情況，使得該方法很難順利開拓人流統(tǒng)計市場。

聯(lián)合國教科文組織指出：“將來的文盲是沒有學(xué)會學(xué)習(xí)的人！”學(xué)生是學(xué)習(xí)的主人，理所當(dāng)然要從小學(xué)習(xí)些自能讀書的本領(lǐng)。因此，教師應(yīng)該更新教學(xué)觀念，確立主體地位；創(chuàng)設(shè)情境，實施愉快教學(xué)；教給方法，重視培養(yǎng)能力；課后延伸，養(yǎng)成良好習(xí)慣等。為學(xué)生自主學(xué)習(xí)創(chuàng)造良機(jī)，把語文教學(xué)的水平推向一個新的高度。

因此，本文專門研究了行人分類識別模型中存在的效率問題，對特征協(xié)同檢測的模式進(jìn)行研究，按照從整體到局部的順序，在貝葉斯綜合決策原理的基礎(chǔ)上，建立起雙層組合識別模型，極大提升了檢測的效率。能夠在較短時間內(nèi)找到候選行人目標(biāo)，同時綜合、準(zhǔn)確地判斷候選目標(biāo)行人的關(guān)鍵部位，完成最終的識別工作。

1 單一的樹狀分類識別模型及檢測

目前，專家通過樹狀對單分類器進(jìn)行組合，得到的樹狀不僅有串聯(lián)結(jié)構(gòu)的特點，還有并聯(lián)結(jié)構(gòu)的優(yōu)勢［12］。一方面，樹狀結(jié)構(gòu)和并聯(lián)結(jié)構(gòu)具有相同之處，都能在增加單分類器的基礎(chǔ)上擁有高檢測力;另一方面，串聯(lián)結(jié)構(gòu)具有實時性特點，樹狀結(jié)構(gòu)與此相同，在實時性方面同樣具有優(yōu)勢。如圖1所示，在“早拒絕”思想的指導(dǎo)下，文獻(xiàn)［12］中對樹狀分類識別結(jié)構(gòu)進(jìn)行了介紹，該分類識別模型實質(zhì)上是在完全二叉樹的基礎(chǔ)上建立的。

圖1 基于完全二叉樹的樹狀分類識別結(jié)構(gòu)

由圖1可知，通過目前的檢測方法，可以對大多數(shù)的非行人對象進(jìn)行有效檢驗，然而，對行人方式的判斷卻不夠全面，沒有對比分析不同路徑的情況。同時，對單分類器的檢測過分依賴，其準(zhǔn)確率有待于提高，但是若僅通過增加檢測層數(shù)的方式來提高準(zhǔn)確率，只會降低檢測的效率。

2 雙層樹狀組合分類識別模型

圖2是雙層組合分類模型，它采用了多特征協(xié)調(diào)識別檢測的思想，模型的構(gòu)造采用整體到部分的思想，雙層組合分類模型是一個樹狀結(jié)構(gòu)，分為上下兩層，存在一定的不同:上層的主要目的是對行人進(jìn)行粗選，確定候選的范圍，是一個聚集型B-Haar特征與完全二叉樹相結(jié)合的結(jié)構(gòu)，可以實現(xiàn)候選行人的篩選;下層是對行人綜合檢測，通過下層的檢測可以篩選出目標(biāo)行人，它分為4個分支，相互串聯(lián)，利用Edgelet提取人體中的特征，如手臂、肩膀、腿、身體等，4個分支就對提取的特征進(jìn)行檢測，中間涉及到貝葉斯的綜合識別方法，然后輸出檢測結(jié)果，確定要找的行人。

圖2 多特征協(xié)同的雙層組合結(jié)構(gòu)分類圖

2.1 多特征協(xié)同檢測

1)聚集型B-Haar特征

創(chuàng)設(shè)宅基地資格權(quán)亟待解決的三個問題（鐘和曦） ..........................................................................................8-9

式中:符號(s1)j代表的是提取對象特征中深色區(qū)域中像素點的亮度值總和;(s2)j則代表了白色區(qū)域中像素點的亮度值總和。

具體實施過程中，可以利用如下公式，計算得出二值化Haar-like的特征值

作為臨床多發(fā)性疾病類型，頸部淺表淋巴結(jié)具有較為復(fù)雜的引發(fā)原因，對患者進(jìn)行超聲檢查能夠發(fā)現(xiàn)不同類型頸部淺表淋巴結(jié)腫大患者之間的差異，方便臨床醫(yī)生制定針對性治療方案并促進(jìn)患者預(yù)后改善[4]。

式中:yhs=1，yarm=1，ytorso=1，yleg=1分別表示被識別出的部位，包括頭肩、手臂、身體軀干、腿部。yfb=1表示通過聚集型B-Haar特征對行人進(jìn)行識別，最終鎖定候選目標(biāo)人。X表示對選定的目標(biāo)人進(jìn)行識別的區(qū)域，該區(qū)域根據(jù)先驗知識，主要包括頭肩、手臂、身體軀干、腿部。分別對應(yīng)的字母為 Xhs，Xarm，Xtorso和Xleg，部位檢測識別器之間互不干擾，相互獨立，則式(2)可以推導(dǎo)出如下公式

綜上所述，在上消化道出血患者中實施基于循證護(hù)理的健康教育，更有利于加強(qiáng)患者對疾病和健康知識的掌握，有利于提高生活質(zhì)量。

圖3 B-Haar特征組合

圖4 聚集型B-Haar特征計算示例圖

可以利用四元函數(shù)L(x，y，w，h)，從形式上表達(dá)聚集型B-Haar特征。此處的(x，y)和(w，h)分別表示聚集型中最左上點的坐標(biāo)值和單個B-Haar特征中矩形的長與寬。B-Haar特征值的取值范圍是［0，255］。不同的取值代表了不同的聚集型B-Haar特征形式。與傳統(tǒng)的Haar-like特征相比，盡管聚集型B-Haar特征的計算更加復(fù)雜，但是只需要計算很少的特征數(shù)量就可以達(dá)到準(zhǔn)確描述行人的目的，這也使得計算量有所減少，因此該特征的實用性很強(qiáng)。不但如此，局部二元模式思想令聚集型B-Haar特征不但使識別系統(tǒng)具備了更強(qiáng)的實時性，還大大增強(qiáng)了系統(tǒng)的魯棒性。

2)Edgelet特征

Edgelet特征的主要作用是描述行人的局部輪廓特征，通過描述人體局部詳細(xì)特征的方法，能夠有效識別目標(biāo)對象。該手段的優(yōu)點在于，即使行人遭到遮擋也能被識別出來。由于這一算法運作過程中要匹配圖像里相似的形狀邊緣，因此為了降低系統(tǒng)的計算量，提高實時性，必須要在縮減識別范圍的同時進(jìn)行知識的檢驗。在多特征協(xié)同檢測下，通過Edgelet這一子特征來檢測行人的方式，能夠增強(qiáng)系統(tǒng)的魯棒性。第一步，要通過聚集型B-Haar特征對行人進(jìn)行快速定位，以此縮小需要檢測的行人范圍;第二步，利用Edgelet特征來提取人體關(guān)鍵部位的特征，以此實現(xiàn)檢測行人的目的。實際操作方式參看文獻(xiàn)［13-14］。

抗戰(zhàn)時期的教育包括戰(zhàn)時教育、社會教育、邊疆教育、僑民教育、戰(zhàn)區(qū)教育、抗日根據(jù)地教育、特種教育等等。國民政府針對不同的地區(qū)和教育對象頒行了不同的教育法令，采取了多種教育措施。本文主要對國民政府推行的戰(zhàn)時教育、戰(zhàn)區(qū)教育和特種教育中的小學(xué)教育的具體措施進(jìn)行梳理。

0～10 cm土層在不同耕作方式下，苗期常規(guī)耕作方式下土壤微生物生物量碳高于深松耕和免耕處理，但無顯著差異(P>0.05)。在開花期、灌漿期深松耕和免耕方式下土壤微生物生物量碳顯著高于常規(guī)耕作(P<0.05)，表現(xiàn)為深松耕>免耕>常規(guī)耕作。在收獲期，免耕顯著大于深松耕和常規(guī)耕作，且深松耕和常規(guī)耕作間無顯著差異(P>0.05)。夏玉米整個生育期不同耕作方式下土壤微生物生物量碳表現(xiàn)為深松耕>免耕>常規(guī)耕作，秸稈還田耕作方式能顯著提高土壤微生物生物量碳。

現(xiàn)已發(fā)現(xiàn)7 000多種遺傳或部分遺傳性出生缺陷；遺傳性病因可分為染色體病(含基因組病)、單基因病和多基因病。其中，嚴(yán)重遺傳病占嚴(yán)重出生缺陷的80%，常為致愚、致殘、致死性，且難以治療、預(yù)后差，給家庭和社會造成極大的負(fù)擔(dān)，嚴(yán)重影響人口素質(zhì)。因此，嚴(yán)重遺傳病的預(yù)防和早期診斷具有重要的意義。

如圖2所示，從全局出發(fā)，逐步過渡到局部，筆者設(shè)計的模型是由精級與粗級2個子模型構(gòu)成，粗級子模型的結(jié)構(gòu)為完全二叉樹，目的是為了用較少時間來排除那些容易檢測和分類的負(fù)樣本，這些樣本的特點是相對簡單，然后挑選出疑似正樣本或是正樣本，由它選出的樣本，再通過精級子模型開始第二次識別，粗級識別器要具有兩個特點:第一，較好的實時性;第二，較低的檢測率。精級子模型的分支有4個，按照順序通過Edgelet特征對樣本身體的重要部位加以檢測識別，然后得出4個識別結(jié)果，利用貝葉斯公式進(jìn)行修正，做出全局分析，利用該方式可以有效排除疑似行人的負(fù)樣本。

為準(zhǔn)確快速地對行人進(jìn)行定位，可以通過聚集型B-Haar特征的方法實現(xiàn)，在確定候選行人后要處理行人遮擋的情況，并使虛警率降低，通過Edgelet特征可以準(zhǔn)確識別行人，已定位行人的人體關(guān)鍵部位得以識別，檢測得到的概率值計算出部位的置信度，最后利用貝葉斯決策，判斷各關(guān)鍵部位的置信度情況，最終確定目標(biāo)。

文獻(xiàn)［15］中提出在用貝葉斯決策方法判斷各個關(guān)鍵部位的置信度情況時，分析的只是3個關(guān)鍵部位，因此在人流量大、遮擋數(shù)量多的情況下并不十分準(zhǔn)確，而且該方法未結(jié)合樹狀雙層分類器組合方法，所以不具備必要的實時性。在本文中，利用貝葉斯決策的多部位檢測策略，首先把人體分為身體軀干、頭肩、手臂以及腿這4個部分，再根據(jù)人體的生理結(jié)構(gòu)指定先驗的相關(guān)知識，腿部只出現(xiàn)在檢測區(qū)的下部分，軀干和手臂出現(xiàn)在檢測區(qū)的中部，頭肩出現(xiàn)在上部。在這種分區(qū)方法下，每個部位都有自己應(yīng)該出現(xiàn)的區(qū)域，那么就可以使檢測范圍減小，提高實時性。以下是通過似然概率的方法判斷出的檢測結(jié)果。

通過聚集型B-Haar特征，對行人進(jìn)行檢測，其中，Edgelet提取的行為特征中，任何一個部位都有可能被檢測出，具體算法公式為

然而，由于單個B-Haar特征很小，因此進(jìn)行行人識別時，無法滿足行人統(tǒng)計識別系統(tǒng)所規(guī)定的魯棒性的精度需要。所以，需要通過對一組B-Haar特征進(jìn)行組合，來提升每個B-Haar特征的辨識能力。在這里也采取了局部二元模式原理來對整個B-Haar特征組合規(guī)律進(jìn)行了處理，大大提升了組合特征的魯棒性。最終得到了圖3中具備8種結(jié)構(gòu)的B-Haar特征集，本文將該特征集起名為聚集型B-Haar特征，并在圖4中展示了特征值的計算方法。

“中國特色社會主義進(jìn)入新時代，我們黨一定要有新氣象新作為?！盵1]21推進(jìn)高校黨建標(biāo)準(zhǔn)化，將標(biāo)準(zhǔn)化理念引入高校黨建工作中，借助標(biāo)準(zhǔn)化“不斷循環(huán)與螺旋式上升”的內(nèi)生運動機(jī)制[2]10，全力推動高校黨建的有序發(fā)展，既是對黨建工作機(jī)制作出的重大改革創(chuàng)新，也是黨在新時代的新?lián)?dāng)，對全面提升高校黨建水平、提升高校理想信念教育實效有重要意義。

假定i部位檢測識別器的響應(yīng)值是Fi(Xi)，其中i∈{hs，arm，torso，leg}，各個部位的后驗概率就可以通過式(4)及式(5)計算得出

候選行人的置信度的閾值是T，屬于區(qū)間［0.6，0.8］［16］，具體數(shù)值以實際操作結(jié)果為準(zhǔn)。

設(shè)ci∈{hs，arm，torso，leg}，所以能夠計算出公式

式中:在ωi的計算過程中，可根據(jù)如下公式進(jìn)行推導(dǎo)

式中:(Wsi，Hsi)表示在實際操作過程中識別得到的部位大小;(Wdi，Hdi)表示行人假設(shè)部位的大小;(xsi，ysi)表示實際識別質(zhì)心點;(xdi，ydi)表示行人假設(shè)部位的質(zhì)心。權(quán)重值用μi表示，表示不同的關(guān)鍵部位，所代表的重要程度不同。

以下公式可以判斷目標(biāo)行人是否是真的行人

對候選人目標(biāo)進(jìn)行識別，以下公式可以判斷目標(biāo)行人不是真的行人的可能情況

強(qiáng)化共贏意識。軍民融合發(fā)展，是實現(xiàn)富國和強(qiáng)軍的雙贏之路。必須強(qiáng)化軍地雙方“共同發(fā)展、共建共享、良性互動、互利雙贏”的理念，謹(jǐn)防本位主義、單打獨斗、各自為政和不講誠信等行為，把條塊分割管理轉(zhuǎn)變?yōu)橐惑w化設(shè)計，把單項分散集合轉(zhuǎn)變?yōu)殡p向集成融合，切實形成軍民相互轉(zhuǎn)化、軍民功能嵌入、軍民優(yōu)化組合等多方互利共贏的良好局面，推動部隊?wèi)?zhàn)斗力和地方生產(chǎn)力同步提升，實現(xiàn)經(jīng)濟(jì)建設(shè)和國防建設(shè)綜合效益最大化。

基于此，將非致死性心肌梗死與非致死性腦卒中這兩個轉(zhuǎn)移狀態(tài)之間的轉(zhuǎn)移概率假設(shè)為0，心肌梗死后與腦卒中后這兩個轉(zhuǎn)移狀態(tài)之間的轉(zhuǎn)移概率也假設(shè)為0；無事件、心肌梗死后、腦卒中后這三個轉(zhuǎn)移狀態(tài)轉(zhuǎn)移到自身的轉(zhuǎn)移概率由1減去其他分支的轉(zhuǎn)移概率獲得；由心肌梗死后/腦卒中后轉(zhuǎn)移至心肌梗死后出血/腦卒中后出血的轉(zhuǎn)移概率等于無事件狀態(tài)轉(zhuǎn)移至嚴(yán)重不良出血事件的轉(zhuǎn)移概率；其余狀態(tài)之間的轉(zhuǎn)移概率則來源于其他已發(fā)表的CVD臨床試驗結(jié)果。部分狀態(tài)轉(zhuǎn)移概率參數(shù)見表2；其余狀態(tài)之間的轉(zhuǎn)移概率由表2中參數(shù)推算獲得。

目標(biāo)行人真的是行人的概率和不是行人的概率之間的似然比就是目標(biāo)行人的置信度

式中:Ti表示部位檢測識別器分類閾值。部位識別器的弱分類器正樣本權(quán)重之和表示為

式中:弱分類識別器具體數(shù)量的多少用Mj表示，部位i的具體響應(yīng)值到?jīng)Q策面的邊界用Fi(Xi)表示。下面的公式可以得出最終識別模型的輸出數(shù)值為

式(4)指人體部位識別的后驗概率，式(5)指未識別出的后驗概率，因此，對于目標(biāo)行人，其身體各個部位都可以被識別的可能性大小通過式(6)表示出

筆者為了彌補Haar特征在魯棒性上的缺陷，采取局部二元模式，進(jìn)行二值化操作，使得Haar特征得到二值化優(yōu)化(下文簡稱B-Haar特征)，并以此描述行人。該特征具備高速性、實時性等傳統(tǒng)優(yōu)點，并能良好地融合局部二元模式思想，使得傳統(tǒng)的Haar特征所具備的光照不變性特征得以保留。

2.3 雙層組合分類識別模型實現(xiàn)流程

2.2 貝葉斯決策的多部位綜合識別策略

在實驗教學(xué)中要想有效培養(yǎng)學(xué)生的創(chuàng)新思維，教師必須突出學(xué)生的主體地位，把以學(xué)生為本的教學(xué)理念融入到實驗教學(xué)中。在傳統(tǒng)的物理教學(xué)課堂中，教師大多不會讓學(xué)生動手操作，或自己演示、或多媒體演示、或只是口頭講解，只是將知識死板地灌輸給學(xué)生。這也許是教師處于安全考慮，畢竟做實驗會存在一定的風(fēng)險，但是對于學(xué)生來說，他們在學(xué)習(xí)實驗的時候，缺乏獨立思