游 峰 李福樑 馮瓊瑩 張榮輝 裴玉龍 徐建閩

（1.華南理工大學(xué)土木與交通學(xué)院 廣州510640；2.新疆交通科學(xué)研究院 烏魯木齊830000；3.哈爾濱工業(yè)大學(xué)交通科學(xué)與工程學(xué)院 哈爾濱150090）

0 引 言

為有效地保護(hù)行人安全，及時(shí)警告駕駛員避免與行人碰撞，行人檢測(cè)技術(shù)已成為車輛主動(dòng)安全與汽車安全輔助駕駛技術(shù)的研究熱點(diǎn)。視頻檢測(cè)方法因成本低廉，靈活性好，有較強(qiáng)魯棒性，受到工程應(yīng)用和理論研究領(lǐng)域的廣泛關(guān)注［1］。

目前，基于視頻的行人檢測(cè)研究，大多采用P.Viola等［2］提出的基于 Harr－like特征的方法，該方法具備一定的實(shí)時(shí)性。但與人臉相比，行人模式具有更大的外觀差異，直接應(yīng)用于行人檢測(cè)的效果并不理想。A.Iketani［3］研究的行人檢測(cè)系統(tǒng)使用多個(gè)攝像機(jī)，采用立體成像技術(shù)，結(jié)合神經(jīng)網(wǎng)絡(luò)的方法確定行人在圖像中的位置及尺寸。R.Cutler等［4］提取行人圖像的差分圖像，建立運(yùn)動(dòng)行人的感興趣區(qū)域，采用時(shí)頻化方法分析圖像中的行人是否存在周期性的運(yùn)動(dòng)，實(shí)現(xiàn)行人的識(shí)別和跟蹤。Karaulova等［5］建立了人體運(yùn)動(dòng)學(xué)的分層模型，用于單目視頻序列中人體的跟蹤。V.Philomin等［6］應(yīng)用背景相減法提取行人的邊緣特征，用Procrustes法進(jìn)行行人的識(shí)別和跟蹤。Liang Zhao［7］利用自閉塞的輪廓線或身體局部的側(cè)面輪廓線對(duì)行人進(jìn)行跟蹤。O.Masoud等［8］利用動(dòng)態(tài)的矩形匹配建立行人模型，允許行人模型在圖像空間中重疊，解決可能出現(xiàn)行人重疊或遮擋問題。孫慶杰［9］利用側(cè)影的人體模型及其概率模型，提出了1種基于矩形擬合的人體檢測(cè)算法。鄭南寧等［10］通過Gabor濾波器提取圖像中行人的特征，利用訓(xùn)練得到的分類器將行人從圖像中分割出來(lái)。魏福祿等［11］將雷達(dá)與攝像機(jī)結(jié)合運(yùn)用，實(shí)現(xiàn)基于多源信息和融合方法的行人檢測(cè)。

上述多數(shù)基于機(jī)器學(xué)習(xí)的檢測(cè)方法具備較高的準(zhǔn)確度，但其算法復(fù)雜，實(shí)時(shí)性差。筆者在前人研究成果的基礎(chǔ)上，完善了Harr－like的行人特征庫(kù)，引入優(yōu)化更新權(quán)重的方法，改進(jìn)了傳統(tǒng)Adaboost算法，提出1種基于級(jí)聯(lián)分類器的行人檢測(cè)方法，實(shí)現(xiàn)對(duì)行人區(qū)域快速精確檢測(cè)。

1 基于Adaboost的行人檢測(cè)

1.1 Adaboost算法簡(jiǎn)介

Adaboost算法是1995年由Yoav Freund和Robert E.Schapire［11－12］提出的，算法是1個(gè)簡(jiǎn)單弱分類算法的提升過程，通過不斷的訓(xùn)練，提高數(shù)據(jù)的分類能力。根據(jù)每次訓(xùn)練樣本的分類是否正確，以及上1次的總體分類準(zhǔn)確率，來(lái)確定每個(gè)樣本的權(quán)值。并與每次訓(xùn)練所得到的弱分類器融合起來(lái)，形成最后的強(qiáng)分類器［13］。

1.2 矩形特征與積分圖

Haar－like特征定義為黑色矩形和白色矩形在圖像子窗口中對(duì)應(yīng)區(qū)域的灰度級(jí)總和之差。筆者在前人研究工作的基礎(chǔ)上，構(gòu)建出9類矩形特征，見圖1。這些特征反映了人體形狀的全局特性和局部特性，更能凸顯行人的外觀差異特性。

圖1 Harr－like特征示意圖Fig.1 Viola Jones＇s Harr－like features

為加快Harr－like特征的運(yùn)算，采用積分圖運(yùn)算方法［15］。如圖2所示，積分圖像在1點(diǎn)的值為區(qū)域A的灰度級(jí)總和，簡(jiǎn)記為A；2，3，4點(diǎn)的對(duì)應(yīng)值分別為A＋B，A＋C，A＋B＋C＋D。分析幾何特征可知，由1，2，3，4點(diǎn)圍成的矩形區(qū)域D的灰度級(jí)總和可以表示為1＋4－2－3。積分圖中坐標(biāo)點(diǎn)（x，y）處的值定義為原圖中左上角的像素值之和：式中：ii（x，y）為積分圖在（x，y）處的值；i（x′，y′）為原始圖像中對(duì)應(yīng)位置的像素值。ii（x，y）通過下式迭代計(jì)算

式中：s（x，y）為行的積分和，且s（x，－1）＝0，ii（－1，y）＝0。

圖2 積分圖計(jì)算Fig.2 Computing sum of pixels in a rectangular region using the integral image

2 Adaboost訓(xùn)練算法

為加快分類器訓(xùn)練過程，筆者改進(jìn)了Adaboost算法，該算法使每1個(gè)弱分類器對(duì)應(yīng)于1個(gè)特征，根據(jù)錯(cuò)誤率最小的原則選擇弱分類器，改進(jìn)Adaboost的算法描述如下，定義X表示樣本空間；Y為樣本類別標(biāo)識(shí)集合，此處限定Y＝｛1，0｝，分別對(duì)應(yīng)樣本的正和負(fù)。假定共有K個(gè)特征。

已知（x1，y1），（x2，y2），…，（xn，yn）構(gòu)成訓(xùn)練樣本集。其中：xi∈X，yi∈Y。假設(shè)樣本集中共有Np個(gè)正樣本；Nn個(gè)負(fù)樣本，Np＋Nn＝N。

2.1 初始化樣本權(quán)重

2.2 For t＝1，2，…，T （T為最大訓(xùn)練輪數(shù)）

1）歸一化樣本權(quán)重分布。

2）對(duì)于每個(gè)特征，在給定的樣本權(quán)重分布下訓(xùn)練弱分類器。

式中：vj為第j個(gè)特征的特征值；θj為閾值；pt∈｛－1，1｝為不等號(hào)的偏置方向，j＝1，2，…，K。

3）計(jì)算每個(gè)弱分類器對(duì)樣本集的分類錯(cuò)誤率。

4）選擇第t輪訓(xùn)練的最優(yōu)弱分類器ht（x）。

令k＝argminjet，j

則ht（x）＝ft，k（x），并且對(duì)樣本集的分類錯(cuò)誤率ξt＝et，k。

5）更新樣本權(quán)重。

若xi被ht正確分類則εt＝0，否則εt＝1。

2.3 最終強(qiáng)分類器

最終的強(qiáng)分類器由T個(gè)弱分類器線性疊加而成。

由改進(jìn)Adaboost算法的訓(xùn)練過程可知，構(gòu)建的簡(jiǎn)單分類器對(duì)分類正確的樣本減少其權(quán)重；否則，增加其權(quán)重。因此，離線訓(xùn)練的簡(jiǎn)單分類器可不斷強(qiáng)化對(duì)分類錯(cuò)誤樣本的訓(xùn)練。

3 實(shí)驗(yàn)結(jié)果及分析

系統(tǒng)采用Visual 2010和Intel OpenCV聯(lián)合開發(fā)而成，硬件配置為Intel i5 CPU＋4G DDR內(nèi)存。輸入系統(tǒng)的圖像分辨率為640像素×480像素，行人檢測(cè)頻率可達(dá)25幀／s以上。

3.1 行人訓(xùn)練樣本庫(kù)的建立與分類器的訓(xùn)練

訓(xùn)練樣本分為負(fù)樣本和正樣本。其中負(fù)樣本指其他不包含行人的任意圖像；正樣本是指包含待檢行人樣本圖像，部分負(fù)和正樣本分別見圖3、圖4。為提高系統(tǒng)的檢測(cè)速度，將正樣本尺寸縮放成16像素×32像素的圖像，負(fù)樣本尺寸縮放成640像素×480像素的圖像。實(shí)驗(yàn)使用的圖像部分源于INRIA Person訓(xùn)練樣本庫(kù)，另一部分由試驗(yàn)現(xiàn)場(chǎng)獲取。實(shí)驗(yàn)最終選擇訓(xùn)練樣本共3 947個(gè)，其中正樣本圖像926幅，負(fù)樣本圖像3 021幅。

圖3 訓(xùn)練負(fù)樣本Fig.3 Non－pedestrian samples

圖4 訓(xùn)練正樣本Fig.4 Some pedestrian samples

通過Intel OpenCV Library［16］提供的工具進(jìn)行訓(xùn)練。實(shí)驗(yàn)結(jié)果表明，當(dāng)訓(xùn)練循環(huán)次數(shù)T＝200時(shí)，構(gòu)成的強(qiáng)分類器可獲得較好的檢測(cè)效果。

3.2 級(jí)聯(lián)分類器算法的設(shè)計(jì)

為進(jìn)一步提高算法的實(shí)時(shí)性，筆者設(shè)計(jì)了級(jí)聯(lián)分類器，即被檢行人窗口依次通過每1級(jí)分類器，若全部通過每1級(jí)分類器檢測(cè)的區(qū)域即為行人區(qū)域，否則為非目標(biāo)區(qū)域。行人候選區(qū)域分割的級(jí)聯(lián)分類器結(jié)構(gòu)見圖5。

在級(jí)聯(lián)分類器中，每1級(jí)分類器均由改進(jìn)的Adaboost算法訓(xùn)練獲得的強(qiáng)分類器構(gòu)成。該級(jí)聯(lián)分類器離線訓(xùn)練時(shí)，為每級(jí)分類器設(shè)置通過的閾值（文中取99.5%），使得大多數(shù)行人樣本得以訓(xùn)練通過。

圖5 級(jí)聯(lián)分類器檢測(cè)過程的示意圖Fig.5 Scheme of cascade classifier

3.3 行人運(yùn)動(dòng)區(qū)域檢測(cè)

通過應(yīng)用行人目標(biāo)訓(xùn)練的級(jí)聯(lián)分類器，在圖像中尋找行人目標(biāo)，并用矩形區(qū)域表示行人區(qū)域。級(jí)聯(lián)分類器以不同比例的掃描窗口對(duì)圖像進(jìn)行遍歷，由于掃描窗口對(duì)尺寸和位置變化比較敏感，可能導(dǎo)致同一目標(biāo)在不同的掃描窗口中被檢測(cè)，從而造成行人目標(biāo)出現(xiàn)重疊區(qū)域。為此，采用平均矩形方法，如圖6所示，如果行人目標(biāo)矩形R1與行人目標(biāo)矩形R2相交，相交面積S（圖中灰色部分所示）。分別計(jì)算行人目標(biāo)矩形R1、R2，以及相交部分的面積S1，S2和S，根據(jù)下式計(jì)算其比值ξ1，ξ2。

當(dāng)ξ1，ξ2均大于0.7時(shí)，對(duì)2個(gè)檢測(cè)窗口的4個(gè)端點(diǎn)求平均值，最終合并為1個(gè)矩形，否則視為不同的行人目標(biāo)。將平均矩形法與其他方法進(jìn)行對(duì)比，如表1可知，平均矩形法對(duì)行人的檢測(cè)和誤檢都有較好改善。

表1 平均矩形法與其他方法的對(duì)比Tab.1 Comparison of average rectangle method with other methods %

圖6 平均窗口合并示意圖Fig.6 The average merger diagram window

實(shí)驗(yàn)表明，選擇對(duì)分類器檢測(cè)窗口進(jìn)行縮放更為有效。為檢測(cè)出各個(gè)尺度下的行人目標(biāo)，設(shè)置分類器檢測(cè)窗口的縮放比例系數(shù)為1.2倍。如圖7所示，通過使用離線訓(xùn)練的分類器對(duì)CCD采集圖像進(jìn)行實(shí)時(shí)搜索，實(shí)現(xiàn)圖像中行人目標(biāo)的在線檢測(cè)。

圖中矩形框?yàn)樾腥藱z測(cè)的結(jié)果。圖7（a）～（c）為1個(gè)行人的檢測(cè)，其中：圖（a）圖中存在斑馬線，圖（b）為雨天環(huán)境的復(fù)雜場(chǎng)景，圖（c）中行人膚色為黑色，在以上復(fù)雜場(chǎng)景情況下都能取得較好的行人檢測(cè)結(jié)果。圖7（d）～（f）為2個(gè)行人的檢測(cè)結(jié)果，其中圖7（d）中行人攜帶物體，圖7（e）和圖7（f）分別為行人背面和行人側(cè)面，上述情況均破壞行人的正面特征，但筆者所設(shè)計(jì)的分類器也能較好對(duì)行人進(jìn)行檢測(cè)。圖7（g）～（i）為多個(gè)行人的檢測(cè)結(jié)果，圖7（g）中行人位置相對(duì)分散，圖7（h）中人群中行人存在遮擋，圖7（i）中行人并排而行，均在較大程度上破壞了單個(gè)行人的特征，但文中所述算法仍有較好的檢測(cè)效果。對(duì)于圖7（i）由于其中2人間隔過小，導(dǎo)致漏檢，這與矩形特征的性能有關(guān)。

此外，筆者用PETS 2001測(cè)試集中的6個(gè)圖像序列和自拍的圖像序列來(lái)對(duì)比評(píng)測(cè)算法的性能（與viola等人提出的算法）。如表2所列，筆者所提出的行人檢測(cè)器的訓(xùn)練性能與viola算法相同，總檢出率為91.0%，總誤報(bào)率為1.84×10－6。

圖7 程序?qū)π腥藱z測(cè)結(jié)果Fig.7 Pedestrian detection results

表中圖像序列1～6分別對(duì)應(yīng)PETS 2001測(cè)試集中相應(yīng)視頻，即data／testing／camera1～6；圖像序列7，8對(duì)應(yīng)自拍視頻的圖像序列。應(yīng)用本文所述方法檢測(cè)大小為640像素×480像素的圖像，平均檢測(cè)時(shí)間約為115 ms。從表中數(shù)據(jù)可知，筆者設(shè)計(jì)的算法，行人檢測(cè)率高于Viola算法，且對(duì)誤報(bào)率也有較大改善。

表2 文中提出算法與viola方法的對(duì)比Tab.2 Comparison of the proposed algorithm with Viola’s

4 結(jié)束語(yǔ)

筆者采用Harr－like特征提取行人特征，使用積分圖快速計(jì)算矩形特征，提高了算法的效率。對(duì)傳統(tǒng)的Adaboost算法引入優(yōu)化更新權(quán)重的方法，提出1種基于級(jí)聯(lián)分類器的行人檢測(cè)方法，實(shí)現(xiàn)對(duì)行人區(qū)域快速精確檢測(cè)。實(shí)驗(yàn)表明，改進(jìn)的Adaboost算法比傳統(tǒng)算法在相同訓(xùn)練層數(shù)下識(shí)別率更高，在相同識(shí)別率下改進(jìn)算法所需的訓(xùn)練層數(shù)較少，更能適應(yīng)行人檢測(cè)的實(shí)時(shí)要求；對(duì)復(fù)雜交通環(huán)境有較強(qiáng)的魯棒性。但是，當(dāng)行人嚴(yán)重遮擋，或行人在圖像中所占像素過少，行人的檢測(cè)性能仍需進(jìn)一步完善，因此如何改進(jìn)訓(xùn)練權(quán)值的更新規(guī)則以及對(duì)行人典型特征的提取，將是下一步研究工作的重點(diǎn)。

［1］ 郭 烈，趙宗艷，聶 倩，等.利用腿部區(qū)域HOG特征的行人檢測(cè)方法［J］.計(jì)算機(jī)工程與應(yīng)用，2013，49（1）：217－221.

［2］ Viola P，Jones M，Snow D.Detecting pedestrians using pat－terns of motion and appearance［J］.Computer Vision，2005（2）：153－161.

［3］ Iketani A，Kuno A，Nagai Y.Real－time surveillance system detecting persons in complex scenes［J］.Real－time Imaging，2001，7（5）：433－446.

［4］ Cutler R，Davis L.Robust real－time periodic motion detection，analysis，and applications［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence.2000（1）：781－796.

［5］ Karaulova I，Hall P，Marshall A.A hierarchical model of dynamics for tracking people with a single video camera［C］∥Proceedings of the British Machine Vision Conference.Bristol，UK：BMVC，2000：11－14.

［6］ Philomin V，Duraiswami R，Davis L.Pedestrian tracking from a moving vehicle［C］∥11th Asian Conference on Computer Vision.Heidelberg，Germany：Springer Verlag，2002：335－346.

［7］ Zhao L.Dressed Human Modeling，Detection and Parts Localization［D］.Pittsburgh：The Robotics Institute，Carnegie Mellon University，2001.

［8］ Masoud O，Papanikolopoulos N.Robust pedestrian tracking using a model－based approach［C］∥IEEE Conference on Intelligent Transportation Systems.Piscataway，United States：IEEE，1997：338－343.

［9］ 孫慶杰.靜態(tài)圖像中人體檢測(cè)技術(shù)研究［D］.北京：中國(guó)科學(xué)院軟件研究所，2004.

［10］ Cheng H，Zheng N，Qin J.Pedestrian detection using sparse gabor filter and support vector machine［C］∥IEEE Intelligent Vehicles Symposium.Las.Vegas，United states：IEEE，2005：583－587.

［11］ 魏福祿，曲昭偉，江 晟，等.基于多源信息融合的行人檢測(cè)實(shí)時(shí)性方法研究［J］.交通信息與安全，2012（3）：43－47.

［12］ Ke Z，Al E.A Cache replacement policy to salvage discarded predictions from hardware prefetchers［J］.IEEE／ACM International Symposium on Cluster，2011（1）：265－274.

［13］ Jacobson N，F(xiàn)reund Y，Nguyen T.An online learning Approach to occlusion boundary detection［J］.IEEE Transactions on Image Processing，2012（1）：252－261.

［14］ Rakate G R E A.Advanced pedestrian detection system using combination of Haar－like features，Adaboost algorithm and edgelet－shapelet［C］∥3rd IEEE International Conference on Computational Intelligence and Computing Research.Coimbatore，India：IEEE Signal Process，2012：143－152.

［15］ 朱誼強(qiáng).基于Adaboost算法的實(shí)時(shí)行人檢測(cè)系統(tǒng)［J］.計(jì)算機(jī)測(cè)量與控制，2006，14（11）：1462－1465.

［16］ 劉遠(yuǎn)志，潘宏俠，趙潤(rùn)鵬.基于 OpenCV和 Adaboost算法的人臉檢測(cè)［J］.機(jī)械管理開發(fā)，2012（1）：185－186.