張艷軍 鄧永生 田 甄

(重慶郵電大學(xué)自動化學(xué)院，中國 重慶400065)

0 引言

行人檢測是智能交通和駕駛輔助系統(tǒng)的重要組成部分?？焖贉?zhǔn)確的檢測行人可以輔助司機(jī)提高行車安全，或者為智能車輛實(shí)現(xiàn)安全駕駛和自主導(dǎo)航提供關(guān)鍵技術(shù)，因此，這個(gè)課題近年來備受關(guān)注。

基于視覺的行人檢測方法可以分為三大類：基于模板型、基于模型與基于學(xué)習(xí)型。基于模板型是以確定人體模板作為匹配初始條件，但人體的模板求解比較復(fù)雜；基于模型是采用建立好的模板在圖像上進(jìn)行匹配，從而完成車輛檢測，該算法容易受光線變化、行人的姿態(tài)變化的影響，并對模板依賴較大，而且行人的姿態(tài)太多，統(tǒng)一建模困難；基于學(xué)習(xí)型的方法是通過提取人體的各種特征，然后利用模式識別的方法進(jìn)行分類，其中基于梯度方向直方圖(Histogr am of Oriented Gradient,簡稱HOG)的特征描述行人的方法最為主流，但是提取的人體特征向量維數(shù)較大，使得計(jì)算量較大，嚴(yán)重影響了實(shí)時(shí)性，加上線性SVM作為弱分類器進(jìn)行級聯(lián)訓(xùn)練，雖然節(jié)省了時(shí)間，但需要在整個(gè)圖像區(qū)域匹配，影響了實(shí)時(shí)性與精確性。

針對以上的不足，本文引入了視覺注意機(jī)制，將模擬人類視覺注意機(jī)制的目標(biāo)檢測方法引入到行人檢測中。在傳統(tǒng)的注意模型[1]中加入形狀特征描述，提取顏色、亮度和形狀等特征[2]，將各個(gè)特征通過一定的特征合并策略將各注意圖合并成一張顯著圖，以定位出行人檢測區(qū)域。然后在行人檢測區(qū)域利用行人訓(xùn)練得到的分類器進(jìn)行檢測。

1 基于注意機(jī)制的檢測模型

人類視覺系統(tǒng)指導(dǎo)注意力分配的因素[3]有兩個(gè)：自底而上的注意和自上而下的注意。其中，自下而上的注意，也稱為數(shù)據(jù)驅(qū)動的注意選擇，是最具代表性的是基于特征整合理論的顯著性檢測模型。

該模型的基本思想是，輸入一幅圖像，通過線性濾波提取視覺特征中的亮度、顏色和方向三種特征，通過邊緣檢測得到的邊緣圖形成對應(yīng)的形狀注意圖，在多種尺度下通過高斯金字塔、中央周邊差和歸一化處理，形成相對應(yīng)的亮度特征圖、顏色特征圖和方向特征圖。這些特征圖先經(jīng)過特征內(nèi)部的競爭，形成顏色、亮度、方向的關(guān)注圖，然后通過特征之間合并生成最終的顯著圖，再經(jīng)過生物學(xué)中贏者取全WTA(Winners Take All)網(wǎng)絡(luò)，提取行人檢測區(qū)域。

自底向上的數(shù)據(jù)驅(qū)動模式采用的是Saliency Tool模型。設(shè)r、g、b分別對應(yīng)于輸入圖像的紅、綠、藍(lán)信道，于是可得灰度圖L=（r+g+b）/3，及高斯金字塔I（σ）。為了從強(qiáng)度中分離出色度信號，使用I來歸一化r、g、b信道。因?yàn)榱炼确浅５偷纳茸兓怯X察不到的，所以歸一化僅在灰度大于全圖最大的1/10位置上進(jìn)行，而其他位置的r、g、b值則被賦為0。

歸一化后建立4個(gè)寬調(diào)諧的顏色通道：紅色R=r-（g+b）/2，綠色G=g-（r+b）/2，藍(lán)色B=b-（g+r）/2和黃色Y=（g+r）/2-|r-g|/2-b，負(fù)值則置為0。進(jìn)一步根據(jù)這些顏色通道可建立4個(gè)高斯金字塔，可得具有方向選擇性的實(shí)Gabor金字塔O（σ，θ）。

考慮3種特征，亮度、顏色和朝向。若中央周邊差操作為Θ。

在人類視覺系統(tǒng)中，該特征是由對暗中央亮周邊或亮中央暗周邊敏感的神經(jīng)元來檢測的。神經(jīng)元在被一種顏色所激勵的同時(shí)，被另一種顏色所抑制，而在感受野的周邊則相反。在人類的視皮層中，共有4種空間和顏色秸抗，分別為紅/綠、綠/紅、藍(lán)/黃和黃/藍(lán)顏色對。

其中，N(·)為特征圖的歸一化算子；⊕為逐點(diǎn)求和。

關(guān)于朝向特征，用θ∈｛0°，45°，90°，135°｝這4個(gè)方向的Gabor濾波器對亮度圖進(jìn)行濾波，得到方向圖。

其中，O（c，θ）為實(shí)Gabor金字塔。

最后，將3種特征進(jìn)行合并，生成顯著圖，再根據(jù)WTA機(jī)制找到顯著圖中的興趣區(qū)域，映射回原圖，得到目標(biāo)區(qū)域。

2 基于HOG與SVM分類器相結(jié)合的行人檢測方法

方向梯度直方圖[4]（Histogram of Oriented Gradient,HOG）特征是一種在計(jì)算機(jī)視覺和圖像處理中用來進(jìn)行物體檢測的特征描述子。它通過計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。通過檢測窗口對整幅圖像的整體信息轉(zhuǎn)換為組向量數(shù)據(jù)集,即HOG特征向量，最后通過支持向量機(jī)(Support Vector Machine，SVM)判斷人與非人。

2.1 HOG特征計(jì)算

HOG特征的計(jì)算過程如下：

1）灰度化（將圖像看作一個(gè)x，y，z（灰度）的三維圖像）；

2）采用Gamma校正法[4]對輸入圖像進(jìn)行顏色空間的標(biāo)準(zhǔn)化（歸一化）；目的是調(diào)節(jié)圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪音的干擾；

筆者曾先后在2個(gè)班級進(jìn)行基于BOPPPS教學(xué)模式的課堂設(shè)計(jì)實(shí)踐，結(jié)果表明在講解藥物不良反應(yīng)章節(jié)時(shí)，應(yīng)用該模式能提高學(xué)生主動學(xué)習(xí)的積極性，教學(xué)效果有效提高。傳統(tǒng)教學(xué)模式以教師講授為主，學(xué)生被動接受課堂知識，照本宣科和死記硬背對提升學(xué)生的綜合能力無益。有研究顯示，BOPPPS教學(xué)法在調(diào)動學(xué)生主觀能動性、提高綜合分析能力及理論考試成績等方面均明顯優(yōu)于傳統(tǒng)教學(xué)法[6]。BOPPPS為臨床藥理學(xué)的課程教學(xué)提供了一種簡潔、有效的設(shè)計(jì)模式。但是在實(shí)踐中如何合理地運(yùn)用，需要教師不斷摸索和思考。

3）采用簡單的梯度算子下[-1,0,1]平方向Gh和垂直方向Gv的梯度值；

4）計(jì)算梯度方向θ（x，y）；

5）將圖像劃分成小cells（例如6*6像素/cell）；

6）統(tǒng)計(jì)每個(gè)cell的梯度直方圖（不同梯度的個(gè)數(shù)），即可形成每個(gè)cell的descriptor；

7）將每幾個(gè)cell組成一個(gè)block（例如3*3個(gè)cell/block），一個(gè)block內(nèi)所有cell的特征descriptor串聯(lián)起來便得到該block的HOG特征descriptor。

8）將圖像image內(nèi)的所有block的HOG特征descriptor串聯(lián)起來就可以得到該image（你要檢測的目標(biāo)）的HOG特征descriptor了。這個(gè)就是最終的可供分類使用的特征向量了。

2.2 SVM分類器

支持向量機(jī)將向量映射到一個(gè)高維的空間里,在這個(gè)空間里建立有一個(gè)最優(yōu)超平面。在分開數(shù)據(jù)的超平面的兩邊建有兩個(gè)互相平行的超平面。把待分類訓(xùn)練數(shù)據(jù)設(shè)為｛Xk，Yk｝其中取代表訓(xùn)練樣本HOG特征向量,Xk代表樣本種類(人用l，非人用-1)。首先通過函數(shù)將Xk映射到一個(gè)高維的空間里,然后用判斷函數(shù)尋求最優(yōu)超平而進(jìn)行分類。本文應(yīng)用臺灣大學(xué)林智仁副教授等開發(fā)設(shè)計(jì)的快速有效的SVM模式識別的軟件包。

其中，對于那些與人體樣本十分相似的非人樣本，在初始訓(xùn)練中，很難分辨，容易誤判，需要對其結(jié)果進(jìn)行再次訓(xùn)練，得到負(fù)樣本集。這樣可以提高檢測率。

3 實(shí)驗(yàn)結(jié)果與分析

為了對本文的算法進(jìn)行有效的評估，選取了三段校園里拍攝的視頻圖像，攝像頭在拍攝過程中存在一定程度的抖動，增加了檢測的難度，使得檢測結(jié)果更具有效性。從每段視頻中截取了20幀視頻圖像進(jìn)行了實(shí)驗(yàn)分析，檢測結(jié)果如圖1所示。

對上述實(shí)驗(yàn)結(jié)果分析可知，本文算法可以較好的完成行人檢測任務(wù)。

4 結(jié)束語

本文提出了一種基于視覺注意機(jī)制的交通標(biāo)志檢測方法。在傳統(tǒng)視覺注意機(jī)制模型提取顏色、亮度、朝向特征的基礎(chǔ)上，增加形狀特征，根據(jù)顯著程度找到感興趣區(qū)域。實(shí)驗(yàn)結(jié)果表明，該方法克服了由于顏色分割的不完善造成的形狀檢測失誤的缺點(diǎn)，在對各個(gè)特征之間相互獨(dú)立檢測的同時(shí)，又考慮亮度和朝向特征在檢測中所起的作用。注意機(jī)制在目標(biāo)與背景顏色相近時(shí)提取顯著圖的效果較差，并且本文方法整體的實(shí)時(shí)性較差。因此，今后將對這兩方面進(jìn)行改進(jìn)。

［1］馮松鶴,郎叢妍,須德.一種融合圖學(xué)習(xí)與區(qū)域顯著性分析的圖像檢索算法[J].電子學(xué)報(bào),2011(10).

［2］許言午,曹先彬,喬紅.行人檢測系統(tǒng)研究新進(jìn)展及關(guān)鍵技術(shù)展望[J].電子學(xué)報(bào),2008(05).

［3］田廣,戚飛虎.移動攝像機(jī)環(huán)境下基于特征變換和SVM的分級行人檢測算法[J].電子學(xué)報(bào),2008(05).

［4］杜友田,陳峰,徐文立,李永彬.基于視覺的人的運(yùn)動識別綜述[J].電子學(xué)報(bào),2007(01).