張志偉， 宓為建， 宓超， 何鑫

(1. 上海海事大學(xué) a. 物流工程學(xué)院， b. 集裝箱供應(yīng)鏈技術(shù)教育部工程研究中心， 上海 201306；2. 中國(guó)電子科技集團(tuán)公司第五十研究所， 上海 200333)

?

散貨作業(yè)區(qū)人形識(shí)別的二級(jí)分類(lèi)方法

張志偉1a， 宓為建1b， 宓超1b， 何鑫2

(1. 上海海事大學(xué) a. 物流工程學(xué)院， b. 集裝箱供應(yīng)鏈技術(shù)教育部工程研究中心， 上海 201306；2. 中國(guó)電子科技集團(tuán)公司第五十研究所， 上海 200333)

鑒于目前散貨碼頭運(yùn)用智能視頻監(jiān)控系統(tǒng)時(shí)，由于不同方向人形的方向梯度直方圖(Histogram of Oriented Gradient, HOG)特征存在較大的變化，使得用傳統(tǒng)方法訓(xùn)練獲得的少量特異性特征不足以支撐人形的有效分類(lèi)，因此提出一種基于AdaBoost的針對(duì)不同姿勢(shì)HOG特征的二級(jí)分類(lèi)方法.首先將樣本快速分為正(背)面人形和側(cè)面人形，組成第一級(jí)分類(lèi)；然后通過(guò)分別為兩類(lèi)樣本訓(xùn)練子分類(lèi)器組成第二級(jí)分類(lèi)；第二級(jí)分類(lèi)對(duì)人形進(jìn)行識(shí)別，并對(duì)結(jié)果進(jìn)行融合.以天津港干散貨碼頭無(wú)人作業(yè)區(qū)為背景，完成一組人形識(shí)別實(shí)驗(yàn).實(shí)驗(yàn)結(jié)果表明，相較于傳統(tǒng)方法，該方法對(duì)正(背)面人形具有更高的識(shí)別率.二級(jí)分類(lèi)方法整體上提高了人形識(shí)別的識(shí)別率.

散貨碼頭； 人形識(shí)別； 方向梯度直方圖(HOG)； AdaBoost

0 引 言

目前，針對(duì)散貨碼頭露天裝卸作業(yè)的安全要求，國(guó)內(nèi)現(xiàn)有多數(shù)港口的視頻監(jiān)控系統(tǒng)多采用專(zhuān)人看守，這種方式極易使人疲勞且工作效率低、出錯(cuò)率高.[1]另外，港口設(shè)備作業(yè)時(shí)危險(xiǎn)系數(shù)高，意外事故極大地威脅著入侵者的生命和港口生產(chǎn)安全.因此，絕大多數(shù)企業(yè)管理者希望視頻監(jiān)控系統(tǒng)能智能地識(shí)別人形并對(duì)意外事故自主作出響應(yīng).[2-3]

然而，除有效地找到人形的問(wèn)題，在散貨碼頭實(shí)際作業(yè)中，粉塵排放嚴(yán)重，干擾了人形圖像.雖然傳統(tǒng)方法在提取方向梯度直方圖(Histogram of Oriented Gradient,HOG)特征過(guò)程中會(huì)對(duì)圖像進(jìn)行去噪處理，但由于其混合訓(xùn)練不同方向人形特征使得人形特征特異性稀少而難以應(yīng)用.因此，港口散貨碼頭智能視頻監(jiān)控系統(tǒng)需要豐富人形的特異性特征以提高檢測(cè)精度.

總結(jié)前人研究成果，檢測(cè)過(guò)程主要包括兩部分：特征提取和分類(lèi)器設(shè)計(jì).2005年，DALAL等[4]開(kāi)拓性地采用HOG描述人形特征.該特征對(duì)幾何和光學(xué)形變能夠保持較好的不變性并且可以忽略人形一些細(xì)微的肢體動(dòng)作.然而，因其過(guò)分顧及圖像所有特征致使檢測(cè)效率低、分類(lèi)器柔性差.為此，研究者們對(duì)特征進(jìn)行改進(jìn)，但均未提高檢測(cè)效率.[5-6]HOG特征作為一種人形分類(lèi)的標(biāo)準(zhǔn)特征，其本質(zhì)是基于邊緣和形狀對(duì)邊緣方向的一種模糊化，因而最終獲得的人形特異性HOG特征數(shù)量很少.

人形識(shí)別的第二步是分類(lèi)器設(shè)計(jì).目前廣泛使用的分類(lèi)方法有AdaBoost(Adaptive Boosting)級(jí)聯(lián)分類(lèi)器和支持向量機(jī)(Support Vector Machine,SVM)分類(lèi)器.[7]SVM是基于VC維原理和結(jié)構(gòu)風(fēng)險(xiǎn)最小化的統(tǒng)計(jì)學(xué)習(xí)理論的機(jī)器學(xué)習(xí)方法.[8-10]它通過(guò)訓(xùn)練樣本庫(kù)能夠自適應(yīng)地發(fā)現(xiàn)所有支持向量中具有明顯劃分效果的部分，并最大化不同類(lèi)特征到分類(lèi)超平面的距離.雖然SVM分類(lèi)準(zhǔn)確率高，但分類(lèi)時(shí)間過(guò)長(zhǎng).AdaBoost級(jí)聯(lián)分類(lèi)器能夠根據(jù)識(shí)別率要求提取不同數(shù)量的弱分類(lèi)器形成強(qiáng)分類(lèi)器，最后將復(fù)雜程序不同的強(qiáng)分類(lèi)器組合在一起.[11-12]若樣本數(shù)量趨于無(wú)窮，該方法理論上能將人形識(shí)別的分類(lèi)性能指數(shù)趨近于最大化.AdaBoost僅挑選重要特征訓(xùn)練弱分類(lèi)器，因此檢測(cè)速度大大提高，但識(shí)別率不及SVM.[13]

本文的主要工作是，選擇AdaBoost級(jí)聯(lián)分類(lèi)器取代原有的SVM分類(lèi)器，并提出一種二級(jí)分類(lèi)方法以提高人形識(shí)別的檢測(cè)精度.由于HOG特征本質(zhì)上是對(duì)目標(biāo)的邊緣方向特征的描述，對(duì)于不同姿勢(shì)的人形，HOG特征會(huì)產(chǎn)生很大的扭曲變異：正(背)面的人形樣本有效面積較大，并有豐富的輪廓特征，易于分類(lèi)；側(cè)面人形姿勢(shì)復(fù)雜多變，特異性少.傳統(tǒng)方法訓(xùn)練分類(lèi)器時(shí)，混合姿勢(shì)樣本的直接使用會(huì)使分類(lèi)特征之間產(chǎn)生沖突，只能獲取少量的特異性特征支持分類(lèi)，致使效果不理想.因此，在用本方法訓(xùn)練分類(lèi)器之前，首先將待檢圖片樣本分為兩類(lèi)：正(背)面和側(cè)面的人形樣本.在分別對(duì)兩類(lèi)樣本訓(xùn)練AdaBoost子分類(lèi)器后，根據(jù)預(yù)處理圖片的對(duì)應(yīng)姿勢(shì)，進(jìn)行第二次分類(lèi)：人或非人.最后，將檢測(cè)結(jié)果融合.

1 人形識(shí)別的HOG特征

本文使用優(yōu)化的HOG特征表征人形特征，與其他特征描述子相比，HOG描述子有很多優(yōu)勢(shì)：(1)對(duì)邊緣的結(jié)構(gòu)特征的表達(dá)在很大程度上能夠描繪出人形的局部形狀信息和輪廓特征；(2)位置和方向在空間上的量化在一定程度上可以減少平移和旋轉(zhuǎn)的影響；(3)在局部方格單元上進(jìn)行操作，對(duì)圖像的幾何和光學(xué)形變都能保持很好的不變性.[6,14]

HOG特征的主要思想是通過(guò)計(jì)算圖像局部梯度方向的統(tǒng)計(jì)數(shù)據(jù)獲得樣本特征.提取HOG特征的具體步驟如下.

步驟1 顏色空間標(biāo)準(zhǔn)化.由于露天裝卸作業(yè)的環(huán)境復(fù)雜、光照強(qiáng)烈，需要對(duì)樣本圖像進(jìn)行顏色空間的歸一化以抑制圖像噪聲.這里采用平方根壓縮 Gamma 校正.

(1)

θ(x,y)=arctan(Gx/Gy)

(2)

步驟3 空間和方向上的梯度統(tǒng)計(jì).以16×16像素點(diǎn)大小的塊(block)對(duì)整幅圖像進(jìn)行掃描，每個(gè)block分為4個(gè)cell.將[0°,180°]的梯度方向分為9個(gè)bin.利用三線(xiàn)性插值法[15]將每個(gè)cell中的像素點(diǎn)梯度方向加權(quán)投票到9個(gè)bin中，從而提取出block的36維HOG特征向量.

步驟4 對(duì)比度歸一化.為降低背景光照、邊緣突變等的影響，使用 L2-norm函數(shù)對(duì)block的 HOG 特征向量進(jìn)行歸一化.

步驟5 檢測(cè)窗口HOG特征提取.將全部105個(gè)block得到的36維特征向量組成檢測(cè)窗口3 780(=36×105)維的特征向量.至此計(jì)算完畢，得到如圖1所示的HOG特征向量圖.

圖1 人形的HOG特征向量圖

2 人形識(shí)別的二級(jí)分類(lèi)器

在人形檢測(cè)上一般使用單分類(lèi)器進(jìn)行人形特征分類(lèi).目前使用最為廣泛的兩個(gè)分類(lèi)器是SVM分類(lèi)器和AdaBoost級(jí)聯(lián)分類(lèi)器.用傳統(tǒng)的SVM分類(lèi)器分類(lèi)HOG特征向量，檢測(cè)速度相對(duì)較低.JIA等[15]提出一種自適應(yīng)AdaBoost級(jí)聯(lián)分類(lèi)器分類(lèi)HOG特征向量以提高檢測(cè)效率，然而其檢出率低于傳統(tǒng)SVM分類(lèi)器.因此，需要提出一種新型分類(lèi)方法在保證分類(lèi)效率的基礎(chǔ)上提升分類(lèi)精度.

圖2 二級(jí)分類(lèi)器分類(lèi)流程

在視頻監(jiān)控中，復(fù)雜的人形姿態(tài)和港口露天裝卸背景導(dǎo)致檢測(cè)效果不理想.此時(shí)，單分類(lèi)器很難對(duì)所有姿態(tài)給出明確的界定標(biāo)準(zhǔn)，算法收斂困難.本文利用AdaBoost分類(lèi)算法思想，改進(jìn)傳統(tǒng)分類(lèi)模式，變單一分類(lèi)器為二級(jí)分類(lèi)器.二級(jí)分類(lèi)器分類(lèi)流程見(jiàn)圖2.首先通過(guò)第一級(jí)分類(lèi)器將樣本預(yù)分類(lèi)為正(背)面和側(cè)面樣本.由于實(shí)驗(yàn)樣本存在非人的可能，此處僅可分類(lèi)為疑似正(背)面和側(cè)面人形.預(yù)處理之后，第二級(jí)分類(lèi)通過(guò)將第一級(jí)分類(lèi)后的樣本分別放入兩個(gè)子分類(lèi)器中進(jìn)行人形識(shí)別，判斷是否為人.最后，因?yàn)橥荒繕?biāo)在不同尺度檢測(cè)中會(huì)出現(xiàn)多個(gè)矩形框重疊的情況，所以將正(背)面與側(cè)面人形的檢測(cè)結(jié)果進(jìn)行融合得到最終結(jié)果.正(背)面和側(cè)面人形樣本見(jiàn)圖3.具體訓(xùn)練流程如下.

圖3 正(背)面和側(cè)面人形樣本

2.1 基于決策樹(shù)的弱分類(lèi)器訓(xùn)練

圖4 決策樹(shù)

如圖4所示，決策樹(shù)由3部分構(gòu)成：根節(jié)點(diǎn)、分支和葉節(jié)點(diǎn).每個(gè)內(nèi)部節(jié)點(diǎn)表示一個(gè)查詢(xún)，節(jié)點(diǎn)的每個(gè)分支代表一個(gè)測(cè)試結(jié)果.樹(shù)中每個(gè)父節(jié)點(diǎn)表示用于樣本劃分的特征閾值，而子節(jié)點(diǎn)分類(lèi)訓(xùn)練所需的樣本就是通過(guò)這個(gè)閾值劃分出來(lái)的.具體訓(xùn)練步驟如下：

步驟1 閾值的計(jì)算需要考慮每個(gè)樣本特征，盡量保證當(dāng)前樣本的分類(lèi)誤差最低.首先，將所有樣本的維度特征值由小到大排序，然后遍歷所有樣本，找到可以將分類(lèi)誤差最小化的最優(yōu)閾值θ.也就是說(shuō)，由該閾值進(jìn)行樣本分類(lèi)，最終得到的誤檢率小于其他任何鄰近樣本的閾值.計(jì)算所有3 780維特征的閾值，找到其中最小值所在的特征維度，記為第k維，其對(duì)應(yīng)的分類(lèi)誤差被稱(chēng)為最小分類(lèi)誤差.由最小誤差建立樹(shù)節(jié)點(diǎn)1，根據(jù)對(duì)應(yīng)的特征閾值將樣本分為類(lèi)2和類(lèi)3，然后計(jì)算類(lèi)2和類(lèi)3中正負(fù)樣本的權(quán)重，取較小值記為節(jié)點(diǎn)1的實(shí)際分類(lèi)誤差.

步驟2 重復(fù)步驟1，分別計(jì)算葉節(jié)點(diǎn)2和3繼續(xù)分類(lèi)所對(duì)應(yīng)的最小分類(lèi)誤差e2和e3.

步驟3 在節(jié)點(diǎn)2和3中選擇一個(gè)作為葉節(jié)點(diǎn)繼續(xù)分類(lèi)，選擇的依據(jù)是使后繼節(jié)點(diǎn)的數(shù)據(jù)盡可能降低分類(lèi)錯(cuò)誤率，計(jì)算公式為

Δθ=max{θ1-e2,θ1-e3}

(3)

步驟4 重復(fù)步驟1～3，如果要使所有葉節(jié)點(diǎn)最終都達(dá)到分類(lèi)錯(cuò)誤率為0，可能會(huì)出現(xiàn)決策樹(shù)的“過(guò)擬合”現(xiàn)象.本文將迭代步長(zhǎng)設(shè)為4.

2.2 強(qiáng)分類(lèi)器級(jí)聯(lián)

強(qiáng)分類(lèi)器是通過(guò)將同一樣本集訓(xùn)練出的弱分類(lèi)器以某種規(guī)則進(jìn)行組合得到的.在圖片檢測(cè)時(shí)，它通過(guò)對(duì)檢測(cè)窗口內(nèi)的弱分類(lèi)器加權(quán)投票得到加權(quán)和，作為最終分類(lèi)結(jié)果的判斷依據(jù).

訓(xùn)練決策樹(shù)后得到4個(gè)弱分類(lèi)器ht.由式(4)可以求出每個(gè)節(jié)點(diǎn)對(duì)應(yīng)的權(quán)重αt，其與樣本分類(lèi)正確率成正比.

αt=(Tt-Ft)/(Tt+Ft)

(4)

式中：Tt和Ft分別表示正、負(fù)樣本的分類(lèi)正確率.所有樣本分類(lèi)正確則相應(yīng)權(quán)重為1.

(5)

樣本權(quán)重更新規(guī)則見(jiàn)表1. 從表1可知，若樣本分類(lèi)正確則權(quán)重變小，反之權(quán)重變大.

表1 樣本權(quán)重更新規(guī)則描述

經(jīng)過(guò)最大次數(shù)的迭代后，通過(guò)學(xué)習(xí)可以得到所有的弱分類(lèi)器及相應(yīng)的權(quán)重系數(shù)αt.若經(jīng)過(guò)加權(quán)得到的最終值大于0，則檢測(cè)結(jié)果為人.

雖然AdaBoost訓(xùn)練的強(qiáng)分類(lèi)器誤檢率小，但其檢測(cè)率也同樣不高.訓(xùn)練級(jí)聯(lián)分類(lèi)器需要考慮兩個(gè)方面：一是每個(gè)強(qiáng)分類(lèi)器中弱分類(lèi)器數(shù)與分類(lèi)效率的平衡；二是強(qiáng)分類(lèi)器的識(shí)別率與誤檢率的平衡.[16]

2.3 最終分類(lèi)器訓(xùn)練

步驟1 表2為訓(xùn)練樣本庫(kù)，全部樣本都采樣自實(shí)際作業(yè)區(qū)域且在數(shù)量上足以支撐訓(xùn)練過(guò)程.因?yàn)闃颖镜倪x取對(duì)最終分類(lèi)器的分類(lèi)效果有很大影響，所以通過(guò)采集不同角度和姿勢(shì)的樣本提高樣本庫(kù)的普遍性.

步驟2 計(jì)算所有樣本的特征向量.

步驟3 限定每級(jí)分類(lèi)器的最大誤檢率和最小識(shí)別率.按照流程(1)和(2)訓(xùn)練弱分類(lèi)器.

步驟4 重復(fù)步驟1和3直到所有3個(gè)分類(lèi)器訓(xùn)練完成.

表2 訓(xùn)練樣本庫(kù)

2.4 檢測(cè)結(jié)果融合

針對(duì)檢測(cè)中多個(gè)矩形框重疊的情況，摒棄從多重疊結(jié)果中選擇最優(yōu)解的非極大值抑制法[17]，而使用不相交集聚類(lèi)同類(lèi)元素從而對(duì)結(jié)果進(jìn)行融合.

3 實(shí)驗(yàn)結(jié)果和分析

在調(diào)研期間，該系統(tǒng)已經(jīng)在天津港散貨碼頭的裝卸作業(yè)區(qū)完成數(shù)個(gè)現(xiàn)場(chǎng)測(cè)試.由圖5所示，現(xiàn)場(chǎng)測(cè)試的視頻表明系統(tǒng)檢測(cè)結(jié)果滿(mǎn)足人形識(shí)別要求.

圖5 散貨碼頭現(xiàn)場(chǎng)試驗(yàn)結(jié)果

經(jīng)過(guò)為期三個(gè)月的散貨碼頭實(shí)驗(yàn)，獲得大量現(xiàn)場(chǎng)視頻數(shù)據(jù)并挑選富有代表性的圖像，構(gòu)建3個(gè)不同類(lèi)型的樣本庫(kù).這3個(gè)樣本庫(kù)主要特征見(jiàn)表3.樣本庫(kù)1和2分別為正(背)面和側(cè)面的人形樣本，而樣本庫(kù)3中包含不同姿勢(shì)的多個(gè)人形，包括正(背)面、側(cè)面、傾斜以及旋轉(zhuǎn)人形等.由于采樣基于裝卸作業(yè)現(xiàn)場(chǎng)，所有測(cè)試圖像的環(huán)境背景都非常復(fù)雜.

表3 實(shí)驗(yàn)樣本庫(kù)

實(shí)驗(yàn)結(jié)果見(jiàn)表4.從表4可知，二級(jí)分類(lèi)器方法誤檢率更低.如表4所示，在誤檢率上，二級(jí)分類(lèi)器對(duì)正(背)面人形的誤檢率僅為1.99%，較之傳統(tǒng)SVM分類(lèi)器的3.35%和AdaBoost分類(lèi)器的3.09%降低很多.二級(jí)分類(lèi)器對(duì)側(cè)面或多種姿勢(shì)人形的誤檢率也略低于傳統(tǒng)的SVM算法，遠(yuǎn)低于AdaBoost分類(lèi)器.在識(shí)別率方面，二級(jí)分類(lèi)器對(duì)側(cè)面人形的識(shí)別率與傳統(tǒng)算法基本持平，但對(duì)正(背)面人形的識(shí)別率高達(dá)98.01%，均高于傳統(tǒng)SVM和AdaBoost分類(lèi)器的識(shí)別率.在對(duì)多種姿勢(shì)的人形識(shí)別上，二級(jí)分類(lèi)器能夠達(dá)到近96%的識(shí)別率.

表4 實(shí)驗(yàn)結(jié)果

由于正面人形具有更加明顯的易識(shí)別特征，傳統(tǒng)的單分類(lèi)器只能采取混合人形姿勢(shì)特征訓(xùn)練，導(dǎo)致正面特征的識(shí)別率大大降低.本文提出的二級(jí)分類(lèi)器對(duì)正(背)面人形的低誤檢率和高識(shí)別率正是由于二級(jí)分類(lèi)器能夠?qū)⒄?背)面人形與側(cè)面人形分開(kāi)訓(xùn)練，顯著強(qiáng)化了正面人形特征的特異性.雖然由于側(cè)面人形特征的復(fù)雜性，其在識(shí)別率上的提升較為微弱，但正(背)面人形誤檢率的大大降低以及識(shí)別率的提高使其在總體性能上優(yōu)于傳統(tǒng)SVM和AdaBoost分類(lèi)器.

綜上，本文提出的二級(jí)分類(lèi)器能彌補(bǔ)單分類(lèi)器的缺點(diǎn).新方法能夠在檢測(cè)正(背)面、側(cè)面以及多種姿勢(shì)等多個(gè)樣本時(shí)分別達(dá)到98.01%，92.88%和95.96%的識(shí)別率.檢測(cè)效果比單一AdaBoost分類(lèi)器有很大的改善，在整體上也優(yōu)于傳統(tǒng)的SVM分類(lèi)器.

5 結(jié) 論

針對(duì)傳統(tǒng)HOG特征的分類(lèi)問(wèn)題，提出一種新的二級(jí)分類(lèi)方法.選擇AdaBoost級(jí)聯(lián)分類(lèi)器替代傳統(tǒng)的SVM分類(lèi)器，摒棄對(duì)許多負(fù)樣本的復(fù)雜檢測(cè)來(lái)提高分類(lèi)效率.在第一級(jí)分類(lèi)中，訓(xùn)練AdaBoost級(jí)聯(lián)分類(lèi)器用于檢測(cè)疑似正(背)面或側(cè)面人形的圖像.然后在第二級(jí)分類(lèi)中，訓(xùn)練兩個(gè)子分類(lèi)器分別確定是否存在正(背)面和側(cè)面的人形圖像.檢測(cè)結(jié)果使用不相交集進(jìn)行融合.

天津港散貨碼頭裝卸作業(yè)區(qū)現(xiàn)場(chǎng)實(shí)驗(yàn)結(jié)果表明，傳統(tǒng)的單一AdaBoost算法在正(背)面、側(cè)面以及多種姿勢(shì)的人形樣本檢測(cè)上存在很大的限制，缺乏對(duì)人形姿勢(shì)的適應(yīng)能力.雖然傳統(tǒng)SVM檢測(cè)算法的識(shí)別率達(dá)到95%，但檢測(cè)時(shí)間過(guò)長(zhǎng)，不能滿(mǎn)足港口對(duì)實(shí)時(shí)性的要求.新方法相對(duì)于單一AdaBoost分類(lèi)器有很大的改進(jìn)，并且該方法在誤檢率僅3%的情況下對(duì)混合樣本達(dá)到95%的高識(shí)別率.總之，提出的二級(jí)分類(lèi)方法能提高對(duì)正(背)面人形的識(shí)別率，從而在整體上提高人形識(shí)別率.

[1]MI Chao, HUANG Youfang, LIU Haiwei,etal. Study on an intelligent human detection system for unmanned area security in ports[J]. J Appl Sci, 2013, 13(16): 3221-3226.

[2]ZHANG S, CHAN S C, QIU R D,etal. On the design and implementation of a high definition multi-view intelligent video surveillance system[C]//2012 IEEE Int Conf Signal Processing, Communication and Computing (ICSPCC), 12-15 Aug, 2012: 353-357.

[3]宓為建, 何鑫, 沈陽(yáng), 等. 基于智能人形識(shí)別的港口無(wú)人區(qū)監(jiān)控系統(tǒng)關(guān)鍵技術(shù)[J]. 上海海事大學(xué)學(xué)報(bào), 2015, 36(1): 65-69.

[4]DALAL N, TRIGGS B. Histograms of oriented gradients for human detection[C]//IEEE Computer Society. Proc 2005 Conf Computer Vision and Pattern Recognition, SanDiego, CA, USA, 25 June, 2005: 886-893.

[5]MI C, HE X, LIU H W,etal. Research on a fast human-detection algorithm for unmanned surveillance area in bulk ports[J]. Math Problems Eng, 2014. DOI:10.1155/2014/386764.

[6]PANG Y W, YUAN Y A, LI X L,etal. Efficient HOG human detection[J]. Signal Processing, 2010, 91(4): 773-781.

[7]ISHII N, MORIOKA Y, SUYAMA S,etal. Classification by rough set reducts, AdaBoost and SVM[C]//IEEE ACIS Int Conf Proc Software Eng Artificial Intelligence Networking and Parallel/Distributed Computing(SNPD), London, 2010: 63-68.

[8]TAN Y, WANG J. A support vector machine with a hybrid kernel and minimal Vapnik-Chervonenkis dimension[C]//IEEE Computer Society Knowledge and Data Eng, 2004: 385-395.

[9]QIU X T, FU D M, YANG T. A novel approach to optimize the objective function based on VC dimension and structural risk minimization[C]//IEEE Proc 30th Chinese Control Conf (CCC), Yantai, China, 2011: 3226-3230.

[10]CORTES C, VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20(3): 273-297.

[11]邵梟虎. 基于AdaBoost與顯著信息的行人檢測(cè)算法[D]. 成都: 電子科技大學(xué), 2012.

[12]MARCO P, JORDI G, BHASKAR C,etal. Boosting histograms of oriented gradients for human detection[C]//2nd Conf Comput Vision: Adv Res & Dev, 2007: 1-6.

[13]YU J. The application of BP-AdaBoost strong classifier to acquire knowledge of student creativity[C]//IEEE Int Conf Comput Sci & Service Syst (CSSS), 2011: 2669-2672.

[14]ZHANG M, SUN Z, TAN T. Deformed iris recognition using bandpass geometric features and lowpass ordinal features[C]//Int Conf Biometrics, 2013: 1-6.

[15]JIA H X, ZHANG Y J. Fast human detection by boosting histograms of oriented gradients[C]//IEEE 4th Int Conf Image & Graphics, 2007: 683-688.

[16]CHENG W C, JHAN D M. A cascade classifier using AdaBoost algorithm and support vector machine for pedestrian detection[J]. IEEE Int Conf Systems Man & Cybernetics, 2011, 42(1): 1430-1435.

[17]ZAYTSEVA E, VITRIA J. A search based approach to non-maximum suppression in face detection[C]//IEEE 19th Int Conf Image Processing (ICIP), 2012: 1469-1472.

(編輯 趙勉)

Two-stage classification approach for human body recognition in bulk handling area

ZHANG Zhiwei1a, MI Weijian1b, MI Chao1b, HE Xin2

(1. a. Logistics Engineering College, b. Engineering Research Center of Container Supply Chain Technology,Ministry of Education, Shanghai Maritime Univ., Shanghai 201306, China; 2. The 50th Research Institute of China Electronics Technology Group Corporation, Shanghai 200333, China)

At present, the intelligent video monitoring system is used in bulk terminals. However, Histogram of Oriented Gradient (HOG) features of human body in different directions show great difference, so that a small number of specific features obtained by the traditional method is insufficient to support effective classification of human body. Therefore, a kind of two-stage classification method based on AdaBoost is proposed for different HOG features of different human postures. Firstly, the samples are rapidly divided into the Front & Back (F&B) human body and the side (not F&B) human body to form the first-stage classification. Then, the sub-classifiers are respectively trained for the two types of samples to form the second-stage classification, where the human body and the non-human body are recognized respectively and the results are merged. Taking the unmanned area in the bulk terminal of Tianjin Port as the background, a group of human body recognition experiments is carried out. The experimental results show that, compared with the traditional method, this method is of higher recognition rate for F&B human body. The two-stage classification method improves the recognition rate of human body overall.

bulk terminal; human body recognition; Histogram of Oriented Gradient (HOG); AdaBoost

10.13340/j.jsmu.2015.03.014

1672-9498(2015)03-0082-05

2015-02-05

2015-06-03

上海市科學(xué)技術(shù)委員會(huì)部分地方院校能力建設(shè)專(zhuān)項(xiàng)計(jì)劃(13510501800)；上海青年科技英才揚(yáng)帆計(jì)劃(15YF1404900)；上海市教育委員會(huì)科研創(chuàng)新項(xiàng)目(14ZZ140)；上海海事大學(xué)研究生創(chuàng)新基金(2014ycx040)

張志偉(1992—)，男，安徽合肥人，碩士研究生，研究方向?yàn)楦劭跈C(jī)械電子，(E-mail)hitomi_black@163.com； 宓為建(1956—)，男，浙江海寧人，教授，博導(dǎo)，博士，研究方向?yàn)楦劭跈C(jī)械電子，(E-mail)miweij@126.com

U698.5; TP391.41

A