譚飛剛 劉偉銘

（華南理工大學(xué) 土木與交通工程學(xué)院， 廣東 廣州516040）

行人是交通系統(tǒng)中的主要參與者，也是交通事故中的主要受害者，如何利用現(xiàn)代科學(xué)技術(shù)來(lái)保護(hù)行人的生命安全變得越來(lái)越迫切［1-2］.行人檢測(cè)作為智能交通控制系統(tǒng)、先進(jìn)的輔助駕駛（ADAS）、姿態(tài)估計(jì)等相關(guān)應(yīng)用的基礎(chǔ)也受到廣泛的關(guān)注［3］.雖然ADAS 作為汽車安全的一個(gè)重要組成部分受到廣泛的關(guān)注，并且取得了很多重要成果，但仍然面臨著許多挑戰(zhàn)［4］：形態(tài)各異的外貌特征，復(fù)雜多樣的背景環(huán)境，行人與攝像機(jī)之間動(dòng)態(tài)變化的場(chǎng)景，系統(tǒng)實(shí)時(shí)性與穩(wěn)定性的嚴(yán)格要求等.例如ADAS 需要準(zhǔn)確地檢測(cè)出車前行人并能及時(shí)提醒司機(jī)或采取相應(yīng)措施（如剎車等）來(lái)避免人車之間發(fā)生沖突.

ADAS 不僅要求能夠快速檢測(cè)出行人為司機(jī)提供反應(yīng)時(shí)間，而且要求檢測(cè)準(zhǔn)確度高，盡量減少誤報(bào)率，因此研究者通過(guò)尋找更好的行人描述子或者高效的檢測(cè)算法來(lái)提高行人檢測(cè)的魯棒性與實(shí)時(shí)性.Wu 等［5］利用Edgelet 特征來(lái)檢測(cè)靜態(tài)圖像中的行人.Dalal 等［6］提出的梯度方向直方圖（HOG）特征因?qū)庹兆兓托×科撇幻舾校夷芎芎玫孛枋鲂腥说倪吘壭畔⒍艿皆S多學(xué)者的關(guān)注［7-9］.Lazebnik 等［10］提出的金字塔梯度方向直方圖（PHOG）特征有效地提升了HOG 特征的提取速度.Ojala 等［11］提出的局部二值模式（LBP）特征因具有維度低、計(jì)算速度快、能很好地刻畫圖像的紋理信息而得到廣泛的應(yīng)用，并且出現(xiàn)了許多的變體［12］.Chen 等［13］提出的韋伯局部描述子（WLD），雖然對(duì)光照和噪聲的干擾有一定的魯棒性， 但其特征提取比較復(fù)雜，計(jì)算量大.在分析上述特征的基礎(chǔ)上，針對(duì)Haar 特征維度高、冗余度大［14-15］、LBP 特征無(wú)法刻畫人眼視覺敏感度的缺陷，文中提出了一種基于顯著性的二值化Haar 特征（SLBH）.

目前，基于整體行人特征的一些檢測(cè)方法在無(wú)遮擋情況下取得了很好的檢測(cè)效果［16］，但當(dāng)行人之間發(fā)生部分遮擋時(shí)，其檢測(cè)性能會(huì)迅速下降；然而，基于部件模型的檢測(cè)方法能在部分遮擋場(chǎng)景中取得較好的檢測(cè)效果［17-19］.基于部件模型的方法認(rèn)為行人由多個(gè)關(guān)鍵部位組成，如頭部、軀干、手和腿等［4，18］，根據(jù)各部件的檢測(cè)概率來(lái)推斷出檢測(cè)窗口是否包含行人.由于該類方法將行人分散為多個(gè)部件檢測(cè)，增強(qiáng)了其對(duì)部分遮擋的魯棒性，因此，在處理行人部分遮擋問(wèn)題中受到廣泛的關(guān)注［20-23］.

Wu 等［24］提出了一種基于部件分割過(guò)程和不同部件檢測(cè)間響應(yīng)的部分遮擋檢測(cè)方法；該方法將行人分割為11 個(gè)部件，利用極大似然函數(shù)來(lái)聯(lián)合各個(gè)部件檢測(cè)器的響應(yīng)值，但需要手動(dòng)調(diào)節(jié)各部件的空間結(jié)構(gòu).Wang 等［19］利用HOG 特征來(lái)檢測(cè)滑動(dòng)窗口內(nèi)的局部區(qū)域，并根據(jù)檢測(cè)結(jié)果來(lái)推斷該窗口中是否存在部分遮擋；該方法需要預(yù)先定義一個(gè)空間結(jié)構(gòu)，如行人的上/下半身.Enzweiler 等［17］利用混合專家模型結(jié)合HOG 特征、深度信息和光流信息來(lái)處理部分遮擋問(wèn)題，該方法因需要立體視覺和運(yùn)動(dòng)信息而導(dǎo)致其應(yīng)用受到限制.Marín 等［18］利用HOG 特征和LBP 特征對(duì)滑動(dòng)窗口內(nèi)各個(gè)塊進(jìn)行檢測(cè)，并對(duì)檢測(cè)結(jié)果進(jìn)行分割，進(jìn)而推斷出是否存在遮擋，此方法對(duì)塊大小比較敏感，而且在訓(xùn)練階段需要人工標(biāo)記大量的塊標(biāo)簽信息.Ouyang 等［25］通過(guò)訓(xùn)練一個(gè)雙窗口的深度模型來(lái)檢測(cè)部分遮擋的行人.Tang 等［26］通過(guò)訓(xùn)練具有部分遮擋的雙人可變形部件模型（DMP）［23］來(lái)處理行人之間的部分遮擋問(wèn)題.Gall 等［27］提出了霍夫森林行人檢測(cè)框架.基于部件的行人檢測(cè)方法雖然對(duì)部分遮擋有較好的魯棒性，但其計(jì)算復(fù)雜度隨部件數(shù)的增加呈指數(shù)級(jí)增長(zhǎng).有鑒于此，文中提出了一種結(jié)合整體與局部特征的雙層行人檢測(cè)算法.

1 SLBH 特征提取

1.1 顯著性因子

顯著性因子是對(duì)局部特征顯著性的描述，著名的韋伯定律解釋了局部顯著性不能由差別閾值的絕對(duì)值來(lái)進(jìn)行比較，而應(yīng)由其相對(duì)值進(jìn)行劃定.根據(jù)韋伯定律［13］，可以計(jì)算出中心像素點(diǎn)在其鄰域內(nèi)的顯著性因子：

式中，gc為中心像素點(diǎn)的灰度值，N 為鄰域個(gè)數(shù)，gi為對(duì)應(yīng)鄰域像素點(diǎn)的灰度值.S（gc）是局部特征顯著性的描述，易知S（gc）∈［0， ］，其值越大顯著性越強(qiáng).

1.2 改進(jìn)的LBP

LBP 是一種描述圖像局部紋理的算子，因其具有計(jì)算簡(jiǎn)單、對(duì)光照變化不敏感等優(yōu)點(diǎn)而被廣泛應(yīng)用于不同的領(lǐng)域［11，20］.LBP 特征的計(jì)算式如下：

式中，gi為gc的8 個(gè)鄰域像素點(diǎn)灰度值，s（x，y）為閾值比較函數(shù)，

在計(jì)算出整幅圖像的LBP 特征值后，統(tǒng)計(jì)LBP 特征直方圖：

其中判斷函數(shù)f（x，y）定義為

LBP 特征僅利用了中心像素與其鄰域內(nèi)像素間差異的符號(hào)特征，并沒有充分利用它們之間的差異信息，因此，LBP 特征缺乏對(duì)物體顯著性的描述.如圖1所示，雖然兩個(gè)矩形區(qū)域具有相同的LBP 特征值，但其顯著性因子相差卻很大.由韋伯定律可知，顯著性因子越大，其顯著性越強(qiáng)，所描述的信息也越重要，然而LBP 特征并不能描述這些顯著性信息.為此，Cao 等［12］利用中心像素與鄰域像素差異的絕對(duì)值之和作為權(quán)值來(lái)增加像素間差異在LBP 特征直方圖中的影響，即

式中，K 為最大的LBP 特征值，權(quán)值函數(shù)為

圖1 LBP 特征值與顯著性因子計(jì)算對(duì)比Fig.1 Comparison of calculation between LBP and saliency factor

Cao 等［12］提出的加權(quán)LBP直方圖雖然考慮了像素鄰域間差異的影響，但不能很好地描述特征的局部顯著性.因?yàn)榫植匡@著性不能由差別閾值的絕對(duì)值來(lái)進(jìn)行比較，而應(yīng)由其相對(duì)值進(jìn)行劃定.此外，在加權(quán)直方圖統(tǒng)計(jì)過(guò)程中不斷累積權(quán)重，使得各維度之間相差巨大.受韋伯定理的啟發(fā)，文中使用更接近人類視覺差異的顯著性因子作為權(quán)重來(lái)統(tǒng)計(jì)加權(quán)LBP 直方圖，其統(tǒng)計(jì)函數(shù)如下：

圖2 8 種擴(kuò)展的Haar 特征Fig.2 8 kinds of expansion Haar features

式中，S（x，y）為點(diǎn)（x，y）的差異激勵(lì).

1.3 SLBH 特征提取

Haar 特征由Viola 等［14］最先提出并首次應(yīng)用于行人檢測(cè)中，取得了較好的檢測(cè)效果.但隨著研究的深入，學(xué)者們發(fā)現(xiàn)原始Haar 特征對(duì)于檢測(cè)靜止的、對(duì)稱的物體比較有效，而對(duì)于行人這類非剛性物體，則需要在其他方向上增加能夠描述行人運(yùn)動(dòng)特點(diǎn)的描述特征.Lienhart 等［15］將原始Haar 特征擴(kuò)展到14 種.文中使用8 種擴(kuò)展的Haar 特征，如圖2所示.

按照標(biāo)準(zhǔn)步驟提取圖2中的8 種Haar 特征，則需要對(duì)每個(gè)矩形區(qū)域進(jìn)行8 次差值計(jì)算，然而通過(guò)觀察發(fā)現(xiàn)，如果將圖2中的8 種Haar 特征按照以黑色區(qū)域?yàn)橹丿B區(qū)域的規(guī)則進(jìn)行組合，則這8 種Haar特征構(gòu)成了一個(gè)3×3 的矩形區(qū)域，為方便描述，文中稱Haar 特征的一個(gè)黑色或者白色矩形區(qū)域?yàn)閱卧?×3 個(gè)單元組成的矩形區(qū)域稱為一個(gè)塊.如果對(duì)3×3 區(qū)域進(jìn)行從上到下、順時(shí)針編號(hào)，則序號(hào)分別為c0、c1、c2、c3、c4、c5、c6、c7，中心黑色矩形編號(hào)為cc，如圖3所示.

圖3 8 種Haar 特征組合Fig.3 Combination of 8 kinds of Haar features

然后計(jì)算局部二值化Haar 特征（LBH）：

式中，ci為第i 個(gè)單元內(nèi)所有像素灰度值之和，

p（k，l）表示圖像在點(diǎn)（k，l）處的像素值，w 和h 分別表示單元的寬度和高度.

與傳統(tǒng)的Haar 特征提取方法相比，此改進(jìn)的Haar 特征提取方法具有以下優(yōu)勢(shì)：

1）傳統(tǒng)方法按單元對(duì)進(jìn)行提取，并且每次只能提取一種Haar 特征；而文中方法則按照中心單元的8 鄰域提取，每次可以同時(shí)計(jì)算8 種不同類型的Haar 特征.

2）傳統(tǒng)方法把單元之間差值作為特征值，文中方法引入加權(quán)局部二元模式的思想使LBH 特征擁有傳統(tǒng)Haar 特征無(wú)法比擬的光照不變性.考慮到LBP 模式缺乏顯著性描述的缺陷，文中利用式（8）統(tǒng)計(jì)LBH 特征直方圖（即SLBH 特征）來(lái)進(jìn)一步增加特征對(duì)噪聲的魯棒性.SLBH 特征提取算法的具體步驟如下：

（1）將輸入圖像轉(zhuǎn)換成灰度圖像；

（2）按照一定的重疊比將灰度圖像劃分為寬與高分別為w 和h 的單元；

（3）利用積分圖技術(shù)求取每個(gè)單元的像素灰度值之和；

（4）將中心單元的8 個(gè)鄰域單元按照?qǐng)D3所示結(jié)構(gòu)組成一個(gè)塊；

（5）根據(jù)式（9）計(jì)算每個(gè)塊內(nèi)的LBH 值，根據(jù)式（1）計(jì)算每個(gè)塊的顯著性因子；

（6）按照式（8）統(tǒng)計(jì)直方圖，即為該圖像的SLBH特征.

2 結(jié)合SLBH 特征的雙層行人檢測(cè)算法

2.1 雙層行人檢測(cè)算法

線性SVM 分類器既有SVM 的優(yōu)點(diǎn)又有線性計(jì)算的效率，因此，許多行人檢測(cè)方法都使用線性SVM 分類器.線性SVM 分類器一般都是通過(guò)一條或多條分割線/ 一個(gè)或多個(gè)分割面來(lái)劃分類別.圖4所示為線性SVM 二分類，○類中的A 點(diǎn)被錯(cuò)分到●類中，并且A 點(diǎn)距離分割線非常近，同樣●類中的B 點(diǎn)被錯(cuò)分到○類中.在SVM 分類中，分割距離（即分類器響應(yīng)值）越大表示分類效果越好，而分割距離越小表示其分類的不確定性概率越大，分類正確性的概率越小.

圖4 線性SVM 分類器示意圖Fig.4 Schematic diagram of liner SVM classifier

基于上述SVM 分類原理及從粗到細(xì)的檢測(cè)思想，文中提出了一種結(jié)合SLBH 特征的多部件驗(yàn)證雙層行人檢測(cè)算法.該算法在第1 階段利用SLBH特征結(jié)合線性SVM 分類器進(jìn)行快速行人檢測(cè)，并對(duì)線性SVM 分類器輸出響應(yīng)值進(jìn)行判斷，如果響應(yīng)值不處于某閾值區(qū)間內(nèi)，則直接輸出該窗口的類別標(biāo)簽（包含行人輸出1，其他輸出0）；否則，驗(yàn)證當(dāng)前窗口內(nèi)圖像（即進(jìn)入第2 階段）.在第2 階段首先對(duì)窗口內(nèi)圖像抽樣出K 個(gè)子區(qū)域并提取各子區(qū)域的HOG 特征，然后利用隨機(jī)森林分類器檢測(cè)出行人各個(gè)部件，通過(guò)貝葉斯決策計(jì)算檢測(cè)器輸出為行人的置信度，最后組合多個(gè)部件檢測(cè)器的置信度來(lái)判斷該窗口是否包含行人.第2 階段主要是處理行人遮擋問(wèn)題和降低誤檢率，進(jìn)一步提高算法的魯棒性和檢測(cè)率.結(jié)合SLBH 特征的雙層行人檢測(cè)算法的具體步驟如下：

1）利用SLBH 特征對(duì)圖像進(jìn)行快速行人檢測(cè)，即s=H（x），x 為SLBH 特征向量，H（·）為線性SVM分類器的分類函數(shù)，s 為線性SVM 分類函數(shù)的響應(yīng)值.

2）判斷s 的范圍，如果αmin

3）對(duì)窗口內(nèi)圖像進(jìn)行驗(yàn)證

（1）在圖像窗口中隨機(jī)采樣出K 個(gè)子區(qū)域，即R={R1，R2，…，RK}，其中每個(gè)子區(qū)域的寬W 與高H隨機(jī)產(chǎn)生，且滿足12≤W≤20，12≤H≤20.

（2）提取各個(gè)區(qū)域的HOG 特征，利用隨機(jī)森林分類器進(jìn)行人體部位檢測(cè).

（3）根據(jù)隨機(jī)森林分類器輸出各部位的響應(yīng)值計(jì)算各部位的檢出概率.

（4）從檢測(cè)結(jié)果中選擇滿足條件的子區(qū)域作為檢測(cè)器的輸出.

4）結(jié)合多個(gè)部件檢測(cè)器的輸出并利用貝葉斯定理計(jì)算檢測(cè)器實(shí)際輸出為行人與非行人的概率.

5）根據(jù)貝葉斯推斷出的概率判斷該窗口是否包含行人.

6）輸出該窗口的行人類別標(biāo)簽（包含行人輸出1，其他輸出0）.

2.2 人體部件檢測(cè)

行人整體特征檢測(cè)算法可以比較快速地檢測(cè)出行人，且具有較好的魯棒性，但當(dāng)檢測(cè)場(chǎng)景中存在行人間部分遮擋時(shí)，其檢測(cè)性能迅速下降.基于人體部位的檢測(cè)算法將行人看作是多個(gè)部件的組合，通過(guò)檢測(cè)人體各個(gè)部件來(lái)推斷出圖像中是否包含行人.這類算法因?qū)Σ糠终趽蹙哂休^好的魯棒性而受到廣泛的關(guān)注［17，19-20］.人體部件可以細(xì)分為幾百個(gè)，而且部件越多對(duì)遮擋的魯棒性越好，但部位越多檢測(cè)時(shí)間越長(zhǎng)，進(jìn)而影響算法的實(shí)時(shí)性應(yīng)用要求，因此，目前主要將人體劃分為頭肩、手、腿和軀干4 個(gè)部件.

圖像中行人之間的尺度因拍攝視角、拍攝距離等因素的影響而存在很大的差異，并且行人各部件之間的尺寸也存在著很大的差異.例如，頭的尺寸遠(yuǎn)小于軀干的尺寸等.如果使用相同大小的子區(qū)域來(lái)檢測(cè)人體部件，則存在很難滿足各個(gè)部件尺寸的要求，因此，文中提出了一種隨機(jī)采樣子區(qū)域的方法.假設(shè)當(dāng)前滑動(dòng)窗口為Rc（xc，yc，Wc，Hc），那么隨機(jī)初始化子區(qū)域左上角坐標(biāo)需滿足xc≤xi≤xc+Wc和yc≤yi≤yc+Hc，其高和寬都限制在區(qū)間［12，20］上，并且保證所采樣的子區(qū)域都在當(dāng)前窗口內(nèi).按照上述規(guī)則采樣K 個(gè)子區(qū)域，即R={R1，R2，…，RK}，然后提取各子區(qū)域的HOG 特征，最后利用隨機(jī)森林分類器對(duì)各個(gè)子區(qū)域的特征進(jìn)行分類，并根據(jù)分類結(jié)果利用式（11）來(lái)確定哪塊子區(qū)域?qū)儆谀膫€(gè)人體部件.為提高各部件特征的提取速度，文中采樣類似查表法來(lái)提取各部件的HOG 特征.

式中：i∈{hs，arm，leg，torso}，表示頭肩、手、腿和軀干4 個(gè)部件；Ri表示屬于部件i 的子區(qū)域；表示在子區(qū)域Rk內(nèi)檢測(cè)為部件i 的概率；vRk表示第k 個(gè)部件的特征向量.由于隨機(jī)采樣，因此可能存在子區(qū)域重疊現(xiàn)象，如R1和R2都檢測(cè)為頭肩部件.為此，文中采用式（12）來(lái)處理子區(qū)域重疊現(xiàn)象，并最終確定頭肩部件所在區(qū)域.

近年來(lái)，隨機(jī)森林因具有可處理大量輸入變量、分類器準(zhǔn)確度高和學(xué)習(xí)過(guò)程速度快等優(yōu)點(diǎn)而被廣泛應(yīng)用于行人檢測(cè)和其他物體的分類.傳統(tǒng)的隨機(jī)森林在進(jìn)行檢測(cè)過(guò)程中，所有的決策樹都參與其中，然而對(duì)于一些容易區(qū)分的物體來(lái)說(shuō)，所有決策樹參與判斷并沒有增加檢測(cè)率，反而增加了檢測(cè)時(shí)間.因此，為了提升物體的檢測(cè)速度，文中采用了一種“軟級(jí)聯(lián)”結(jié)構(gòu)［22］.假設(shè)隨機(jī)森林中樹的最大棵數(shù)為T，初始化棵數(shù)為M，η 為判斷閾值，x 為當(dāng)前窗口中某人體部位的特征向量，則隨機(jī)森林軟級(jí)聯(lián)算法描述如下：

η 為閾值參數(shù)，其目的是快速檢測(cè)出容易識(shí)別的樣本，從而避免所有的樣本都使用T 棵數(shù)來(lái)判斷，進(jìn)而提升分類器的分類速度，一般取η≥0.985，文中選取η=0.99.

2.3 貝葉斯決策

雙層行人檢測(cè)算法需要在那些不確定性概率大的窗口內(nèi)對(duì)人體的4 個(gè)部件進(jìn)行檢測(cè)，則各關(guān)鍵部件都能被檢測(cè)出來(lái)的概率為

式中：chs=1，carm=1，cleg=1，ctorso=1，分別表示頭肩、手、腿和軀干被部件檢測(cè)器檢出；R 為當(dāng)前滑動(dòng)窗口區(qū)域.根據(jù)人的身體結(jié)構(gòu)可知，頭肩區(qū)域、手和軀干區(qū)域以及腿部區(qū)域之間存在著一種上下關(guān)系.由于各部件檢測(cè)器相對(duì)獨(dú)立，因此式（13）可轉(zhuǎn)化為

假設(shè)Hi（Ri）為隨機(jī)森林分類器對(duì)部件i 的響應(yīng)值，則各部件的后驗(yàn)概率為

那么式（14）可轉(zhuǎn)化為

設(shè)yi∈{0，1}，那么可構(gòu)建如下概率函數(shù)：

式中：權(quán)值ωi=Entropy（｛ci｝），為部件i 被檢測(cè)出來(lái)時(shí)所對(duì)應(yīng)的熵，而部件i 的概率可由式（15）計(jì)算得出.熵的計(jì)算式為

式中，Pci表示ci被檢測(cè)出來(lái)的概率.

因此，判斷當(dāng)前滑動(dòng)窗口中包含行人的概率計(jì)算式為

而當(dāng)前窗口不包含行人的概率為

那么得到組合檢測(cè)器的最終輸出為

3 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)所使用的樣本均采集于INRIA 行人樣本庫(kù)，其中訓(xùn)練集中正樣本為2416 幅行人圖像，負(fù)樣本為3070 幅；測(cè)試集中正樣本為1 126 幅，負(fù)樣本為3 070 幅；負(fù)樣本都是由INRIA 提供的1 218 幅非行人圖像隨機(jī)裁剪得到.圖5為文中算法的實(shí)驗(yàn)流程圖.為能直觀地顯示出各種算法的檢測(cè)性能，文中使用正確檢測(cè)率（rt）、虛警率（rf）和準(zhǔn)確率（ra）以及平均每幅圖像檢測(cè)時(shí)間（ta）4 種評(píng)價(jià)指標(biāo)：

式中，NTP是行人被檢測(cè)為行人的個(gè)數(shù)，NFP是非行人被檢測(cè)為行人的個(gè)數(shù)，NTN是非行人被檢測(cè)為非行人的個(gè)數(shù)，NFN是行人被檢測(cè)為非行人的個(gè)數(shù).

圖5 文中算法的實(shí)驗(yàn)流程圖Fig.5 Experimental flowchart of the proposed algorithm

3.1 SLBH 特征性能評(píng)估

為了測(cè)試文中改進(jìn)的Haar 特征性能，選用Haar、LBH、WLBP［11］和SLBH 特征做對(duì)比實(shí)驗(yàn)，并分別選擇SVM 和RF 作為分類器，實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如表1所示.從表中可知，SLBH 特征的提取時(shí)間略高于其他3 種特征，但對(duì)于其他評(píng)價(jià)指標(biāo)，無(wú)論是SVM 還是RF 分類器，SLBH 特征均優(yōu)于其他3 種特征，而且在RF 分類器上效果更好.

表1 SLBH、LBH、WLBP 和Haar 特征的性能比較Table1 Comparison of performance among SLBH，LBH，WLBP and Haar features

3.2 參數(shù)估計(jì)

為了估計(jì)出各參數(shù)對(duì)算法性能的影響并尋找出各參數(shù)的最優(yōu)取值范圍，對(duì)算法中所涉及的4 個(gè)參數(shù)分別進(jìn)行交叉驗(yàn)證實(shí)驗(yàn).不難發(fā)現(xiàn)，SVM 分類器的準(zhǔn)確率受其不確定分類區(qū)域范圍的影響，下限αmin和上限αmax的一個(gè)經(jīng)驗(yàn)取值范圍分別是［-0.6，0］和［0，0.5］.如圖6（a）所示，當(dāng)αmin在該區(qū)間內(nèi)變化時(shí)，其準(zhǔn)確率并不是隨著αmin變小而提高，而是在αmin小于-0.4 之后基本上趨于不變；圖6（b）中，當(dāng)αmax在［0.1，0.5］之間變化時(shí)，準(zhǔn)確率變化很小，而αmax在［0，0.1］之間時(shí)準(zhǔn)確率處于提升狀態(tài).在對(duì)滑動(dòng)窗口內(nèi)圖像進(jìn)行隨機(jī)抽取子區(qū)域時(shí)，并不是抽取的子區(qū)域數(shù)K 越多越好，因?yàn)閰^(qū)域間存在重疊，而且抽取的子區(qū)域越多，特征提取以及檢測(cè)判斷耗時(shí)也越多，K 的經(jīng)驗(yàn)取值范圍是［10，20］.K 對(duì)文中算法檢測(cè)性能的影響如圖7所示，從圖中可以看出：當(dāng)K≥17時(shí)，檢測(cè)性能基本上保持穩(wěn)定且達(dá)到最佳值；當(dāng)K＜17時(shí)，檢測(cè)性能變化較大，可能是因隨機(jī)抽樣不充分所致.

圖6 αmin 和αmax 的ROC 曲線Fig.6 ROC curves of αmin and αmax

圖7 K 對(duì)文中算法檢測(cè)性能的影響Fig.7 Effect of K on detection performance of the proposed algorithm

3.3 檢測(cè)性能對(duì)比

在相同的實(shí)驗(yàn)條件下選擇文獻(xiàn)［4］、文獻(xiàn)［11］、文獻(xiàn)［18］和文中算法進(jìn)行對(duì)比實(shí)驗(yàn)，并使用TPR-FPR ROC 曲線來(lái)對(duì)比分析各種算法的優(yōu)越性，實(shí)驗(yàn)結(jié)果如圖8所示.在ROC 曲線中，曲線離左上角的距離越近代表算法性能越好，而從圖8中不難看出，文中算法的檢測(cè)率高出其他算法.文獻(xiàn)［4］使用Haar 特征并結(jié)合行人上/下兩部分進(jìn)行驗(yàn)證，雖然與文中算法存在部分類似，但文中算法使用多部件檢測(cè)，并且在虛警率為10%時(shí)正確檢測(cè)率就遠(yuǎn)高于文獻(xiàn)［4］算法.文獻(xiàn)［11］算法使用NRLBP 和Shape 特征，NRLBP 特征缺乏對(duì)物體的顯著性描述，而行人在部分遮擋時(shí)形狀會(huì)發(fā)生改變，因此該算法在部分遮擋情況下的檢測(cè)魯棒性不佳.這也體現(xiàn)了文中提出的多部件雙層行人檢測(cè)算法在部分遮擋情形下的優(yōu)越性.

圖8 不同檢測(cè)算法的實(shí)驗(yàn)結(jié)果對(duì)比Fig.8 Comparison of experimental results among different detection algorithms

4 結(jié)論

針對(duì)Haar 特征維度高、冗余大以及對(duì)光照敏感等缺陷，文中提出了一種顯著性的二值化Haar 特征，該特征通過(guò)結(jié)合顯著性和加權(quán)LBP 思想來(lái)減少Haar 特征的維數(shù)，增強(qiáng)其紋理描述能力和對(duì)光照的魯棒性.此外，在行人存在部分遮擋的環(huán)境下，基于整體特征提取的算法檢測(cè)效果不理想，而基于部件的行人檢測(cè)算法對(duì)行人部分遮擋具有較好的檢測(cè)效果.為此，文中根據(jù)從粗到細(xì)的思想提出了結(jié)合SLBH 特征的雙層行人檢測(cè)算法.在INRIA 行人樣本庫(kù)上的對(duì)比實(shí)驗(yàn)結(jié)果表明，文中算法的正確檢測(cè)率優(yōu)于其他算法.

［1］蘇松志，李紹滋，陳淑媛，等.行人檢測(cè)技術(shù)綜述［J］.電子學(xué)報(bào)，2012，40（4）：814-820.Su Song-zhi，Li Shao-zi，Chen Shu-yuan，et al.A survey on pedestrian detection ［J］.Acta Electronica Sinica，2012，40（4）：814-820.

［2］許騰，黃鐵軍，田永鴻.車載視覺系統(tǒng)中的行人檢測(cè)技術(shù)綜述［J］.中國(guó)圖象圖形學(xué)報(bào)，2013，18（4）：359-367.Xu Teng，Huang Tie-jun，Tian Yong-hong.Survey on pedestrian detection technology for on-board vision system ［J］.Journal of Image and Graphics，2013，18（4）：359-367.

［3］Dollar P，Wojek C，Schiele B，et al.Pedestrian detection：an evaluation of the state of the art ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34（4）：743-761.

［4］Mogelmose A，Prioletti A，Trivedi M M，et al.Two-stage part-based pedestrian detection ［C］//Proceedings of the 15th International IEEE Conference on Intelligent Transportation Systems.Anchorage：IEEE，2012：73-77.

［5］Wu B，Nevatia R，Li Y.Segmentation of multiple，partially occluded objects by grouping，merging，assigning part detection responses ［C］//Proceedings of 2008 IEEE Conference on Computer Vision and Pattern Recognition.Anchorage：IEEE，2008：1-8.

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

［7］孫銳，陳軍，高雋.基于顯著性檢測(cè)與HOG-NMF 特征的快速行人檢測(cè)方法［J］.電子與信息學(xué)報(bào)，2013，35（8）：1921-1926.Sun Rui，Chen Jun，Gao Jun.Fast pedestrian detection based on saliency detection and HOG-NMF features ［J］.Journal of Electronics ＆ Information Technology，2013，35（8）：1921-1926.

［8］Zhu Q，Yeh M C，Cheng K T，et al.Fast human detection using a cascade of histograms of oriented gradients ［C］//Proceedings of 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York：IEEE，2006：1491-1498.

［9］Gan G，Cheng J.Pedestrian detection based on HOG-LBP feature ［C］//Proceedings of the 7th International Conference on Computational Intelligence and Security.Kyoto：IEEE，2011：1184-1187.

［10］Lazebnik S，Schmid C，Ponce J.Beyond bags of features：spatial pyramid matching for recognizing natural scene categories ［C］//Proceedings of 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York：IEEE，2006：2169-2178.

［11］Ojala T，Pietikainen M，Maenpaa T.Multiresolution grayscale and rotation invariant texture classification with local binary patterns ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（7）：971-987.

［12］Cao Y，Pranata S，Nishimura H.Local binary pattern features for pedestrian detection at night/dark environment［C］//Proceedings of the 18th IEEE International Conference on Image Processing.Brussels：IEEE，2011：2053-2056.

［13］Chen J，Shan S，He C，et al.WLD：a robust local image descriptor ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（9）：1705-1720.

［14］Viola P，Jones M J，Snow D.Detecting pedestrians using patterns of motion and appearance ［J］.International Journal of Computer Vision，2005，63（2）：153-161.

［15］Lienhart R，Maydt J.An extended set of haar-like features for rapid object detection ［C］//Proceedings of 2002 International Conference on Image Processing.Rochester：IEEE，2002：I-900-I-903.

［16］胡彬，趙春霞，孫玲.基于多特征融合的行人檢測(cè)［J］.圖學(xué)學(xué)報(bào)，2013，34（4）：29-34.Hu Bin，Zhao Chun-xia，Sun Ling.Human detection based on multi features fusion ［J］.Journal of Graphics，2013，34（4）：29-34.

［17］Enzweiler M，Eigenstetter A，Schiele B，et al.Multi-cue pedestrian classification with partial occlusion handling［C］//Proceedings of 2010 IEEE Conference on Computer Vision and Pattern Recognition.Francisco：IEEE，2010：990-997.

［18］Marín J，Vázquez D，López A M，et al.Occlusion handling via random subspace classifiers for human detection［J］.IEEE Transactions on Cybernetics，2014，44（3）：342-354.

［19］Wang X，Han T X，Yan S.An HOG-LBP human detector with partial occlusion handling ［C］//Proceedings of the 12th International Conference on Computer Vision.Kyoto：IEEE，2009：32-39.

［20］Felzenszwalb P F，Girshick R B，McAllester D.Cascade object detection with deformable part models ［C］//Proceedings of 2010 IEEE Conference on Computer Vision and Pattern Recognition.San Francisco：IEEE，2010：2241-2248.

［21］Sermanet P，Kavukcuoglu K，Chintala S，et al.Pedestrian detection with unsupervised multi-stage feature learning［C］//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland：IEEE，2013：3626-3633.

［22］Marin J，Vázquez D，López A M，et al.Random forests of local experts for pedestrian detection［C］//Proceedings of 2013 IEEE International Conference on Computer Vision.Sydney：IEEE，2013：2592-2599.

［23］Felzenszwalb P F，Girshick R B，McAllester D，et al.Object detection with discriminatively trained part-based models ［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（9）：1627-1645.

［24］Wu B，Nevatia R.Detection and segmentation of multiple，partially occluded objects by grouping，merging，assigning part detection responses ［J］.International Journal of Computer Vision，2009，82（2）：185-204.

［25］Ouyang W，Zeng X，Wang X.Modeling mutual visibility relationship in pedestrian detection ［C］//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland：IEEE，2013：3222-3229.

［26］Tang S，Andriluka M，Schiele B.Detection and tracking of occluded people ［J］.International Journal of Computer Vision，2014，100（1）：58-69.

［27］Gall J，Lempitsky V.Class-specific hough forestsfor object detection ［M］.London：Springer，2013：143-157.