王溪波，王 彬，趙 海，朱宏博，葛宏帥，樸春赫

（1.沈陽(yáng)工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，沈陽(yáng) 110870；2.東北大學(xué) 信息科學(xué)與工程學(xué)院，沈陽(yáng) 110819）

基于HOG特征的優(yōu)化區(qū)域模板匹配檢測(cè)*

王溪波1，王 彬1，趙 海2，朱宏博2，葛宏帥1，樸春赫2

（1.沈陽(yáng)工業(yè)大學(xué)信息科學(xué)與工程學(xué)院，沈陽(yáng) 110870；2.東北大學(xué) 信息科學(xué)與工程學(xué)院，沈陽(yáng) 110819）

針對(duì)HOG算法滑動(dòng)窗口檢測(cè)效率低和目標(biāo)特征描述不精確的問(wèn)題，提出了一種基于

梯度方向直方圖；可變形部件模型；滑動(dòng)窗口；外形相似性；邊緣特征；根濾波器；部件濾波器；支持向量機(jī)

隨著數(shù)字圖像技術(shù)的廣泛使用，人們對(duì)圖像內(nèi)容方面的處理越來(lái)越重視.目標(biāo)檢測(cè)是最近比較熱門的一個(gè)課題，它是一種基于目標(biāo)幾何和統(tǒng)計(jì)特征的圖像分割，將目標(biāo)的分割和識(shí)別合二為一，其準(zhǔn)確性和實(shí)時(shí)性是整個(gè)系統(tǒng)的一項(xiàng)重要能力［1－3］.

近年來(lái)，目標(biāo)檢測(cè)領(lǐng)域出現(xiàn)了許多優(yōu)秀的算法.其中，使用最廣泛的一種算法就是通過(guò)提取HOG特征［4］來(lái)描述感興趣目標(biāo)，同時(shí)采用支持向量機(jī)（SVM）分類器對(duì)HOG特征進(jìn)行訓(xùn)練和分類，最后運(yùn)用分類器對(duì)測(cè)試圖像進(jìn)行檢測(cè).但是，該算法也存在很多問(wèn)題需要改善.首先，HOG算法的向量維數(shù)比較高，使得檢測(cè)計(jì)算量比較大，而且濾波器檢測(cè)圖像中的目標(biāo)時(shí)，比較常用的檢測(cè)方法是滑動(dòng)窗口（sliding window）方法，需要遍歷所有像素，造成了計(jì)算量的進(jìn)一步增大；另外，由于HOG精度不夠高，通過(guò) HOG特征訓(xùn)練出的分類器對(duì)于外形比較相似的物體可能會(huì)產(chǎn)生誤檢和漏檢的現(xiàn)象.

針對(duì)上述問(wèn)題，本文首先根據(jù)對(duì)大量圖片的觀察發(fā)現(xiàn)，目標(biāo)出現(xiàn)的位置比較具有規(guī)律性，目標(biāo)更可能出現(xiàn)在圖片的中心，并且檢測(cè)結(jié)果更傾向于存在性的圖片，比如路面上行人檢測(cè)，而對(duì)于處于邊緣的像素，可以考慮降低對(duì)其檢測(cè)的可能性，以減少計(jì)算量；其次，針對(duì)檢測(cè)評(píng)分處于閾值比較小的鄰域內(nèi)的區(qū)域，利用可變形部件模型進(jìn)行相似性確認(rèn)檢測(cè)以保證檢測(cè)的正確性.本文方法主要針對(duì)靜態(tài)圖片，而不是連續(xù)的幀圖像.通過(guò)在PASCAL VOC 2007數(shù)據(jù)集上試驗(yàn)得出的結(jié)果可以發(fā)現(xiàn)，與滑動(dòng)窗口相比，本文算法在該數(shù)據(jù)集的20個(gè)類別中有13個(gè)類別獲得更快檢測(cè)速度.

1 相關(guān)工作

本文在傳統(tǒng) Dalal-Triggs模型基礎(chǔ)上引入了可變形部件模型［5］（deformable part model）.通過(guò)使用可變形部件模型可以更加精準(zhǔn)、靈活地對(duì)檢測(cè)區(qū)域進(jìn)行評(píng)價(jià).與傳統(tǒng)的可變形部件模型使用方法不同的是，本文算法并不是在圖像的每個(gè)區(qū)域都使用該模型進(jìn)行評(píng)價(jià)，而是僅對(duì)可能存在目標(biāo)的概率達(dá)到閾值時(shí)進(jìn)一步對(duì)部件進(jìn)行評(píng)價(jià)［6］，從而可以大大提高算法的檢測(cè)效率.

1.1 HOG特征

梯度方向直方圖（histogram of oriented gradients，HOG）是由Dalal等人提出的，它可以通過(guò)多維向量來(lái)表示目標(biāo)特征，通過(guò)訓(xùn)練形成豐富的特征集.

HOG特征的計(jì)算是利用每個(gè)像素點(diǎn)與周圍相鄰像素點(diǎn)的灰度差，在單位區(qū)域內(nèi)進(jìn)行梯度方向統(tǒng)計(jì)，進(jìn)而形成梯度向量.劃分單位區(qū)域時(shí)，圖片首先被分割成指定大小的無(wú)重疊的像素區(qū)域，稱為cell.算法針對(duì)每一個(gè) cell統(tǒng)計(jì)其中的梯度直方圖.每個(gè)像素的梯度被離散化為9個(gè)方向 bin中的一個(gè)，每個(gè)像素為它的梯度方向增加權(quán)值，權(quán)值根據(jù)梯度值的大小決定.所有 cell統(tǒng)計(jì)成直方圖以后，多個(gè) cell組成一個(gè)bock.例如，假設(shè)檢測(cè)窗口大小是64×64像素，分成 8×8＝64個(gè) cell，每個(gè)cell的大小是8×8個(gè)像素點(diǎn).將相鄰的2×2＝4個(gè)單元格組合成一個(gè) bock，需要注意的是，每個(gè)bock之間存在相互重疊的部分，可以通過(guò)歸一化梯度值來(lái)減少光照的影響［7－9］.

通過(guò)以上步驟，得到了一個(gè)高維度的向量，這樣 HOG對(duì)于圖像的描述向量就生成了.

1.2 可變形部件模型

盡管 HOG特征具有良好的描述效果，但是對(duì)于局部特征而言，檢測(cè)效果有限.為了獲得更好的檢測(cè)效果，本文使用可變形部件模型來(lái)對(duì)檢測(cè)提供進(jìn)一步的保障.

本文定義的目標(biāo)模型是由一個(gè)覆蓋了目標(biāo)整體的較為粗糙的根濾波器和較為精細(xì)的部件濾波器組成，其中，部件濾波器只覆蓋物體中的較小部分.部件濾波器的特征是以根濾波器分辨率的兩倍來(lái)計(jì)算的，例如，如果在第l層通過(guò)根濾波器獲得了比較高的評(píng)分，那么就需要在 l＋2層使用部件模型進(jìn)行檢測(cè).因此，部件濾波器可以呈現(xiàn)出更好的邊緣效果，與根濾波器相比，可以更精準(zhǔn)地定位目標(biāo)［10－11］.例如，考慮為臉部建立一個(gè)模型，根濾波器可以捕獲粗糙的邊緣，例如人臉輪廓，而部件濾波器可以捕獲細(xì)節(jié)，例如眼睛、鼻子和嘴.

為了解決圖像尺度不統(tǒng)一的問(wèn)題，本文采用了HOG特征金字塔，它是通過(guò)計(jì)算標(biāo)準(zhǔn)圖像金字塔的每一層 HOG特征來(lái)定義的.金字塔頂層特征捕獲相對(duì)粗糙的梯度，主要用于根濾波器；而底層特征捕獲較精細(xì)的梯度，主要用于部件濾波器.

根濾波器和部件濾波器都是通過(guò)與滑動(dòng)窗口中的HOG特征向量做點(diǎn)積（dot product）來(lái)評(píng)價(jià)目標(biāo).檢測(cè)窗口的總評(píng)分（score）是窗口的根濾波器評(píng)分與結(jié)果子窗口中的部件濾波器評(píng)分之和，再加上區(qū)域評(píng)估.算法將具有 n個(gè)部件的目標(biāo)模型定義為一個(gè)根濾波器 F0和一組部件模型（P1，P2，…，Pn），其中，Pi＝（Fi，vi，si，ai，bi），i＝1，2，…，n，F(xiàn)i為第i個(gè)部件的濾波器；vi為一個(gè)二維向量，用來(lái)確定第i個(gè)部件相對(duì)于根濾波器的可能區(qū)域；si給出了該區(qū)域的大??；ai和bi均為二維向量，用來(lái)確定方程系數(shù).計(jì)算對(duì)第i個(gè)部件可能區(qū)域的評(píng)分，其表達(dá)式為

2 HOG算法改進(jìn)

2.1 檢測(cè)區(qū)域選取

由于檢測(cè)窗口的覆蓋區(qū)域?yàn)楫?dāng)前的檢測(cè)區(qū)域，則檢測(cè)窗口位置的選取效率會(huì)影響到算法執(zhí)行效率.當(dāng)前的趨勢(shì)是使用滑動(dòng)窗口的窮舉方式來(lái)尋找目標(biāo)，該方法雖然準(zhǔn)確度較高，不會(huì)漏掉目標(biāo)，但是窮舉的方式會(huì)大大影響檢測(cè)的效率.如果把圖片的檢測(cè)區(qū)域分出優(yōu)先級(jí)，也就是說(shuō)，如果檢測(cè)窗口的檢測(cè)位置能夠先檢測(cè)那些目標(biāo)出現(xiàn)概率更大的區(qū)域，那么就能盡快地找到目標(biāo)，從而使算法的收斂速度得到較大的提升［11］.

如果想從一幅圖片中分析出目標(biāo)的可能分布區(qū)域，主要有以下兩種方式：

1）對(duì)圖像進(jìn)行預(yù)分割，把圖像中的內(nèi)容進(jìn)行初步的分離.由于分離出來(lái)的部分很有可能是感興趣目標(biāo)，因此可以優(yōu)先檢測(cè)這部分.

2）通過(guò)統(tǒng)計(jì)，優(yōu)先檢測(cè)目標(biāo)出現(xiàn)較大概率區(qū)域.對(duì)于一幅圖片，中間的位置是感興趣目標(biāo)比較容易出現(xiàn)的位置.

本文用紅框標(biāo)出圖片的中心區(qū)域，如圖1所示.圖1a中的主要內(nèi)容為家具，可以看出屋中絕大部分的家具都在紅框范圍內(nèi)；圖1b中的主要內(nèi)容為馬術(shù)比賽，馬、人及其他關(guān)鍵目標(biāo)都在紅框范圍內(nèi)；圖1c中的主要內(nèi)容為汽車，圖中最為明顯的一輛汽車處于紅框范圍內(nèi).根據(jù)上述現(xiàn)象可以推斷，檢測(cè)窗口的位置應(yīng)該優(yōu)先尋找圖片中間的區(qū)域，降低比較靠近圖片邊緣區(qū)域的優(yōu)先級(jí)，這樣就可以更快速地找到目標(biāo).

圖1 優(yōu)化區(qū)域標(biāo)定Fig.1 Calibration for optimized region

通過(guò)對(duì)比以上兩個(gè)特點(diǎn)可以發(fā)現(xiàn)，預(yù)分割的方法對(duì)圖像目標(biāo)的定位比較準(zhǔn)確，但是分割速度通常耗時(shí)較多.由于本文使用相似模板確認(rèn)的方法對(duì)結(jié)果進(jìn)行確定，考慮效率問(wèn)題，算法不適合使用圖像預(yù)分割的方法，因此，本文算法使用大概率區(qū)域檢測(cè)方法來(lái)提高檢測(cè)速度.

2.2 模板相似性確認(rèn)

在濾波器檢測(cè)出評(píng)分接近檢測(cè)閾值的區(qū)域之后，需要對(duì)這種不確定的區(qū)域進(jìn)行進(jìn)一步確認(rèn)，而本文主要確認(rèn)的內(nèi)容就是目標(biāo)的相似性.

檢測(cè)目標(biāo)在形狀上具有相似性，會(huì)對(duì)算法的檢測(cè)結(jié)果產(chǎn)生干擾.例如，假設(shè)目標(biāo)圖中的內(nèi)容為長(zhǎng)度較短的火車，如果用巴士的模板進(jìn)行檢測(cè)，也可能會(huì)獲得接近閾值的評(píng)分，但最終就可能得到錯(cuò)誤的結(jié)果.

對(duì)于上述問(wèn)題，本文采用關(guān)聯(lián)分類的方法對(duì)這種干擾因素進(jìn)行特殊處理.本文使用的數(shù)據(jù)集為PASCAL VOC 2007，其中包含20個(gè)分類.通過(guò)對(duì)這20個(gè)分類進(jìn)行觀察發(fā)現(xiàn)，從形狀上可能產(chǎn)生相似性干擾的類別為：1）鳥和飛機(jī)；2）貓和狗；3）自行車和摩托車；4）牛、馬和羊；5）巴士和轎車；6）巴士和火車；7）椅子和桌子；8）椅子和沙發(fā).這些分類在提取邊緣之后呈現(xiàn)出相似的邊緣特性，如圖2所示.圖2a為自行車提取邊緣后的結(jié)果，圖2b為摩托車提取邊緣后的結(jié)果，通過(guò)對(duì)比可以發(fā)現(xiàn)，自行車與摩托車的邊緣特征是非常相似的.另外，對(duì)于這些數(shù)據(jù)集之外的其他分類也可能對(duì)檢測(cè)結(jié)果產(chǎn)生干擾.例如，假設(shè)檢測(cè)的目標(biāo)是行人，但是待檢測(cè)圖片中包含猴子，由于猴子的外形與小孩相似，這可能產(chǎn)生把猴子錯(cuò)誤地檢測(cè)成小孩的情況，這樣就會(huì)造成誤檢.

圖2 自行車與摩托車的邊緣對(duì)比Fig.2 Comparison in edge of bike and motorbike

通過(guò)以上分析可以得出，如果目標(biāo)的檢測(cè)評(píng)分高于閾值較多，說(shuō)明檢測(cè)出的目標(biāo)特征比較明顯，正確的概率較大，此時(shí)出現(xiàn)相似性誤檢的概率較小，則認(rèn)為該檢測(cè)不需要進(jìn)行相似性確認(rèn).如果檢測(cè)評(píng)分出現(xiàn)在閾值較小范圍的鄰域內(nèi)時(shí)，就可能出現(xiàn)因外形相似而造成誤檢.判斷是否需要進(jìn)行相似模板的確認(rèn)，其表達(dá)式為

式中：sco表示對(duì)可能區(qū)域的總評(píng)分；thresh表示判斷閾值；neig表示判斷鄰域的大小.PD（sco）的結(jié)果如果為0表示需要進(jìn)行相似模板的確認(rèn)，結(jié)果為1表示不需要.

對(duì)于相似模板的確認(rèn)，本文使用可變形部件模型.該模型通過(guò)將待檢測(cè)目標(biāo)分成各個(gè)部件來(lái)提高檢測(cè)的準(zhǔn)確度，可以很好地解決模板相似的問(wèn)題.例如，飛機(jī)和鳥外形相似，在根濾波器下評(píng)分接近，但是通過(guò)對(duì)敏感部位的檢測(cè)，如鳥的腿部和飛機(jī)機(jī)身，可以得到相對(duì)較大的評(píng)分差距，進(jìn)而增加最終結(jié)果的準(zhǔn)確度.

由于PASCAL VOC 2007只有20個(gè)分類，并且具有相似性的分類集合最大為3，那么對(duì)于時(shí)間上的額外消耗也就處在了可控的范圍內(nèi)，不會(huì)對(duì)算法的速度產(chǎn)生太大影響.

2.3 模板訓(xùn)練

本文遵循傳統(tǒng)的HOG算法，使用線性支持向量機(jī)（SVM）作為分類判別器，并且使用PASCAL VOC 2007作為訓(xùn)練數(shù)據(jù)集.該數(shù)據(jù)集含有大量訓(xùn)練圖片，這些圖片中的檢測(cè)目標(biāo)都由邊框標(biāo)注出來(lái).初始的根濾波器是通過(guò)PASCAL VOC 2007數(shù)據(jù)集中帶邊框的圖片產(chǎn)生的，部件濾波器由根濾波器初始化得到.

本文算法的具體學(xué)習(xí)過(guò)程主要分為兩個(gè)階段：第一階段是進(jìn)行正樣本訓(xùn)練和負(fù)樣本訓(xùn)練，其中正樣本圖片包含待檢測(cè)目標(biāo)，負(fù)樣本圖片不包含待檢測(cè)目標(biāo)，從而得到初步的分類判別器；第二階段使用已經(jīng)得到的初步分類器對(duì)負(fù)訓(xùn)練圖像進(jìn)行掃描，把掃描結(jié)果有誤的圖片作為誤測(cè)樣本，然后用正樣本、負(fù)樣本和誤測(cè)樣本組成一個(gè)總的集合，再次學(xué)習(xí)得到最終的分類判別器.分類器的分類界面表達(dá)式為

式中，w、b為平面參數(shù).這樣就可以使用得到的分類判別器對(duì)待檢測(cè)圖像進(jìn)行分類［11］.

3 基于HOG的模板匹配檢測(cè)算法

本文算法主要分成兩個(gè)階段：訓(xùn)練階段和檢測(cè)階段.由于數(shù)據(jù)集變得越來(lái)越復(fù)雜，使用簡(jiǎn)單的訓(xùn)練方法往往就可以達(dá)到比較好的效果，因此，本文使用線性支持向量機(jī)（SVM）來(lái)進(jìn)行分類.檢測(cè)部分的算法流程如圖3所示.

圖3 算法總體流程圖Fig.3 Overall flow chart of algorithm

算法的檢測(cè)首先是從圖片的中心區(qū)域開始，可以盡可能快速地找到目標(biāo).如果某個(gè)區(qū)域評(píng)分非常高，可直接認(rèn)定該區(qū)域?yàn)榇龣z測(cè)目標(biāo)，如果圖片中出現(xiàn)了評(píng)分比較接近閾值的區(qū)域，則需要使用可變形部件模型進(jìn)行更加精確地評(píng)分.由于可變形部件模型只用于評(píng)分較為模糊的區(qū)域，減少了不必要的計(jì)算，這對(duì)算法速度的提高有較大幫助.

如果檢測(cè)過(guò)程中發(fā)現(xiàn)中心區(qū)域確實(shí)沒(méi)有待檢測(cè)目標(biāo)，算法也會(huì)對(duì)圖像中出現(xiàn)概率小的地方進(jìn)行檢測(cè)，防止對(duì)目標(biāo)的遺漏.

在檢測(cè)過(guò)程中，算法首先使用HOG算法的根濾波器進(jìn)行檢測(cè)并計(jì)算評(píng)分.如果評(píng)分明顯大于或小于閾值，則認(rèn)定該區(qū)域是否為待檢測(cè)目標(biāo).如果不能認(rèn)定，則使用可變形部件模型進(jìn)行檢測(cè).由于使用可變形部件模型非常耗時(shí)，但又具有很高的準(zhǔn)確性，所以對(duì)于可變形部件模型的使用時(shí)機(jī)十分關(guān)鍵.在普通情況下，使用根濾波器處理結(jié)果分明的圖片，也就是評(píng)分較高或較低的圖片，不使用可變形部件可以節(jié)省大量的檢測(cè)時(shí)間.

通過(guò)上述描述可以發(fā)現(xiàn)，本文方法主要檢測(cè)對(duì)象是針對(duì)靜態(tài)圖片的，由于靜態(tài)圖片中的場(chǎng)景相對(duì)規(guī)范，更容易找到目標(biāo).另外，本文方法更傾向于確定目標(biāo)是否存在，而不是統(tǒng)計(jì)目標(biāo)數(shù)量.

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證算法的可行性，本文對(duì)算法進(jìn)行了測(cè)試，并提供各個(gè)步驟的結(jié)果.程序的運(yùn)行環(huán)境是W indows 7操作系統(tǒng)下的Matlab R2013a，硬件環(huán)境中CPU為Intel Core I7 4770k，內(nèi)存8GB.測(cè)試環(huán)境使用PASCAL VOC 2007數(shù)據(jù)集，該數(shù)據(jù)集包括9 963張圖片，共分成20個(gè)目標(biāo)類.

圖4為3組圖片的實(shí)驗(yàn)結(jié)果.3組圖片中，第1組的檢測(cè)目標(biāo)為羊，第2組的檢測(cè)目標(biāo)為鳥，第3組的檢測(cè)目標(biāo)為火車.每組包含圖片處理3個(gè)階段的結(jié)果，分別為原始圖像、對(duì)圖像中心區(qū)域的標(biāo)注、根濾波器對(duì)中心區(qū)域的評(píng)分，圖像中亮度越暗，表示評(píng)分越高.

圖4 各階段實(shí)驗(yàn)結(jié)果對(duì)比Fig.4 Com paring in experimental results in each stage

通過(guò)實(shí)驗(yàn)可以看出，前 2組圖片根濾波器評(píng)分中黑白對(duì)比比較模糊，說(shuō)明根濾波器評(píng)分比較接近閾值；而第3組根濾波器評(píng)分的對(duì)比比較明顯，說(shuō)明評(píng)分比較高.這就需要對(duì)前兩組圖片進(jìn)行下一步的檢測(cè)，而第3組圖片的檢測(cè)結(jié)果可以作為最后的結(jié)果.

圖5為3組圖片的最終檢測(cè)結(jié)果.由于前兩組圖片的檢測(cè)使用了可變形部件模型以及相似模板，因此檢測(cè)結(jié)果是通過(guò)分散的部件評(píng)估出來(lái)的整體結(jié)果.

圖5 實(shí)驗(yàn)最終結(jié)果對(duì)比Fig.5 Comparing in final experimental results

表1給出了本文算法與文獻(xiàn)［11－12］中算法的平均準(zhǔn)確率（average precision，AP）的對(duì)比. AP是對(duì)不同召回率特定點(diǎn)上的正確率進(jìn)行求平均值的計(jì)算，其表達(dá)式為

式中：t為對(duì)召回率所有值分成的份數(shù)；Qi為每個(gè)召回率中每個(gè)特定點(diǎn)對(duì)應(yīng)的準(zhǔn)確率.例如，計(jì)算AP時(shí)首先把召回率從0～1分成10等份，根據(jù)召回率分別為0，0.1，0.2，…，1.0的11個(gè)邊界點(diǎn)上的正確率求平均值，則AP就等價(jià)于這11個(gè)點(diǎn)的平 均值［13］.

表1 平均準(zhǔn)確率對(duì)比Tab.1 Comparison in average accuracy

由表1可以看出，本文算法對(duì)于邊緣輪廓有相似性的分類，如自行車、飛機(jī)、羊和火車的效果比較好，而對(duì)于相似性不大的分類，如船和轎車等的檢測(cè)效果提升不明顯，說(shuō)明本文算法通過(guò)對(duì)模板相似性進(jìn)行檢測(cè)起到了提高準(zhǔn)確率的作用，但是僅對(duì)圖片中心大概率部分進(jìn)行檢測(cè)會(huì)丟失圖片中的其他檢測(cè)目標(biāo)，從而降低準(zhǔn)確率.

為了分析各種算法的效率，表2給出了本文算法與文獻(xiàn)［11－12］中算法的運(yùn)行時(shí)間對(duì)比.從表2中可以看出，本文算法對(duì)于船、人和轎車等分類的檢測(cè)速度提高較大，而對(duì)于其他分類效果不明顯，例如自行車和飛機(jī).通過(guò)分析可以發(fā)現(xiàn)，自行車與摩托車，以及飛機(jī)與鳥的相似度較大，檢測(cè)過(guò)程中更有可能進(jìn)行相互評(píng)分對(duì)比，由此造成檢測(cè)速度降低.而船和人沒(méi)有相似的模板，因此在每次的檢測(cè)中都會(huì)節(jié)省大量的時(shí)間.

表2 運(yùn)行時(shí)間對(duì)比Tab.2 Comparison in running time s

通過(guò)上述實(shí)驗(yàn)對(duì)比可以發(fā)現(xiàn)，本文算法對(duì)于大部分類別在速度上有穩(wěn)定保證，但是該算法也存在一定的問(wèn)題，對(duì)圖片邊緣地帶會(huì)出現(xiàn)漏檢現(xiàn)象.因此，本文算法對(duì)檢測(cè)結(jié)果準(zhǔn)確度和速度同時(shí)都有需求的情況下比較適用.

5 結(jié) 論

本文提出了一種基于傳統(tǒng) HOG算法的區(qū)域優(yōu)化模板檢測(cè)算法.該算法通過(guò)檢測(cè)圖像大概率區(qū)域并使用相似模板確認(rèn)檢測(cè)的方法，改進(jìn)了傳統(tǒng)的檢測(cè)窗口效率低下和相似模板誤檢的問(wèn)題，而且該算法還能夠分辨邊緣相似類別的同時(shí)提高算法的檢測(cè)速度，提升了算法總體效率.通過(guò)對(duì)實(shí)驗(yàn)中各個(gè)類別的統(tǒng)計(jì)可以發(fā)現(xiàn)，文獻(xiàn)［11－12］的算法對(duì)這些類別的檢測(cè)平均AP分別為0.288、0.317，使用時(shí)間分別為4.59、4.64 s，而本文算法的平均 AP為0.293，平均時(shí)間為4.28 s.結(jié)果表明，本文算法在時(shí)間上提升比較明顯，在 AP的對(duì)比上低于文獻(xiàn)［12］.由此可以推斷，該方法在對(duì)檢測(cè)結(jié)果要求不嚴(yán)格的情況下可以起到比較明顯的快速檢測(cè)效果.

（

）：

［1］孫銳，侯能干，陳軍.基于特征融合和交叉核 SVM的快速行人檢測(cè)方法［J］.光電工程，2014，41（2）：53－62.（SUN Rui，HOU Neng-gan，CHEN Jun.Fast pedestrian detection method based on features fusion and intersection kernel SVM［J］.Opto-Electronic Engineering，2014，41（2）：53－62.）

［2］魏巖，涂錚錚，鄭愛(ài)華，等.結(jié)合RGB顏色特征和紋理特征的消影算法［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2013，23（10）：72－74.（WEI Yan，TU Zheng-zheng，ZHENG Ai-hua，et al. Shadow elimination algorithm of combination of RGB color feature and texture feature［J］.Computer Technology and Development，2013，23（10）：72－74.）

［3］于成龍.基于PCA的特征選擇算法［J］.計(jì)算機(jī)技術(shù)與發(fā)展，2011，21（4）：123－125.（YU Cheng-long.Features selection algorithm based on PCA ［J］.Computer Technology and Development，2011，21（4）：123－125.）

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

［5］Felzenszwalb P，McAllester D，Ramanan D.A discriminatively trained，multiscale，deformable part model［C］／／IEEE Conference on Computer Vision and Pattern Recognition.Anchorage，USA，2008：1－8.

［6］Yuhi G，Koichiro Y，Hironobu F.CS-HOG：color similarity-based HOG［C］／／2013 19th Korea-Japan Joint Workshop on Frontiers of Computer Vision. Incheon，Korea，2013：266－271.

［7］劉威，段成偉，遇冰，等.基于后驗(yàn) HOG特征的多姿態(tài)行人檢測(cè)［J］.電子學(xué)報(bào)，2015，43（2）：217－224.（LIUWei，DUAN Cheng-wei，YU Bing，et al.Multipose pedestrian detection based on posterior HOG feature［J］.Acta Electronica Sinica，2015，43（2）：217－224.）

［8］Plath N，Toussaint M，Nakajima S.Multi-class image segmentation using conditional random fields and global classification［C］／／Proceedings of the 26th Annual International Conference on Machine Learning. Quebec，Canada，2009：817－824.

［9］姚雪琴，李曉華，周激流.基于邊緣對(duì)稱性和HOG的行人檢測(cè)算法方法［J］.計(jì)算機(jī)工程，2012，8（5）：179－182.（YAO Xue-qin，LIXiao-hua，ZHOU Ji-liu.Pedestrian detection method based on edge symmetry and HOG［J］.Computer Engineering，2012，8（5）：179－182.）

［10］宮義山，董晨.基于貝葉斯網(wǎng)絡(luò)的缺失數(shù)據(jù)處理［J］.沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2010，32（1）：79－83.（GONG Yi-shan，DONG Chen.Data patching method based on Bayesian network［J］.Journal of Shenyang University of Technology，2010，32（1）：79－83.）

［11］Felzenszwalb P F，M cAllester D，Ramanan D.Object detection with discriminatively trained part-based models［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（9）：1627－1645.

［12］Zhu L，Chen Y H，Yuille A L，et al.Latent hierarchical structural learning for object detection［C］／／The Twenty-Third IEEE Conference on Computer Vision and Pattern Recognition.San Francisco，USA，2010：1062－1069.

［13］常娥，侯漢清.平均檢準(zhǔn)率研究［J］.情報(bào)科學(xué)，2006，24（4）：627－631.（CHANG E，HOU Han-qing.Study on average precision in information retrieval［J］.Information Science，2006，24（4）：627－631.）

（責(zé)任編輯：鐘 媛 英文審校：尹淑英）

Template matching detection for optimized region based on HOG features

WANG Xi-bo1，WANG Bin1，ZHAO Hai2，ZHU Hong-bo2，GE Hong-shuai1，PAK Chun-hyok2
（1.School of Information Science and Engineering，Shenyang University of Technology，Shenyang 110870，China；2.School of Information Science and Engineering，Northeastern University，Shenyang 110819，China）

In order to solve the problem that the the detection efficiency of sliding window in HOG algorithm is low and the feature description of target is not accurate，an improved algorithm based on HOG was proposed，which could improve the detection efficiency of sliding window and reduce the influence of the target template similarity on the results.The entire target and each part were described with HOG features in the algorithm，and the area with high appearing probability of target would be preferentially detected.For the area whose score got near to the threshold，the deformable part model was used to carry out the accurate detection，which could avoid the inaccurate detection of templates with contour similarity. The results show that the proposed algorithm has higher accuracy for static images，and exhibits faster detection speed in many categories with low similarity.

histogram in gradient direction；deformable part model；sliding window；shape similarity；edge feature；root filter；part filter；support vector machine

TP 391.4

A

1000－1646（2016）06－0667－07

10.7688／j.issn.1000－1646.2016.06.13

2015－10－20.

遼寧“百千萬(wàn)人才工程”培養(yǎng)基金資助項(xiàng)目（2012921041）；中央高?；究蒲袠I(yè)務(wù)費(fèi)優(yōu)秀科技人才培育基金資助項(xiàng)目（N140405004）.

王溪波（1964－），男，遼寧沈陽(yáng)人，教授，博士，主要從事智能信息處理等方面的研究.

09－07 16∶08在中國(guó)知網(wǎng)優(yōu)先數(shù)字出版.

http：∥www.cnki.net／kcms／detail／21.1189.T. 20160907.1608.038.htm l

HOG的改進(jìn)算法，提高了滑動(dòng)窗口的檢測(cè)效率并減少了目標(biāo)模板相似性對(duì)結(jié)果帶來(lái)的影響.該算法利用HOG特征來(lái)描述目標(biāo)的整體和各個(gè)部件，優(yōu)先檢測(cè)圖像中目標(biāo)出現(xiàn)概率較大的區(qū)域.對(duì)于檢測(cè)評(píng)分比較接近閾值的區(qū)域使用可變形部件模型進(jìn)行精確檢測(cè)，從而可以避免具有輪廓相似性的模板檢測(cè)結(jié)果的不準(zhǔn)確.結(jié)果表明，該算法對(duì)于靜態(tài)圖片有較高的準(zhǔn)確率，且對(duì)于很多相似度不高的分類具有較快的檢測(cè)速度.