熊幫偉　劉勇

摘要 隨著社會(huì)的發(fā)展，安防監(jiān)控已成為維護(hù)我國(guó)社會(huì)安定的關(guān)鍵環(huán)節(jié)。行人檢測(cè)無疑是安防監(jiān)控中的重要方面，也是計(jì)算機(jī)視覺領(lǐng)域非常具有挑戰(zhàn)性的熱點(diǎn)，目前國(guó)內(nèi)外已有很多有關(guān)行人檢測(cè)方面的報(bào)道。HOG+SVM是當(dāng)前使用最為廣泛的行人檢測(cè)方法，很多行人檢測(cè)技術(shù)都是對(duì)經(jīng)典的HOG+SVM方法進(jìn)行改進(jìn)，其中對(duì)視頻中的行人檢測(cè)速度較快有C4行人檢測(cè)算法。對(duì)兩種行人檢測(cè)技術(shù)進(jìn)行了比較研究。

關(guān)鍵詞 安防監(jiān)控；行人檢測(cè)；HOG；SVM；C4

DOI DOI： 10.11907/rjdk.162336

中圖分類號(hào)： TP302

文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào) 文章編號(hào)： 16727800（2017）002002204

0 引言

當(dāng)前，隨著中國(guó)社會(huì)的不斷發(fā)展，城市化進(jìn)程也不斷加快，居民們的人身安全和財(cái)物安全已成為廣受關(guān)注的問題。安防監(jiān)控是現(xiàn)階段維護(hù)我國(guó)社會(huì)安定的關(guān)鍵環(huán)節(jié)之一，因此對(duì)于相關(guān)技術(shù)也提出了更高要求。例如：安防監(jiān)控應(yīng)該有人工智能的視頻分析能力，能夠?qū)崿F(xiàn)“發(fā)現(xiàn)可疑人員并報(bào)警”及“自動(dòng)跟蹤可疑人員”等功能。其中，行人檢測(cè)是安防監(jiān)控中的重要環(huán)節(jié)，是實(shí)現(xiàn)“發(fā)現(xiàn)可疑人員并報(bào)警”及“自動(dòng)跟蹤可疑人員”的前提。

行人檢測(cè)是機(jī)器視覺、圖像處理等領(lǐng)域中相關(guān)應(yīng)用的關(guān)鍵技術(shù)之一，在安防監(jiān)控、無人汽車駕駛、機(jī)器人以及多媒體分析等方面具有廣泛的應(yīng)用前景和潛在的經(jīng)濟(jì)價(jià)值，因此成為了近年來的研究熱點(diǎn)。目前行人檢測(cè)技術(shù)已涌現(xiàn)出一批經(jīng)典算法，但是受姿態(tài)、遮擋、環(huán)境等干擾因素的影響，行人檢測(cè)技術(shù)在檢測(cè)的精確度、速度等方面仍有較大提升空間。

1 行人檢測(cè)技術(shù)現(xiàn)狀

行人檢測(cè)指獲取視頻或圖片信息，然后從其中檢測(cè)出行人位置。由于行人檢測(cè)涉及到服飾變化、姿態(tài)變化、遮擋等因素，還要考慮天氣、光線、路況變化，對(duì)算法的魯棒

性要求高，并且要滿足實(shí)時(shí)性要求。因此，行人檢測(cè)技術(shù)的研究很有價(jià)值，也非常具有挑戰(zhàn)性。

2005年Dalal等提出基于統(tǒng)計(jì)訓(xùn)練的方法，是經(jīng)典行人檢測(cè)方法，該方法利用梯度方向直方圖——HOG（Histogram of Oriented Gradient）來刻畫圖像局部梯度幅值和方向，然后利用支持向量機(jī)（SVM）分類器對(duì)待測(cè)圖像進(jìn)行檢測(cè)。如今，行人檢測(cè)技術(shù)趨于大規(guī)模和實(shí)用化，但也存在著檢測(cè)速度和檢測(cè)準(zhǔn)確度不高等缺點(diǎn)。在如何提高檢測(cè)速度和檢測(cè)準(zhǔn)確度方面，仍存在以下問題：①行人高度問題；②復(fù)雜場(chǎng)景問題；③分類器問題；④多特征融合問題。

2 HOG+SVM與C4兩種行人檢測(cè)技術(shù)分析

目前安防監(jiān)控領(lǐng)域的行人檢測(cè)技術(shù)較多，但很多都是對(duì)經(jīng)典的HOG+SVM方法進(jìn)行改進(jìn)，其中C4行人檢測(cè)算法對(duì)視頻中行人檢測(cè)速度較快。經(jīng)典的HOG+SVM方法與C4行人檢測(cè)算法兩種技術(shù)都是基于SVM的，只是特征上有些差異，下面對(duì)這兩種技術(shù)作簡(jiǎn)要介紹。

2.1 HOG+SVM人體檢測(cè)

Navneet Dalal和Bill Triggs在2005年的CVPR上發(fā)表的文章中首次提出了HOG特征，同時(shí)采用SVM分類器對(duì)HOG特征進(jìn)行分類，這種結(jié)合使行人檢測(cè)技術(shù)趨于實(shí)用化。由于基于該特征的行人檢測(cè)方法效果很好，吸引了眾多研究者關(guān)注。Dalal等最初只是用此方法檢測(cè)靜態(tài)圖像中的行人，但后來也用于在視頻和電影中檢測(cè)行人，以及檢測(cè)靜態(tài)圖像中的車輛、常見動(dòng)物等。HOG特征具有很多優(yōu)勢(shì)，其有效性主要來源于它對(duì)光照變化和少量偏移不敏感，同時(shí)還能描述局部形狀信息，能夠很好地刻畫人體的邊緣特征及其輪廓。

HOG描述子是在包含大小統(tǒng)一的細(xì)胞單元（Dense Grid of Uniformly Spaced Cells）的稠密網(wǎng)格上進(jìn)行計(jì)算，還采用了局部方向直方圖對(duì)比度歸一化。HOG特征提取方法的流程是：先輸入圖像，然后對(duì)其伽瑪和顏色進(jìn)行歸一化；計(jì)算梯度，對(duì)細(xì)胞單元的空間和方向進(jìn)行加權(quán)投票；對(duì)重疊空間塊進(jìn)行對(duì)比歸一化，再在檢測(cè)窗口收集描述子，用線性支持向量機(jī)對(duì)描述子進(jìn)行分類；最后由分類器識(shí)別人與非人，如圖1所示。

2.2 C4行人檢測(cè)算法

C4行人檢測(cè)算法對(duì)經(jīng)典的HOG+SVM方法進(jìn)行了算法上的改進(jìn)，能夠進(jìn)行快速行人檢測(cè)，實(shí)時(shí)視頻處理效果好、速度快。

由于Sobel[1]圖像能很好地計(jì)算邊緣信息，先計(jì)算Sobel圖像（見圖2），再進(jìn)行CT（Census Transform）[2]變換（見圖3）。所謂的C4是Human Contour Using a Cascade Classifier and the CENTRIST Visual Descriptor。

C4訓(xùn)練時(shí)采用線性SVM和HIK SVM。如圖4所示，與HOG特征提取時(shí)所設(shè)置的cell和block關(guān)系一樣，把窗口分成9*4個(gè)block，其中每個(gè)block大小為12*9，把鄰近的2*2個(gè)block作為一個(gè)Super block。因此，每個(gè)窗口則有8*3個(gè)Super block，得到的向量應(yīng)為24*256=6144維。

采用式（6）可以快速計(jì)算CENTRIST描述符，如圖5所示。圖5（a）表示式（2）的計(jì)算方法，Super block中的值代表CT圖像變換后的值，圖5（b）表示式（6）的快速計(jì)算方法，Super block中的值代表在分類器ω中前者CT圖像變換后的值。

3 對(duì)比實(shí)驗(yàn)與分析

基于Opencv的行人檢測(cè)方法，利用開源的跨平臺(tái)計(jì)算機(jī)視覺庫(kù)Opencv在Visual Studio進(jìn)行開發(fā)、調(diào)試及應(yīng)用。通過提取行人的梯度方向直方圖（HOG）特征，并利用事先準(zhǔn)備的樣本訓(xùn)練出來線性支持向量機(jī)（SVM）分類器對(duì)提取的行人特征進(jìn)行分類，建立一種基于梯度方向直方圖特征的行人檢測(cè)系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，該系統(tǒng)符合要求，能夠有效地檢測(cè)出行人。

3.1 開發(fā)平臺(tái)

Visual Studio 2010作為代碼編寫與編譯的平臺(tái)，其開發(fā)語言為C++。OpenCV2.4.4為微軟開源計(jì)算機(jī)視覺庫(kù)，OpenCV高效的矩陣運(yùn)算能力以及對(duì)通用視覺算法的 完美實(shí)現(xiàn)，都有助于項(xiàng)目開發(fā)。

3.2 實(shí)驗(yàn)數(shù)據(jù)介紹

實(shí)驗(yàn)數(shù)據(jù)分為3種：①三張多行人的圖片；②一些MIT行人庫(kù)的行人圖片，一些INRIA行人庫(kù)的正樣本，一些INRIA行人庫(kù)的負(fù)樣本；③十字路口的監(jiān)控圖片。

（1）先采用三張多行人的圖片分別對(duì)兩種方法進(jìn)行檢測(cè)，并將經(jīng)典的HOG+SVM和C4行人檢測(cè)算法在Opencv+VS2010中加以實(shí)現(xiàn)。實(shí)驗(yàn)結(jié)果如圖6所示，經(jīng)典的HOG+SVM實(shí)驗(yàn)結(jié)果為：a1、a2、a3、C4行人檢測(cè)算法實(shí)驗(yàn)結(jié)果為：b1、b2、b3。

實(shí)驗(yàn)結(jié)果表明，兩種方法都可以檢測(cè)行人，但有誤報(bào)，也有漏檢。相比經(jīng)典的HOG+SVM， C4行人檢測(cè)算法的檢測(cè)準(zhǔn)確率有所提高（誤報(bào)與漏檢較少）。由此可見，C4行人檢測(cè)算法在監(jiān)控中檢測(cè)行人具有一定優(yōu)勢(shì)。

（2）采用一些MIT行人庫(kù)的行人圖片、一些INRIA行人庫(kù)的正樣本，以及一些INRIA行人庫(kù)的負(fù)樣本進(jìn)行檢測(cè)。

一些MIT行人庫(kù)的行人圖片檢測(cè)結(jié)果如圖7所示，經(jīng)典HOG+SVM方法實(shí)驗(yàn)結(jié)果為：c1、c2、c3、c4、c5，C4行人檢測(cè)算法實(shí)驗(yàn)結(jié)果為：d1、d2、d3、d4、d5。實(shí)驗(yàn)結(jié)果表明，兩種方法都可以檢測(cè)行人，效果都比較好。

一些INRIA行人庫(kù)的正樣本的檢測(cè)結(jié)果如圖8所示，經(jīng)典HOG+SVM方法實(shí)驗(yàn)結(jié)果為：e1、e2、e3、e4、e5，C4行人檢測(cè)算法實(shí)驗(yàn)結(jié)果為：f1、f2、f3、f4、f5。實(shí)驗(yàn)結(jié)果表明，兩種方法都可以檢測(cè)行人，其中HOG+SVM漏檢多一點(diǎn)。

一些INRIA行人庫(kù)的負(fù)樣本的檢測(cè)結(jié)果如圖9所示，經(jīng)典HOG+SVM方法實(shí)驗(yàn)結(jié)果為：g1、g2、g3、g4、g5，C4行人檢測(cè)算法實(shí)驗(yàn)結(jié)果為：h1、h2、h3、h4、h5。實(shí)驗(yàn)結(jié)果表明，兩種方法都可以檢測(cè)行人，其中HOG+SVM誤檢多一點(diǎn)。

（3）采用十字路口的監(jiān)控圖片進(jìn)行檢測(cè)，實(shí)驗(yàn)結(jié)果如圖10所示。經(jīng)典HOG+SVM方法實(shí)驗(yàn)結(jié)果為：g1、g2，C4行人檢測(cè)算法實(shí)驗(yàn)結(jié)果為：h1、h2。實(shí)驗(yàn)結(jié)果表明，兩種方法都可以檢測(cè)行人?？赡苁且?yàn)閳D片較大，情景較復(fù)雜，兩種方法檢測(cè)行人的效果都不太好，都有較多誤檢和漏檢。綜合以上3種實(shí)驗(yàn)數(shù)據(jù)：可以看出C4行人檢測(cè)算法要比經(jīng)典的HOG+SVM方法檢測(cè)行人的準(zhǔn)確率高，誤檢與漏檢更少。

4 結(jié)語

本文比較了經(jīng)典的HOG+SVM方法和C4行人檢測(cè)算法，并利用Visual Studio 2010開發(fā)平臺(tái)及OpenCV計(jì)算機(jī)視覺庫(kù)進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，C4行人檢測(cè)算法性能較好，在檢測(cè)率、漏檢率等方面均優(yōu)于經(jīng)典的基于方向梯度直方圖算法的行人檢測(cè)系統(tǒng)。

參考文獻(xiàn)：

[1] 李新江，龔勛，李天瑞，等.面向視頻監(jiān)控的自動(dòng)行人檢測(cè)[J].計(jì)算機(jī)科學(xué)，2014，41（12）：264268.

[2] 李廣春，羅揚(yáng). 基于CENTRIST特征的實(shí)時(shí)行人檢測(cè)算法的實(shí)現(xiàn)[J].電腦知識(shí)與技術(shù)，2013，9（2）：370372.

[3] 賈慧星，章毓晉.車輛輔助駕駛系統(tǒng)中基于計(jì)算機(jī)視覺的行人檢測(cè)研究綜述[J].自動(dòng)化學(xué)報(bào)，2007，33（1）：8590.

[4] 張陽.復(fù)雜交通場(chǎng)景中基于視頻的行人檢測(cè)與跟蹤若干關(guān)鍵問題研究[D].廣州：華南理工大學(xué)，2013.

[5] 洪傳文，張建龍，李潔.多模版匹配及加權(quán)融合的行人檢測(cè)方法[J].濟(jì)南大學(xué)學(xué)報(bào)：自然科學(xué)版，2016，30（3）：216219.

[6] WU J，REGH J M.CENTRIST：a visual descriptor for scene categorization[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（8）：14891501.

[7] 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）：814820.

[8] BENENSON R，MATHIAS M， TIMOFTE R， et al. Fast stixel computation for fast pedestrian detection[C].Proceedings ECCV，2012：1120.

（責(zé)任編輯：黃 健）