李盈盈，李菲菲，陳 虬

(上海理工大學 光電信息與計算機工程學院，上海 200093)

視覺信息是人類從客觀世界獲取的主要信息。隨著目標檢測系統(tǒng)的廣泛應用，對于目標檢測的精度要求越來越高。然而在復雜環(huán)境下實現(xiàn)高可靠性的目標檢測仍面臨著很大的困難，成為研究中重要和急需解決的問題。因此，本文就如何提高檢測精度進行了研究。

文獻[1]提出了一種靜態(tài)人體目標檢測方法，即基于Boosting算法的目標檢測的共現(xiàn)概率特征。采用方向梯度直方圖(Histogram of Oriented Gradient, HOG)特征量，通過2段式Real AdaBoost算法進行學習，生成共生概率特征量(Co-occurrence Probability Feature ，CPF)來進行目標檢測。基于此方法，本文選取不同類型的局部特征量，篩選后全部放入特征池中，通過特征量的兩兩配對來計算共生概率特征量是否會更加有效。

1 特征的選擇和融合

基于局部模式提取特征在特征提出中發(fā)揮著重要作用。局部特征的類型有很多，文獻[2]提出的HOG特征具有較好的幾何和光學不變性；文獻[3]提取出的局部二值模式(Local Binary Pattern，LBP)特征具有灰度和旋轉不變的紋理特性；文獻[4]將HOG與LBP相結合，用于解決人體目標檢測中的局部遮擋問題；而文獻[5]提出了顏色自相似性(Color Self-similarity，CSS)算法，一種通過成對提取局部空間的色彩分布進行統(tǒng)計計算的新的顏色特征描述方法。下面對HOG、LBPHOG、CSSHOG這3種特征的提取及融合進行闡述。

1.1 HOG特征

HOG特征是一種用來進行物體邊緣梯度檢測的特征描述子。首先需要將檢測圖像進行灰度化和Gamma歸一化。然后計算每個像素的梯度包括大小和方向，如式(1)所示

(1)

其中Gx(x,y)和Gy(x,y)為x方向和y方向的梯度分量。然后為了統(tǒng)計局部圖像梯度信息并進行量化，對每個單元格(cell)構建梯度方向直方圖

(2)

其中統(tǒng)計梯度信息時采用三線性插值，然后將單元格組成塊(Block)，實現(xiàn)塊內歸一化梯度直方圖，此處使用了L2-Norm方法

(3)

最后將所有Block的描述符串聯(lián)生成圖像的HOG特征描述向量。HOG特征的可視圖如圖1所示。

圖1 灰度圖像與HOG特征可視圖

1.2 LBPHOG特征

LBP算法是一種典型的結構與統(tǒng)計相結合的圖像紋理分析方法，多用于數(shù)字圖像處理和模式識別，度量和提取圖像局部紋理信息。LBP包含了原始模式、圓形模式、旋轉不變模式和等價模式[4-6]。

LBP的前3種模式均滿足2P的模型數(shù)量，即隨著采樣點數(shù)的增加，其模型數(shù)也呈指數(shù)增加。雖然較多的數(shù)據(jù)有助于提高精確度，但對特征的提取和分類都是較為不利的。因此進行進一步改進，當0、1跳變小于等于兩次時歸為等價模式[4]。

(7)

其中，U(LBPP,R) 為排序后的最小值

U(LBPP,R)=|s(gp-1-gc)-s(g0-gc)|+

通過不斷的改進，模型數(shù)由原來的2P減為P+1，仍保留所需的重要信息。當實驗選取R=1，P=8，模型數(shù)由256種減為9種，使得特征維數(shù)大幅減少，同時也減少了高頻噪聲帶來的影響。

共生概率特征的生成，需要具有相同的直方圖特性。這里將LBP和HOG特征進行融合。融合過程如下，LBPHOG特征的可視圖如圖2所示。融合過程:

(1)輸入樣本 {Xi}，i=1，…，N；

(2)進行如下計算：

對于樣本集中的每張圖像：

對于圖像中的每一個cell：

計算CELL= Uniform-LBP(cell)

對于CELL圖像中的每一個cell:

計算HOG(cells)

計算HOG(Blocks)；

(3)輸出LBPHOG特征。

圖2 LBP與LBP-HOG特征的可視圖

1.3 CSSHOG特征

CSS特征是一種基于色彩的局部相似特征描述算子，通常利用服裝和皮膚顏色的相似性來進行圖像檢測[3，7]，常見的圖像色彩一般為RGB圖像。

首先需要將RGB圖像轉化為HSV圖像，而HSV圖像為3個通道，所以計算時要將其轉化為原點系坐標，轉化公式為

(8)

轉化過后做以下計算

可是接下來的一幕把所有人都嚇傻了，周暄一拳頭揮過去把那人打倒在地，又沖上去補了兩拳，對方不甘心，跟周暄廝打，飯局一片混亂，一群人費了好大勁兒才把他倆拉開。

(9)

其中，c為當前所計算的cell，M×M為cell的大小，r={u,t,v}，Ic(x,y,r)為每個像素在3個通道上的值。

然后采用X2距離計算cell中每個像素與cell的相似性。計算見公式

(10)

將得到的S(x,y,c)作為每個像素的相似值，對該相似特征值采用HOG算法進行處理。計算步驟如下，可視圖如圖3所示。

圖3 CSS與CSS-HOG特征的可視圖

計算步驟：

(1)輸入樣本集{Xi}，i=1，…，N；

(2)進行如下計算：

對于樣本集中的每一張圖片：

對于圖像中的每一個cell：

計算相似值Value = CSS(pixel)

計算HOG(cells)

計算HOG(Blocks)；

(3)輸出CSSHOG特征。

2 共生概率特征的生成

CPF是一種新提出的圖像處理算法，通過不同數(shù)據(jù)特征的聯(lián)合來提高圖像處理的精度[8-9]。

首先將提取的HOG、LBPHOG和CSSHOG特征放入同一個特征池。概率密度函數(shù)通過局部特征的直方圖計算得到

(11)

(12)

其中，Dt(i)=1/N為樣本權重，N為樣本總數(shù)，y∈{+1,-1}為樣本類別標簽，j為直方圖中的一個方向。

然后通過概率密度函數(shù)計算弱分類器，計算公式為

(13)

其中，v為輸入的局部特征； 是防止分母為零的系數(shù)。

最后計算CPF，有兩種操作手法：一種是加法，代表了兩個被選特征的弱關系；另一種是乘法，代表了兩個被選特征的強關系

CPF+=f1(vc1)+f2(vc2)

(14)

CPF×=f1(vc1)+f2(vc2)

(15)

3 分類器的選擇及訓練

分類器模型有很多，其中基于統(tǒng)計模型的分類器占據(jù)主導地位，包括人工神經(jīng)網(wǎng)絡、SVM和AdaBoost等。多分類器級聯(lián)機制的引入顯著提高了目標檢測效率[10-11]。

圖4 Real AdaBoost的訓練過程

文獻[12]運用不同的分類器對人體進行檢測，經(jīng)過大量實驗得出了SVM檢測效果最好，AdaBoost級聯(lián)方法檢測率高且運算復雜度低的結論。另外文獻[13]又提出了一種基于隱形SVM的目標檢測系統(tǒng)，并且在PASCAL數(shù)據(jù)庫上取得了優(yōu)秀的檢測結果。

本實驗采用Real AdaBoost分類器，并且在分類器的使用過程中采用了嵌套的形式，即利用兩個Real AdaBoost分類器，其中一個作為另一個(最終分類器)的訓練環(huán)節(jié)。詳細計算步驟參見圖4，具體實現(xiàn)如下：在上述流程中，(1)為通過第一階段的Real AdaBoost 實現(xiàn)特征篩選的過程；(2)為通過第二階段的Real AdaBoost 生成最后強分類器的過程。

兩段式Real AdaBoost分類器的實現(xiàn)

(1)輸入帶標簽的訓練樣本：

{xi,yi}i=1,2,…,N,yi∈{-1,+1}；

(2)初始化權重

D1(i)=1/N；

(3)訓練過程如下：

對于學習次數(shù)t=1,…,T：

對于弱分類器個數(shù)m=1,…,M：

生成CPF

計算概率密度函數(shù)W

計算弱分類器

生成評估值Zm

生成弱分類器:

h1=arg minZt,m

更新樣本權重：

Dt+1(i)=Dt(i)exp[-yiht(xi)]；

(4) 輸出強分類器：

通過上文可以發(fā)現(xiàn)，想要計算所有特征的CPF需要消耗大量的時間并且會產(chǎn)生較高的數(shù)據(jù)維度，所以在計算局部特征的概率密度函數(shù)后使用巴塔恰里亞下界(Bhattacharyya Bound，Zt)縮小特征選取范圍，見式(16)。選取錯誤率較小的前200個特征進行CPF的計算，實現(xiàn)數(shù)據(jù)維度和計算量的減小

(16)

概率密度函數(shù)來源于式(11)和式(12)，將篩選出的特征用來計算CPF。

4 實驗分析

4.1 數(shù)據(jù)庫

近年來，大量公開數(shù)據(jù)庫提供了不同光照、背景、姿勢、視角等多種復雜情況下的目標圖片用于評估目標檢測方法的性能。實驗選用INRIA數(shù)據(jù)庫。在進行試驗前需將正負樣本進行尺寸統(tǒng)一(64,128)。表1為訓練和測試的正負樣本個數(shù)。

表1 訓練和測試正負樣本個數(shù)

4.2 實驗

為了證明本實驗提出的方法行之有效，將所建立的新方法與文獻[1]中的方法進行比較。由于數(shù)據(jù)庫存在些許差異，所以又采取了另外一種驗證方式，即使用沒有結合的HOG特征先經(jīng)過PCA降至200維，然后直接使用Real AdaBoost分類器進行分類檢測。所有的實驗結果均通過受試者工作特性曲線(Receiver Operator Characteristic，ROC)進行觀察比較。ROC曲線是以負正類率(False Positive Rate，F(xiàn)PR)為縱坐標、真正類率(True Negative Rate，TPR)為橫坐標繪制成曲線，最靠近坐標圖左上方的點為敏感性和特異性均較高的臨界值。

4.3 實驗結果

實驗結果的ROC曲線如圖5所示，其中HOG(1) 表示的是傳統(tǒng)使用PCA進行數(shù)據(jù)維度降低后的RealAdaBoost分類檢測率。而HOG(CPF)是使用文獻[1]中算法得到的檢測率。剩余的6條曲線為本實驗提出的改進特征對應的檢測率?？梢园l(fā)現(xiàn)HOG(CPF)特征的檢測率比傳統(tǒng)的HOG特征檢測率有明顯的提升，而改進后特征對應的檢測率比HOG(CPF)特征對應的檢測率又有了相應不同程度的提升，詳細數(shù)據(jù)參見表2。經(jīng)過改進的特征融合了紋理和色彩特性，有效解決了行人檢測中出現(xiàn)的遮擋和半重疊問題，如圖6所示。然而在進行檢 測的過程中，由于存在行人姿態(tài)多變性和嚴重遮擋等問題，因此仍存在一定的誤檢和漏檢情況，如圖7所示。

圖5 實驗ROC特性曲線

圖6 有效實現(xiàn)遮擋和半重疊的檢測

圖7 左圖黑框為漏檢，右圖黑框為誤檢

1%2%3%4%5%HOG(1)63.7580.8389.791 793.5495.312HOG(CPF)94.062 595.65297.161 597.942 798.072 9LBPHOG94.37596.2597.656 297.968 898.255 2CSSHOG94.479296.484 497.838 598.15198.333HOG+LBPHOG94.947 997.057 398.15198.359 498.541 7HOG+CSSHOG95.286 597.369 898.203 198.489 698.543 8LBPHOG+CSSHOG95.755 297.838 598.463 598.697 998.802 1HOG+LBPHOG+CSSHOG96.328 198.046 998.854 298.854 299.010 4

表2描述了不同F(xiàn)PR下的檢測率?？梢园l(fā)現(xiàn)在FPR為1%時，HOG(CPF)特征比HOG(1)特征提升了30.31%，而LBPHOG特征和CSSHOG特征與HOG(CPF)特征相比又分別提升了0.312 5%和0.416 7%。從顯示的數(shù)據(jù)來看，盡管隨著FPR的增大，檢測率的提升速度有所緩和，但在FPR為5%時，改進特征的最高檢測率為99.010 4%，仍比傳統(tǒng)HOG特征對應的檢測率提高了3.608 4%。以上實驗結果及分析證明了本文所提算法的有效性。

5 結束語

本文對圖像處理常用的HOG特征提出了改進，并基于該改進特征生成共生概率特征。本文提出的算法改進使得共生概率特征不僅具有HOG、LBPHOG、CSSHOG這3種特征的特性，還大幅減少了計算維度，在保證計算速度的同時提高了檢測精度。不過通過上述實驗結果顯示CSSHOG的特征曲線一直高于LBPHOG的特征曲線，與預估稍有偏差。接下來要做的是考慮LBP和CSS特征在不與HOG特征融合的情況下能否實現(xiàn)共生概率特征的計算。