謝 敏

(南京郵電大學(xué) 通達(dá)學(xué)院，江蘇 揚(yáng)州225000)

0 引言

行人檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域的重要研究課題[1-2]，應(yīng)用于人工智能系統(tǒng)、智能車輛駕駛系統(tǒng)等領(lǐng)域。存在視頻環(huán)境復(fù)雜，天氣、光照強(qiáng)度和角度都有變化；人體紋理信息和形態(tài)的多樣化等干擾因素，使得圖像特征信息檢測(cè)的速度慢、識(shí)別率低。行人的特征提取大多采用滑動(dòng)窗口全局搜索的方法，因此滑動(dòng)窗口的數(shù)量和圖像大小成正比。檢測(cè)過程中大部分窗口不含有檢測(cè)目標(biāo)，所以減少窗口數(shù)量可以減少無效的檢測(cè)，進(jìn)而提高檢測(cè)效率[3-7]。本文提出利用混合高斯模型對(duì)視頻中運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行梯度直方圖的特征提取，大大減少了特征提取的區(qū)域范圍，從而提高了檢測(cè)效率。

1 混合高斯模型

行人檢測(cè)易受特征描述子的維度和待檢測(cè)圖片大小等因素的影響，維度越高、視頻圖片越大都會(huì)造成檢測(cè)時(shí)間變長(zhǎng)。行人的狀態(tài)是移動(dòng)的，因此利用運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)，檢測(cè)出視頻中的運(yùn)動(dòng)區(qū)域[8-10]。對(duì)運(yùn)動(dòng)區(qū)域提取特征，大幅減小了特征檢測(cè)區(qū)域，從而減少檢測(cè)時(shí)間，提高檢測(cè)效率。

混合高斯模型常應(yīng)用于復(fù)雜場(chǎng)景下的背景建模，因其能適應(yīng)背景的變化，所以優(yōu)于其他傳統(tǒng)模型。本文使用自適應(yīng)混合高斯建模(GMM)，對(duì)于隨機(jī)變量X的觀測(cè)數(shù)據(jù)集(x1，x2，…，xN)，xt=(rt，gt，bt)為t時(shí)刻像素的樣本，則單個(gè)采樣點(diǎn)xt的高斯分布概率密度函數(shù)：

在高斯混合模型中，視頻中光強(qiáng)度隨時(shí)間的改變發(fā)生動(dòng)態(tài)改變，因此背景圖像需要不斷地更新。

在視頻中，行人運(yùn)動(dòng)速度緩慢，在路口需要等待較長(zhǎng)時(shí)間，所以傳統(tǒng)的高斯模型很難檢測(cè)出運(yùn)動(dòng)速度緩慢或者靜止的前景。根據(jù)行人運(yùn)動(dòng)的特點(diǎn)對(duì)高斯模型進(jìn)行了改進(jìn)，通過系數(shù)控制前景融入背景的時(shí)間，減少前景成為背景的可能性。

如果行人p在場(chǎng)景中的停留時(shí)間tp足夠長(zhǎng)，滿足tp>ts，其中，wp，ts=1-T，則：

wp，tp>1-T，p≤k，

即：

此時(shí)，靜止的行人p進(jìn)入背景模型，所有把權(quán)值的均值也作為前景分割的條件，

wk，t=(1-λ)wk，t-1+λ(wk，t)，

式中，wk，t為權(quán)值的均值，表示每個(gè)高斯模型的權(quán)值在時(shí)間上的均值；λ為學(xué)習(xí)率。

2 HOG特征提取

更新檢測(cè)區(qū)域范圍，調(diào)整區(qū)域范圍為方向梯度直方圖(Histogram of Oriented Gradient，HOG)檢測(cè)窗口大小，尤其是前景的邊緣，容易出現(xiàn)漏檢的情況，對(duì)候選區(qū)進(jìn)行提取HOG。

HOG的思想是：圖像中梯度和邊緣的方向密度分布可以較好地描述局部目標(biāo)的表像和形狀[11-15]。因而可以對(duì)候選區(qū)進(jìn)行提取HOG，再結(jié)合SVM分類器，對(duì)行人做檢測(cè)。HOG特征提取流程如圖1所示。

圖1 HOG特征提取流程

顏色空間標(biāo)準(zhǔn)化：顏色空間標(biāo)準(zhǔn)化是為了能夠減小光照的影響；調(diào)節(jié)圖像的對(duì)比度，來減小局部的陰影和光照變化的影響；由于顏色信息對(duì)特征提取的貢獻(xiàn)很小[16-19]，通常轉(zhuǎn)換成灰度圖，即：

Gray=0.3×R+0.59×G+0.11×B，Gamma壓縮公式：

Y(x，y)=I(x，y)γ，通常γ=0.5。

計(jì)算目標(biāo)區(qū)域中每個(gè)像素的梯度(包括梯度大小和方向)，獲得輪廓信息，減小光照的干擾。

圖像中像素點(diǎn)(x，y)的梯度為：

Gx(x，y)=H(x+1，y)-H(x-1，y)，

Gy(x，y)=H(x，y+1)-H(x，y-1)，

式中，Gx(x，y)，Gy(x，y)，H(x，y)分別是像素點(diǎn)(x，y)處的水平方向梯度、垂直方向梯度和像素值。

像素點(diǎn)(x，y)處的梯度幅值和方向分別為：

將目標(biāo)區(qū)域劃分成小單元，并計(jì)算出每個(gè)單元的梯度直方圖。為局部圖像區(qū)域提供一個(gè)編碼，并減弱行人的姿勢(shì)和外觀的敏感性。

把每個(gè)單元組合成較大的塊(Block)。串聯(lián)塊內(nèi)所有單元的特征，得到這個(gè)塊的HOG特征。歸一化梯度強(qiáng)度，進(jìn)一步地減少光照、陰影和邊緣的影響。

將所有Block的HOG特征依次串聯(lián)，得到該目標(biāo)的HOG特征。

3 實(shí)驗(yàn)結(jié)果分析

本算法采用VS2019和OpenCV實(shí)現(xiàn)。算法流程如圖2所示。

圖2 算法流程

本算法檢測(cè)到的行人用綠色框標(biāo)記如圖3所示。

圖3 行人檢測(cè)結(jié)果

本文算法基本能檢測(cè)出視頻中的行人，邊緣剛進(jìn)入的行人有漏檢的情況，但當(dāng)行人完全進(jìn)入畫面時(shí)依然可以檢測(cè)到。檢測(cè)結(jié)果對(duì)比如表1所示。

表1 檢測(cè)結(jié)果對(duì)比

通過實(shí)驗(yàn)表明：本文算法提高了檢測(cè)效率，對(duì)于錯(cuò)檢率也有所降低，HOG+SVM檢測(cè)速度約10幀每秒，本文算法檢測(cè)速度約25～30幀每秒，檢測(cè)效率增加，基本能夠滿足實(shí)時(shí)性的要求。

4 結(jié)束語

針對(duì)智能監(jiān)控中行人檢測(cè)實(shí)時(shí)性問題，提出了一種利用高斯混合模型進(jìn)行前景檢測(cè)來減少HOG特征提取的計(jì)算量。該方法先對(duì)視頻圖像進(jìn)行高斯背景建模，提取運(yùn)動(dòng)區(qū)域后，由于行人運(yùn)動(dòng)速度緩慢或保持靜止，所以改進(jìn)高斯混合模型背景更新的時(shí)間，以保證可以檢測(cè)到運(yùn)動(dòng)緩慢或靜止的行人。通過混合高斯模型檢測(cè)出候選區(qū)域，調(diào)整候選區(qū)域的尺寸為HOG檢測(cè)窗口大小，提取HOG特征，從而減少了HOG特征提取的計(jì)算量，檢測(cè)速度和效率有所提高。實(shí)驗(yàn)結(jié)果顯示，采用混合高斯模型來減少特征提取窗口的方法有較好的行人檢測(cè)效果，實(shí)時(shí)性好，基本可應(yīng)用于實(shí)時(shí)檢測(cè)的場(chǎng)合。