鄭賢哲 王艷東 劉澤宇

[摘? ? 要]針對(duì)行人檢測(cè)領(lǐng)域的相關(guān)現(xiàn)實(shí)問題，傳統(tǒng)機(jī)器學(xué)習(xí)算法通常采用對(duì)整幅圖片以滑動(dòng)窗口逐步檢測(cè)的方法解決，這樣會(huì)因檢測(cè)非必要背景窗口過多而大大降低計(jì)算效率，針對(duì)上述問題提出一種基于多尺度滑動(dòng)窗口圖像檢測(cè)行人的新方法。首先以滑動(dòng)窗口遍歷圖像，對(duì)整幅圖片進(jìn)行顯著性檢測(cè)，然后通過二值化處理的方式，將顯著性物體分割出來，最后過濾非必要窗口，繼而提高檢測(cè)效率。實(shí)驗(yàn)中采用HOG方法提取行人特征，運(yùn)用線性SVM進(jìn)行檢測(cè)，最后驗(yàn)證新方法的有效性。實(shí)驗(yàn)中，使用大小為300×451Dpi、261×400Dpi的圖像，檢測(cè)窗口數(shù)量分別減少了44.21%、34.96%，檢測(cè)速率分別提高了9.30%、12.73%。實(shí)驗(yàn)結(jié)果表明，相比于傳統(tǒng)檢測(cè)方法，新方法提高了檢測(cè)效率。

[關(guān)鍵詞]HOG特征提取;行人檢測(cè);SVM;顯著性檢驗(yàn)

[中圖分類號(hào)]TP391 [文獻(xiàn)標(biāo)志碼]A [文章編號(hào)]2095–6487（2020）03–0–04

[Abstract]In view of the related practical problems in the field of pedestrian detection， traditional machine learning algorithms usually adopt a method of gradually detecting the entire picture with a sliding window， which will greatly reduce the computational efficiency due to the detection of too many unnecessary background windows. To solve the above problems， a new method of pedestrian detection based on multi-scale sliding window images is proposed. First， traverse the image with a sliding window to detect the saliency of the entire picture， then segment the salient objects by binarization， and finally filter the unnecessary windows to improve the detection efficiency. In the experiment， the HOG method is used to extract pedestrian features， linear SVM is used for detection， and finally the effectiveness of the new method is verified. In the experiment， using images with sizes of 300×451Dpi and 261×400Dpi， the number of detection windows was reduced by 44.21% and 34.96%， respectively， and the detection rate was increased by 9.30% and 12.73%， respectively. Experimental results show that compared with traditional detection methods， the new method improves detection efficiency.

[Keywords]HOG feature extraction; pedestrian detection; SVM; significance test

1 國(guó)內(nèi)外的研究現(xiàn)狀

近年來，隨著圖像識(shí)別技術(shù)的發(fā)展，基于圖像識(shí)別檢測(cè)行人的技術(shù)也得到廣泛的關(guān)注和研究。國(guó)內(nèi)外研究人員在特征提取、分類器改進(jìn)、圖像處理以及駕駛應(yīng)用等領(lǐng)域提出了各種不同的算法。

文獻(xiàn)[1]在智能車輛輔助駕駛系統(tǒng)、文獻(xiàn)[2-4]在智能交通控制以及智能視頻監(jiān)控等領(lǐng)域推動(dòng)了行人檢測(cè)技術(shù)的發(fā)展。文獻(xiàn)[5]提出了運(yùn)用梯度方向直方圖（HOG）算法提取行人特征的方法，并采用基于線性SVM的人體檢測(cè)作為測(cè)試用例，證明了定向梯度（HOG）描述符的直方圖網(wǎng)格能夠很好的體現(xiàn)行人特征。文獻(xiàn)[6]將排阻級(jí)聯(lián)（Cascade-of-Rejectors）方法與直方圖梯度特征集成，實(shí)現(xiàn)快速準(zhǔn)確的人體檢測(cè)。文獻(xiàn)[7-10]講述了一種基于邊緣對(duì)稱的行人檢測(cè)法，該算法根據(jù)車道識(shí)別方法獲得感興趣區(qū)域，通過感興趣區(qū)域垂直邊緣獲取行人雙腿的對(duì)稱軸，根據(jù)灰色對(duì)稱性和局部熵值驗(yàn)證候選區(qū)。文獻(xiàn)[11]提出了基于深度學(xué)習(xí)的行人檢測(cè)算法，該方法利用行人數(shù)據(jù)庫(kù)中行人的特征能被深度卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)的特點(diǎn)提高行人特征提取效率。文獻(xiàn)[12-14]提出通過多特征融合的方法獲取行人的特征。

2 方法

經(jīng)研究發(fā)現(xiàn)，在行人檢測(cè)過程中大部分重要信息會(huì)集中于一些關(guān)鍵的區(qū)域，即所謂的敏感性區(qū)域。如果能夠快速找出圖像中的敏感性區(qū)域，則可以加快圖像處理的速度。因此提出一種敏感性區(qū)域檢驗(yàn)方法，來解決傳統(tǒng)滑動(dòng)窗口易產(chǎn)生的問題。敏感性檢測(cè)方法主要包括顯著性檢驗(yàn)、顯著性圖二值化及敏感性區(qū)域分割。使用HOG算法提取行人特征，采用線性SVM作為分類器，然后結(jié)合提出的新方法，檢測(cè)其有效性。模型整體框架如圖1所示。

2.1 敏感區(qū)域檢測(cè)

2.1.1 顯著性檢測(cè)

以下采用基于圖像頻域分析顯著性檢測(cè)（FT）的方法。FT是用多個(gè)帶通濾波器對(duì)圖像的連續(xù)頻帶進(jìn)行濾波，將所有的輸出合并作為最終的顯著圖，然后產(chǎn)生全分辨率的顯著圖。整個(gè)過程通過疊加多個(gè)高斯帶通濾波器來實(shí)現(xiàn)的，高斯濾波器為：

式（1）中x，y表示圖像中像素的位置，σ1，σ2表示高斯分布的標(biāo)準(zhǔn)差，DOG帶通濾波器的通頻帶寬是由σ1，σ2的比值決定。

顯著性檢測(cè)公式為：

其中，

式中SFT（x，y）為圖像坐標(biāo)位置（x，y）處的顯著性像素，Iμ（x，y）為圖像轉(zhuǎn)換在Lab空間后的像素的算術(shù)平均值，Iwhc（x，y）為圖像高斯模糊后獲得的模糊圖像，模糊圖像可用來消除圖像中的紋理細(xì)節(jié)和噪聲。計(jì)算輸入圖像的平均矢量值與高斯模糊是矢量之間的歐氏距離，即可獲得圖像的顯著性圖像。

顯著性檢測(cè)具體實(shí)現(xiàn)流程如下，算法流程圖如圖2所示。

2.1.2 顯著圖二值化

利用上文敘述的顯著性模型可求得圖像的顯著性區(qū)域，所得到的顯著性圖像是一個(gè)單通道的灰度圖，然后根據(jù)顯著圖中背景和顯著性區(qū)域部分的差異可進(jìn)行二值化處理，進(jìn)而得到顯著性圖像的二值化圖像，采用最大類間方差法（即大津算法進(jìn)行二值化處理）分割出可能包含行人的感興趣區(qū)域。

最大類間方差是一種自適應(yīng)的閾值確定方法。算法假設(shè)圖像像素能夠根據(jù)閾值，被分成背景[background]和目標(biāo)[objects]兩部分。然后，計(jì)算該最佳閾值來區(qū)分這兩類像素，使得兩類像素區(qū)分度最大。

記M=256單通道灰度分級(jí)，Sum=像素總數(shù)

采用遍歷的方法得到使類間方差最大的閾值，即為所求。

2.2 特征提取

以下采用梯度直方圖（HOG）方法對(duì)圖像特征進(jìn)行提取。這個(gè)方法是建立在圖像本身的梯度特征圖基礎(chǔ)上的，而且在特征提取過程中使用了重疊的局部對(duì)比度歸一化的方法，進(jìn)一步提高了精確度。

因?yàn)镠OG方法的操作對(duì)象是圖像的局部邊緣特征，所以它在圖像幾何和光學(xué)的變化方面都有很好的適應(yīng)性，因此HOG方法是比較適用于圖像行人特征抽取。

2.3 分類器選擇

因?yàn)樾腥藱z測(cè)是典型的二分類問題，且SVM在二分類中表現(xiàn)較好，所以分類器選擇用SVM算法來測(cè)試提出方法的有效性。SVM基本原理如下：

對(duì)于給定的數(shù)據(jù)集：

針對(duì)線性可分的情況，要找到兩條直線，這兩條直線恰好平行，并且不含任何訓(xùn)練點(diǎn)，此時(shí)能夠把空間中的點(diǎn)分成兩類。這種條件下可以得到分類間隔是，將該條件轉(zhuǎn)化為最小。并且滿足，且使最小的分類面就是最優(yōu)分類面。最優(yōu)算法如下：

數(shù)據(jù)訓(xùn)練集為T.

構(gòu)造出并求解對(duì)于變量w，b的最優(yōu)化問題：

求解出最優(yōu)解。

3 實(shí)驗(yàn)分析

3.1 敏感性檢測(cè)分析

為了直觀表現(xiàn)出所述方法，采用兩張圖片突出敏感性檢測(cè)的特點(diǎn)。結(jié)果如圖3所示，其中（a）為對(duì)應(yīng)的灰度圖，（b）為顯著性圖。實(shí)驗(yàn)結(jié)果如圖3所示：

由以上實(shí)驗(yàn)結(jié)果可知：

（1）從整體來看，顯著圖不突出圖中物體的細(xì)節(jié)描述。

（2）因?yàn)轱@著性圖像是根據(jù)原圖像與Lab空間下平均像素值歐式距離來顯示的，所以會(huì)突出顏色相對(duì)比較亮或比較暗的部分，從而突出圖像中的物體。

（3）顯著性圖像比較明顯的表現(xiàn)出物體的邊緣。

（4）整體上顯著圖增加了物體和背景的差異性，方便二值化圖像處理，但是如果背景和前景像素值很近時(shí)，將不能很好的突出前景，比如圖中矩形標(biāo)出的位置。

3.2 HOG+SVM 實(shí)驗(yàn)分析

實(shí)驗(yàn)時(shí)，采用Dariu.M.Gavrila所建網(wǎng)站提供的行人數(shù)據(jù)集進(jìn)行行人檢測(cè)訓(xùn)練。使用的正樣本是大小為48×96 Dpi的行人圖像1767張，負(fù)樣本是大小為48×96 Dpi的非行人圖像1200張。然后用梯度直方圖方法對(duì)樣本圖像進(jìn)行特征提取，由計(jì)算可得，每張圖像樣本經(jīng)過特征提取所得特征向量長(zhǎng)度為1980，正負(fù)樣本特征提取完可求得1967行，1980列的特征矩陣，也就是支持向量機(jī)所要訓(xùn)練的數(shù)據(jù)。SVM進(jìn)行訓(xùn)練時(shí)，循環(huán)次數(shù)為10000次或者誤差為0.01是訓(xùn)練停止。為了檢測(cè)訓(xùn)練樣本的大小對(duì)正確率的影響，逐步增加正樣本，以767張行人圖像作為測(cè)試各個(gè)情況下檢測(cè)正確率的計(jì)算，檢測(cè)結(jié)果如表1所示。

由表1可知，當(dāng)負(fù)樣本個(gè)數(shù)保持不變，逐漸增大正樣本個(gè)數(shù)，則行人測(cè)試的正確率逐漸上升，但是非行人檢測(cè)的正確率卻有所下降。如果行人樣本增大，則SVM學(xué)習(xí)的行人特征越全面，對(duì)判斷行人的效果會(huì)增加，由于除了行人之外其它樣本都為非行人，即非行人的特征是非統(tǒng)一的、多樣的，所以非行人特征很難學(xué)習(xí)。因此增加行人樣本數(shù)，可以提高系統(tǒng)的行人識(shí)別能力，但是不足之處是會(huì)增加圖像中非行人的誤檢率。

行人檢測(cè)結(jié)果如圖4所示。

其中圖（a）為正樣本數(shù)為10000，負(fù)樣本數(shù)為1200時(shí)的檢測(cè)結(jié)果，根據(jù)結(jié)果知，誤檢率相對(duì)較大，可通過增加分類閥值提高檢測(cè)效果，圖（b）為正樣本1767，負(fù)樣本數(shù)1200的檢測(cè)結(jié)果，結(jié)果相對(duì)較好，但是有漏檢現(xiàn)象，可通過減小分類閥值調(diào)節(jié)。

3.3 行人檢測(cè)實(shí)例分析

此次實(shí)驗(yàn)選擇由正樣本為1767張，負(fù)樣本為1200張訓(xùn)練得到的SVM線性分類器，程序運(yùn)行環(huán)境為Visual Studio 2012。分別比較基于顯著性檢驗(yàn)的和沒有顯著性檢驗(yàn)的行人檢測(cè)方法的差別。以兩張圖像為例，檢測(cè)結(jié)果如表2和表3所示。

由表2和表3可知，相對(duì)于單純的HOG+SVM檢測(cè)方法，基于顯著性檢驗(yàn)的行人檢測(cè)方法可減少運(yùn)行時(shí)間。檢測(cè)速率分別提高了9.30%、12.73%，同時(shí)也減少了行人的誤檢個(gè)數(shù)，這是因?yàn)橥ㄟ^顯著性檢驗(yàn)可以過濾掉一些非行人部分，在一定程度上提高了檢測(cè)效果。但是如圖6可知，本設(shè)計(jì)存在部分行人漏檢的問題，這是由于HOG對(duì)行人特征提取不足所導(dǎo)致的，需要進(jìn)一步改進(jìn)。

4 結(jié)語

上文主要研究了單幅圖像中行人檢測(cè)的方法以及圖像處理過程，深入探討了行人圖像特征提取過程，分類器樣本訓(xùn)練方法及行人分類問題。 針對(duì)單純的特征提取和分類檢測(cè)的不足，運(yùn)用了一種圖像顯著性檢驗(yàn)算法，即基于圖像頻域分析的顯著性算法。通過該算法使圖像的前景部分更加明顯，然后對(duì)得到的顯著性圖像進(jìn)行二值化，分割出圖中待檢測(cè)的感興趣區(qū)域。針對(duì)待檢測(cè)圖像背景復(fù)雜、分割出的前景區(qū)域和背景區(qū)域交錯(cuò)等問題，提出了在運(yùn)用滑動(dòng)窗口滑動(dòng)時(shí)，首先計(jì)算滑動(dòng)窗口中前景區(qū)域占背景區(qū)域的百分比，再選擇出可能含有行人的檢測(cè)窗口，然后進(jìn)行行人檢測(cè)的檢測(cè)流程及算法。根據(jù)算法過程，再使用opencv以及c++程序編寫進(jìn)行實(shí)驗(yàn)驗(yàn)證，驗(yàn)證提出的方案具有可行性及實(shí)用價(jià)值。

參考文獻(xiàn)

[1] D. Geronimo，A. M. Lopez，A. D. Sappa and T. Graf，"Survey of Pedestrian Detection for Advanced Driver Assistance Systems，" in IEEE Transactions on Pattern Analysis and Machine Intelligence，vol. 32，no. 7，pp. 1239-1258，July 2010.

[2] J. Candamo，M. Shreve，D. B. Goldgof，D. B. Sapper and R. Kasturi，"Understanding Transit Scenes： A Survey on Human Behavior-Recognition Algorithms，" in IEEE Transactions on Intelligent Transportation Systems，vol. 11，no. 1，pp. 206-224，March 2010.

[3] 烏恩.智能視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法研究[D].北京：國(guó)防科學(xué)技術(shù)大學(xué)，2010

[4] 梁志剛.智能輔助駕駛系統(tǒng)中的行人檢測(cè)[D].上海：上海交通大學(xué)，2012.

[5] N. Dalal and B. Triggs，"Histograms of oriented gradients for human detection，" 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR'05），San Diego，CA，USA，2005，pp. 886-893 vol. 1.

[6] Qiang Zhu，Mei-Chen Yeh，KWang-Ting Cheng and S. Avidan，"Fast Human Detection Using a Cascade of Histograms of Oriented Gradients，" 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition （CVPR'06），2006，pp. 1491-1498.

[7] I. S. Han and W. S. Han，"Application of neuromorphic visual processing in pedestrian detection technology，" 2013 Science and Information Conference，London，2013，pp. 536-541.

[8] G. Lie，W. Rong-ben，J. Li-sheng，L. Lin-hui and Y. Lu，"Algorithm Study for Pedestrian Detection Based on Monocular Vision，" 2006 IEEE International Conference on Vehicular Electronics and Safety，Beijing，2006，pp. 83-87.

[9] J. Dong，J，Ge and Y，Luo，Nighttime Pedestrian Detection with Near Infrared using Cascaded Classifiers，2007 IEEE International Conference on Image Processing，San Antonio，TX[J].2007，pp，VI - 185-VI - 188.

[10] Junfeng Ge，Yupin Luo，Gyomei Tei，etc. Real-Time Pedestrian Detection and Tracking at Nighttime for Driver-Assistance Systems，IEEE Trans，Intell. Transp，Syst[J].2009，10：283-298.

[11] 張?zhí)祜w. 基于STRCF的改進(jìn)HOG特征跟蹤算法研究[J].東莞理工學(xué)院學(xué)報(bào)，2020，（03）：55-05.

[12] 王斌.融合多模型和幀間信息的行人檢測(cè)算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào).2017（03）.

[13] 周全良. 基于多特征和Adaboost的行人檢測(cè)研究[D].南京：南京郵電大學(xué)，2014.

[14] 張春鳳.基于多特征的行人檢測(cè)技術(shù)研究[D].浙江：浙江工業(yè)大學(xué)，2013.