任夢茹,侯宏錄,韓修來

（西安工業(yè)大學 光電工程學院,西安 710021）

隨著人工智能技術的發(fā)展,行人檢測被廣泛應用于車輛輔助駕駛[1,2]、智能機器人[3]、智能視頻監(jiān)控[4,5]等領域,也成為計算機視覺領域中重要的研究方向.然而,由于存在人體形態(tài)多變,外物遮擋、光線昏暗等干擾因素,導致提取的圖像特征不顯著,從而影響系統(tǒng)整體的檢測效果.如何高效地檢測出行人是目前研究的難點.

Dalal等人[6]提出了HOG（Histogram of Oriented Gradients）特征結合SVM分類器進行識別的行人檢測算法,并制作出目前使用廣泛的INRIA行人數(shù)據(jù)庫,該HOG+SVM行人檢測框架極大的地推動了行人檢測技術的發(fā)展.然而,在實際復雜場景中單一特征難以取得較為滿意的檢測效果.研究者們陸續(xù)提出了基于混合特征的行人檢測算法.陳銳等人[7]提出了一種PCA降維后的HOG特征與局部二值模式（LBP）特征融合的行人檢測算法,融合特征的檢測效果優(yōu)于單一特征.胡慶新等人[8]提出了一種基于梯度方向直方圖（HOG）、強度自適應特征（ISS）和積分通道特征（ICF）的多特征融合的行人檢測算法,該算法提高了檢測精度,但不能自適應選擇特征融合加權值.

本文在HOG+SVM行人檢測框架的基礎上,針對HOG特征提取速度慢且易忽視細節(jié)特征的問題,提出了一種Gabor特征結合快速HOG特征提取的行人檢測算法.首先把樣本圖像灰度化處理,并復制成兩組樣本.然后,對第1組樣本進行小波變換,再引入積分圖思想和主成分分析算法,簡化HOG特征計算,快速提取HOG特征.對第2組樣本先進行Gabor小波變換,得到二維Gabor濾波圖像,提取Gabor特征.最后串行融合快速HOG特征和Gabor特征,得到混合特征來訓練分類器,實現(xiàn)行人的有效檢測.

1 單一特征提取

1.1 傳統(tǒng)HOG特征提取

方向梯度直方圖由Dalal等人[6]在2005年提出并應用于行人檢測.該算法較好的提取了行人的輪廓特征,首先將檢測窗口劃分為許多小空間區(qū)域（cell）,然后計算cell中每個像素點的梯度方向和梯度幅值,并生成梯度方向直方圖.再對梯度直方圖進行對比度歸一化,將cell組成更大的塊（block）并歸一化塊內的所有cell.最后,將歸一化處理所得的描述符塊稱為方向梯度直方圖描述子.

本文采用多尺度滑動窗口掃描的方法來提取HOG特征,其中訓練樣本的尺寸是64×128,掃描窗口大小是16×16,掃描步長是8×8,每個cell的大小為8×8,bin的個數(shù)為9.在對一張圖像提取HOG特征時,會產(chǎn)生105個block,每個block特征向量是36維.所以一幅訓練樣本的HOG特征是3780維.提取的HOG特征圖如圖1所示.

圖1 提取的HOG特征圖

1.2 快速HOG特征提取

針對傳統(tǒng)HOG特征維度較高、計算量大等問題,本節(jié)對其進行改進.首先對輸入圖像進行小波變換去除部分干擾因素,再引入積分圖思想和主成分分析算法,來加快HOG特征計算,提取快速HOG特征.

1.2.1 小波變換

小波變換[9]基于小波理論,其在時域和頻域都具有良好的特性.本文通過小波變換去除行人圖像中的干擾因素,進一步提高特征的表征能力.

對輸入圖像進行小波變換后,得到4個尺寸是原圖像1/4的變換子圖像,如圖2所示.左上方的低頻子圖像保留了原圖像的大部分信息,其他3幅高頻子圖像更多的保留了原圖像的輪廓信息.

圖2 小波變換的效果

1.2.2 HOG積分圖

對小波變換后的圖像提取HOG特征時,鄰近block的重疊區(qū)域會重復計算每個像素的梯度信息,導致計算量大,影響特征提取的速度.因此,引入積分圖思想[10]來加速HOG特征計算.

如圖3所示,A（x,y）表示點（x,y）處的積分圖,是對其左上角矩形中各像素求和得到,s（x,y）表示點（x,y）在y方向的所有像素的和.

圖3 坐標（x,y）的積分圖示意圖

采用下列公式計算積分圖:

由式（1）、式（2）可知,要得到HOG積分圖,只需要對block塊掃描兩遍,即先計算列的梯度信息積分和,再計算block塊的梯度信息積分圖.當計算相鄰block塊的重疊單元格的HOG特征時,不需要重新統(tǒng)計重疊單元格中每個像素點的梯度方向和幅值,只需要通過HOG積分圖簡單的加減運算來完成,從而避免了重復計算像素點梯度信息的問題.

1.2.3 主成分分析算法

最終提取HOG特征向量的維數(shù)是3780維,維度較高,存在部分干擾信息,這些干擾信息會影響檢測速度,降低檢測精度.故采用主成分分析算法對HOG特征進行分析,剔除部分不顯著的特征信息.

主成分分析算法[11]是通過一個降維矩陣將相關冗余數(shù)據(jù)映射到新的特征空間,即用新的低維特征空間代替原高維空間.該算法的關鍵在于合理確定降維后的維數(shù),本文通過累積方差貢獻率曲線來選取降維的維數(shù).曲線橫坐標表示降維后的特征維數(shù),縱坐標表示不同特征維數(shù)對應的累積方差貢獻率,提取HOG特征的累積方差貢獻率曲線如圖4所示.

在圖4中,對3780維的HOG特征矩陣進行主成分分析,表1中統(tǒng)計了HOG特征中部分主成分的方差貢獻率.

圖4 HOG特征的累積方差貢獻率曲線

根據(jù)表1中的統(tǒng)計結果,選取累積方差貢獻率大于85%的主成分,作為降維后HOG特征的維數(shù).分別提取了維度在500-1500維之間的HOG特征,在自制數(shù)據(jù)集上,采用線性SVM分類器進行10次實驗取平均值,實驗結果如表2所示.其中未降維前檢測率為86.04%,檢測時間為21.89 s.

表1 HOG特征中部分主成分的方差貢獻率（%）

由表2可知,在HOG維度為700維時,算法的檢測率為89.57%,比降維前提高了3.53%,隨著特征維度的不斷增加,檢測率整體呈下降趨勢,說明部分冗余信息會影響檢測精度.在維度為700維時,算法檢測時間比降維前減少了17.28 s,檢測速度比降維前明顯提升,但隨著維度的增加檢測時間也呈現(xiàn)增長趨勢.在考慮檢測率和檢測時間的情況下,選取HOG特征降維的維度是700維,從而保證在原始信息損失較少的情況下,用低維特征信息代替原有高維特征信息,簡化數(shù)據(jù)運算,提高檢測性能.

表2 行人檢測率、檢測速度與 HOG維度列表

1.3 Gabor特征提取

為了得到行人圖像多方向和多尺度的紋理特征,本文對樣本圖像I（x,y）進行Gabor小波變換獲取Gabor特征.具體是將圖像I（x,y）與二維Gabor濾波器[12]卷積并取模,得到二維Gabor濾波圖像,然后對濾波圖像進一步分析,提取Gabor特征.

計算公式如下:

其中,x′=xcosθ+ysinθ,y′=-xsinθ+ycosθ;λ為Gabor濾波波長;θ為Gabor濾波方向;ψ為相位偏移量;σ為高斯函數(shù)的標準差;γ為空間縱橫比.

本文采用4個尺度（7,12,17,21）和6個方向（0,30,60,90,120,150）組成的Gabor濾波器組對圖像進行Gabor小波變換.首先將濾波器組與輸入圖像I（x,y）進行卷積運算可得到24幅Gabor特征圖像F（x,y）,如圖5所示.對得到的Gabor特征圖像繼續(xù)分析,通過計算其均值和方差,得到一個具有多尺度多方向的48維Gabor特征向量.

圖5 4個尺度和6個方向的Gabor特征圖

2 混合特征提取

HOG特征是基于滑動窗口的方式提取行人的輪廓特征,能對幾何和光學的形變有很好的保持性;Gabor特征是一種局部化的紋理特征,可以描述圖像在時域和頻域的紋理分布,對于圖像的亮度和對比度變化有較強的適應性.采用串行融合的方式將快速HOG特征和Gabor特征融合成混合特征,該特征可以同時獲取行人的輪廓信息和紋理信息,從而提高特征對行人的表征能力.混合特征提取流程如圖6所示.

圖6 混合特征提取流程

3 實驗結果與分析

3.1 實驗環(huán)境及實驗樣本

實驗開發(fā)平臺為JetBrains PyCharm 2018,運行環(huán)境為Intel（R）Core（TM）i5處理器、8 GB內存、Windows 7系統(tǒng).軟件環(huán)境為Python 3.7,OpenCV 3.4.7.實驗樣本部分來自INRIA行人數(shù)據(jù)集,部分來自校園環(huán)境中拍攝的圖像.實驗樣本數(shù)如表3所示.

表3 訓練樣本及測試樣本

3.2 實驗結果分析

本文通過4種實驗方案對實驗樣本進行訓練、測試來對比現(xiàn)有單一特征與混合特征的檢測性能.實驗1是對樣本直接提取HOG特征訓練分類器,實驗2是對樣本直接提取Gabor特征訓練分類器,實驗3是對樣本直接快速HOG特征訓練分類器,實驗4是對樣本分別提取Gabor特征和快速HOG特征,串行融合成混合特征訓練分類器,最終實驗結果以ROC曲線的形式呈現(xiàn),如圖7所示.在誤檢率為0.15時,基于HOG特征訓練分類器的召回率為82.94%,基于快速HOG特征訓練分類器的召回率為90.02%,基于Gabor特征訓練分類器的召回率為85.21%,基于混合特征訓練分類器的召回率為96.18%.基于混合特征訓練分類器的召回率比Gabor特征高10.97%,比 HOG特征高13.24%,比快速HOG特征高6.16%.由曲線比較可知,相比于單一特征,混合特征訓練分類器的ROC曲線整體更偏向左上方,說明由混合特征訓練分類器的檢測性能更好.

圖7 單一特征與混合特征檢測性能對比

本文分別采用單一特征和混合特征訓練的分類器對測試樣本識別的正確率如表4所示.基于快速HOG與Gabor混合特征的分類器在測試樣本檢測中效果最優(yōu),相比于單一特征訓練的分類器,行人檢測的正確率有較明顯的提高,最多提高了7.37%.

表4 行人檢測測試結果（%）

基于混合特征的部分測試樣本檢測效果如圖8所示,左側圖片是較稀疏的行人目標,混合特征訓練的分類器能夠全部找到圖像中行人的位置; 右側圖片光線較暗、行人較為密集,分類器能夠檢測出大部分行人目標,但中間兩人遮擋非常嚴重,該分類器仍存在漏檢現(xiàn)象.

圖8 混合特征的行人檢測效果圖

4 結論與展望

本文基于HOG+SVM框架提出了一種Gabor特征結合快速HOG特征的行人檢測算法.利用HOG積分圖和主成分分析算法快速提取HOG特征,再融合Gabor特征形成混合特征訓練分類器.由測試集上的實驗結果可得,本文提出的混合特征訓練分類器的檢測性能優(yōu)于單一特征的檢測性能.本文研究中提取快速HOG和Gabor特征向量融合時采用的權重系數(shù)是相同的,從實驗結果分析,不同特征對行人的表征能力不同,下一步將考慮基于權重的AdaBoost級聯(lián)分類器來進一步改善算法的檢測性能.