摘要：行人檢測(cè)在智能監(jiān)控和自動(dòng)駕駛等領(lǐng)域需要兼顧精度和實(shí)時(shí)性。然而，現(xiàn)有技術(shù)在處理復(fù)雜場(chǎng)景時(shí)仍面臨計(jì)算效率低的問(wèn)題。該研究采用基于方向梯度直方圖（HOG） 的行人檢測(cè)方法，并通過(guò)顏色通道縮減技術(shù)，在保留圖像關(guān)鍵信息的同時(shí)減少計(jì)算量。通過(guò)一系列實(shí)驗(yàn)驗(yàn)證了預(yù)處理策略在減輕計(jì)算負(fù)擔(dān)和提升檢測(cè)精度方面的有效性。研究結(jié)果表明，該方法在保持檢測(cè)精度的同時(shí)，檢測(cè)速度提升了 8%，為行人檢測(cè)技術(shù)的發(fā)展提供了新的視角和優(yōu)化方向。

關(guān)鍵詞：行人檢測(cè)；方向梯度直方圖；顏色通道縮減；計(jì)算效率；特征提取；目標(biāo)檢測(cè)

中圖分類號(hào)：TP181 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）01-0027-06 開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID） ：

0 引言

行人檢測(cè)技術(shù)基于計(jì)算機(jī)視覺(jué)、紅外線[1]、雷達(dá)[2]等技術(shù)，用于對(duì)目標(biāo)環(huán)境進(jìn)行監(jiān)測(cè)和識(shí)別。其核心在于判斷環(huán)境中是否存在行人，并進(jìn)一步獲取目標(biāo)的詳細(xì)信息。這一技術(shù)能夠結(jié)合其他相關(guān)技術(shù)，如目標(biāo)重識(shí)別和目標(biāo)跟蹤，并廣泛應(yīng)用于自動(dòng)駕駛、自動(dòng)監(jiān)控等領(lǐng)域。近年來(lái)，隨著人工智能、計(jì)算機(jī)技術(shù)和模式識(shí)別的快速發(fā)展，以及智能監(jiān)控和自動(dòng)駕駛領(lǐng)域?qū)Π踩缘娜找嬷匾?，行人檢測(cè)技術(shù)受到了廣泛關(guān)注并取得了顯著進(jìn)展。

早期的行人檢測(cè)技術(shù)主要基于傳統(tǒng)的圖像處理和模式識(shí)別技術(shù)，其主要步驟包括特征提取、訓(xùn)練分類器以及行人識(shí)別。研究者們專注于行人特征的提取和分類。例如，在 2002 年和 2003 年，Ojala 和 Jones 等人先后提出了 LBP 特征以及 VJ 檢測(cè)器[3-5]；2005 年，Bo Wu 提出了小邊特征（Edgelet） ，能夠分塊識(shí)別人體局部輪廓，從而提高檢測(cè)的魯棒性[6]。Walk 等人在 2010 年提出了顏色自相似性特征，他們將128×64的圖像分成8×8像素的128 個(gè)小塊，并統(tǒng)計(jì)圖像的 HSV 直方圖信息[7]。盡管上述方法在理論上是有效的，但它們也存在一定的局限性。例如，LBP 特征的穩(wěn)定性較差[8]；Edgelet 特征存在最優(yōu)值無(wú)法契合的問(wèn)題[9]；以及顏色自相似特征計(jì)算量過(guò)于龐大，導(dǎo)致實(shí)際生產(chǎn)中無(wú)法應(yīng)用。

HOG 檢測(cè)器作為計(jì)算機(jī)視覺(jué)中的里程碑式算法，具有對(duì)光照和視角變化的魯棒性、計(jì)算效率高且易于實(shí)現(xiàn)的優(yōu)勢(shì)，在多種目標(biāo)檢測(cè)任務(wù)中得到了廣泛應(yīng)用[10-13]。本研究基于 HOG 算法對(duì)行人檢測(cè)方法進(jìn)行了深入探討，提出了一種顏色通道縮減的 HOG 行人檢測(cè)方案，旨在保持檢測(cè)精度的同時(shí)降低計(jì)算復(fù)雜度以提高檢測(cè)速度。在改進(jìn)方案中，通過(guò)顏色通道縮減技術(shù)減少了圖像的輸入，從而降低了計(jì)算量。此外，該方法在保持檢測(cè)精度的同時(shí)加快了檢測(cè)速度，為自動(dòng)駕駛和智能監(jiān)控領(lǐng)域的行人檢測(cè)提供了一種高效且實(shí)用的解決方案。

1 顏色通道縮減的 HOG 特征行人檢測(cè)

本節(jié)將依次介紹顏色通道縮減的 HOG 行人檢測(cè)方案流程，主要包括：圖像預(yù)處理、顏色通道縮減再量化、特征提取以及支持向量機(jī)（SVM） 分類。其中，圖像預(yù)處理、特征提取和支持向量機(jī)分類是 HOG 行人檢測(cè)方案的經(jīng)典流程。本研究主要是在圖像預(yù)處理環(huán)節(jié)對(duì)圖像的輸入進(jìn)行顏色通道的縮減，以此減少后續(xù)的計(jì)算量。因此，在介紹整個(gè)實(shí)驗(yàn)流程時(shí)，顏色通道縮減與再量化被放置在圖像預(yù)處理和特征提取之間，以方便讀者閱讀和理解。

1.1 圖像預(yù)處理

圖像預(yù)處理的目的是盡可能排除干擾，保證檢測(cè)的精度與速度，提高識(shí)別算法的可靠性。在基于 HOG 原理的圖像行人檢測(cè)中，最常用的圖像預(yù)處理方法包括 Gamma 變換和灰度化。

灰度化是一個(gè)可選的圖像預(yù)處理操作，因?yàn)椴噬珗D像也可以直接計(jì)算梯度。對(duì)于彩色圖像，將 RGB 分量轉(zhuǎn)換為灰度圖的公式如公式（1） 所示：

Gray = 0.3*R + 0.59*G + 0.11*B （1）

式中：Gray 表示轉(zhuǎn)換后的像素灰度值，R、G、B 分別為紅、綠、藍(lán)顏色通道的值。

伽馬（Gamma） 矯正是在圖片照度不均的情況下，通過(guò)伽馬矯正的方式對(duì)圖片的整體亮度進(jìn)行調(diào)節(jié)，從而減少光照對(duì)圖像的影響。通常，進(jìn)行 Gamma 標(biāo)準(zhǔn)化的方法主要有兩種：平方根法和對(duì)數(shù)法。本研究采用公式（2） 所示的平方根方法進(jìn)行伽馬標(biāo)準(zhǔn)化。

Y （x，y ） = I （x，y ）0.5 （2）

式中：I （x，y ）為原像素位置（x，y ）上的值，Y （x，y ）為伽馬標(biāo)準(zhǔn)化后（x，y ）位置的值。

1.2 顏色通道縮減再量化

在行人檢測(cè)中，采集的圖像通常為 RGB 圖像，共有三種顏色通道：紅、綠、藍(lán)。每個(gè)顏色通道包含 256 （0 到 255） 個(gè)不同的顏色值，這使得圖像更加真實(shí)和清晰，但也為行人特征的提取和判斷帶來(lái)了巨大的計(jì)算負(fù)擔(dān)。顏色通道的縮減指的是將原來(lái)的 0 到 255 共 256 個(gè)顏色值進(jìn)行縮減；縮減再量化指的是將縮減后的顏色值從運(yùn)算結(jié)束后的小數(shù)值轉(zhuǎn)換為整數(shù)值。例如，原來(lái)的顏色值為 125，將顏色信息減少到原來(lái)的一半時(shí)，得到的數(shù)值為 62.5，此時(shí)需要將其再量化為 62。

本文對(duì)輸入的靜態(tài)圖片進(jìn)行信息縮減，使輸入的圖像在能夠進(jìn)行行人檢測(cè)的同時(shí)減少計(jì)算量，即在保持檢測(cè)準(zhǔn)確率的同時(shí)縮短計(jì)算時(shí)間。本文將對(duì)輸入的圖片進(jìn)行顏色通道的縮減，然后通過(guò)再量化減少計(jì)算負(fù)擔(dān)，從而提升后續(xù)計(jì)算速度。接下來(lái)的實(shí)驗(yàn)中，顏色通道的縮減方式包括以下兩種：

第一種是在進(jìn)行圖片顏色縮減時(shí)，直接將顏色通道從[0，255]的原始范圍映射到一個(gè)更小的區(qū)間。例如，將[0，255]映射到[0，127]，直接將每個(gè)顏色值除以2，然后再進(jìn)行量化。以將顏色信息從[0，255]映射到[0，127]的方式為例，其縮減公式如公式（3） 所示。

pi = ?pi／2?" （3）

式中：pi 表示圖像中每個(gè)像素的值，"?pi／2?" 表示每個(gè)顏色值縮小到原來(lái)的一半，再進(jìn)行向下取整。此處進(jìn)行向下取整的原因是：Python自帶的取整方式為向下取整（截?cái)嗳≌?，即直接舍棄小數(shù)點(diǎn)后的部分，僅保留整數(shù)部分。經(jīng)過(guò)這種方式處理后，圖像會(huì)比原圖更加暗。這是因?yàn)樵?RGB 圖像中，顏色通道的值范圍為0到255，隨著值的增大，像素點(diǎn)會(huì)變得越來(lái)越亮，處理效果如圖1所示。

第二種方式是將圖像中原本位于一個(gè)區(qū)間內(nèi)的顏色值映射為一個(gè)固定值。例如，要將原圖的顏色信息壓縮到原來(lái)的一半，只須將區(qū)間[ 0，1]內(nèi)的顏色值映射為0，區(qū)間[ 2，3]內(nèi)的顏色值映射為2，以此類推，直到區(qū)間[ 244，255]內(nèi)的顏色值映射為244。具體的區(qū)間到固定值的映射公式如公式（4） 所示。

pi ="?pi／2?·2 （4）

式中：pi 表示像素點(diǎn)的顏色值，"?pi／2? 表示將顏色值縮小為原來(lái)的一半并向下取整，最后將"?pi／2? 的結(jié)果再乘以2，完成區(qū)間到值的映射。在完成顏色區(qū)間到值的映射后，處理后的圖像與原圖像幾乎沒(méi)有差別。顏色值的區(qū)間到值映射處理效果如圖2所示。

在減少顏色信息的同時(shí)，為了保證行人檢測(cè)的正確性，需要確保圖像中的顏色信息被縮減到合適的范圍。本文將顏色信息縮減分為三組，分別為：128× 128×128、64×64×64 和32×32×32。在接下來(lái)的實(shí)驗(yàn)中，將對(duì)需要進(jìn)行 HOG 特征檢測(cè)的圖像先進(jìn)行顏色信息的壓縮，并與原始圖像的處理速度和檢測(cè)正確性進(jìn)行比較與分析。

1.3 特征提取

1.3.1 基于HOG 的特征提取

HOG 特征的基本算法流程如下：首先，將圖像以像素為單位劃分為多個(gè)小區(qū)域；隨后，計(jì)算并統(tǒng)計(jì)每個(gè)區(qū)域的梯度直方圖，通過(guò)投影得到一個(gè)9維特征向量；最后，將每個(gè)小區(qū)域的特征組合成一個(gè)大區(qū)域，并將所有區(qū)域的特征描述串聯(lián)起來(lái)，表示該圖像的 HOG 特征，從而得到最終分類的特征向量。具體算法流程如圖3所示。

HOG 特征提取和計(jì)算的主要步驟依次為：空間插值投影、歸一化梯度塊內(nèi)的梯度直方圖、Gamma 空間標(biāo)準(zhǔn)化和顏色空間標(biāo)準(zhǔn)化、高斯加權(quán)、計(jì)算梯度值、收集 HOG 特征向量。（x，y ） 像素點(diǎn)的 HOG 特征計(jì)算如公式（5） 和公式（6） 所示。

式中：dx、dy 分別為像素點(diǎn)在水平方向上和豎直方向上的梯度值；H （x，y ） 為像素點(diǎn)的梯度幅值大??；梯度方向?yàn)棣?（x，y ），梯度方向q 的取值區(qū)間為[0，π）。

如公式（7） 和公式（8） 所示，梯度算子包括一維和二維算子。

一維算子：[-1，1][-1，0，1]，[-1，-8，0，+8，+1] （7）

上述算子已經(jīng)在文獻(xiàn)[14]中進(jìn)行了測(cè)試和驗(yàn)證。假設(shè)像素點(diǎn)（x，y ）的像素值大小為I （x，y ），梯度分量dx、dy 的計(jì)算如公式（9） 所示。

dx （x，y ） = I （x + 1，y ） - I （x - 1，y ）

dy （x，y ） = I （x，y + 1） - I （x，y - 1）（9）

1.3.2 高斯權(quán)重調(diào)整

根據(jù)高斯權(quán)重理論[15]，在一個(gè)區(qū)域中，越靠近中心的像素值對(duì)特征的貢獻(xiàn)越大。高斯權(quán)重體現(xiàn)在位置的偏向性上，位于區(qū)域中心的像素能夠更好地表達(dá)區(qū)域內(nèi)的信息變化。該理論可以用來(lái)調(diào)整梯度幅值，從而更有效地進(jìn)行各單元的 HOG 特征提取。

1.3.3 空間梯度插值投影

在進(jìn)行梯度方向統(tǒng)計(jì)時(shí)，梯度方向的范圍被限定為[0，180]，并將該范圍均分為 9 個(gè)方向區(qū)域。計(jì)算每個(gè)像素的梯度后，根據(jù)其方向和幅值進(jìn)行方向值統(tǒng)計(jì)，并將得到的值加到對(duì)應(yīng)的方向區(qū)域上。然而，由于實(shí)驗(yàn)中梯度方向通常不在中心點(diǎn)，因此通常使用投影算法，將梯度方向投影到兩個(gè)相鄰方向區(qū)域的中心，并將梯度值按比例疊加到這兩個(gè)區(qū)域上。

1.3.4 歸一化權(quán)重及生成特征向量

對(duì)圖像進(jìn)行歸一化處理是為了提高檢測(cè)器在光照變化環(huán)境下的穩(wěn)定性。HOG 特征是由不同區(qū)域的特征組合而成的，每個(gè)區(qū)域內(nèi)像素點(diǎn)的變化都會(huì)引起整體特征的變化。如果某一區(qū)域的特征幅值較大，會(huì)導(dǎo)致區(qū)域間特征值差異過(guò)大，從而降低分類能力。為了解決這一問(wèn)題，可以以區(qū)域?yàn)閱挝?，?duì)每個(gè)區(qū)域的特征進(jìn)行歸一化處理，并將各區(qū)域的結(jié)果組合成最終的特征向量。公式（10） ～（13） 展示了一些常用的歸一化方法。

1.4 支持向量機(jī)

機(jī)器學(xué)習(xí)被廣泛應(yīng)用于行人檢測(cè)領(lǐng)域，其中支持向量機(jī)（Support Vector Machine，SVM） 和Adaboost方法是最常用的兩種方法。1995 年，Cortes 和 Vapnik 提出了支持向量機(jī)[16]。支持向量機(jī)通過(guò)尋找目標(biāo)類與非目標(biāo)類之間的最大間隔來(lái)劃分超平面，該方法性能高、實(shí)現(xiàn)簡(jiǎn)單，并且能夠從特征集中選擇最相關(guān)的描述符，因此在目標(biāo)檢測(cè)中非常受歡迎。本文以如圖4 所示的二維平面情況來(lái)解釋支持向量機(jī)的分類原理。

式中：方形與圓形代表不同的樣本，H 是兩種樣本的分類線，H1 和H2 是平行于H且經(jīng)過(guò)不同樣本的兩條直線，H1 和H2 的距離2 ／‖w ‖稱為分類間距。最優(yōu)分類線指的是某條分類線，該線能夠正確分類兩種樣本，并使樣本的分類間距2 "／‖w"‖取到最大值。如上所述，可以推理擴(kuò)展到更高的維度。設(shè)線性可分樣本集為{ xi，yi }，其中i = 1，2，3...，n，xi ∈ Rd，yi ∈ {-1，+1}，在d維空間中的線性判別函數(shù)為：g （x，y ） = wx + b，其分類面的定義為w ? x + b = 0?？梢允褂脷w一化操作，使得樣本都滿足約束條件| g（x） | ≥ 1。在這樣的約束條件下分類間隔就等于2 ‖w"‖。此時(shí)，要讓分類間隔最大，就要求‖w"‖或‖w"‖2取到最小值。如果要所有的樣本都能正確分類，必須保證公式（14） 所示的條件。

yi （w ? xi + b） ≥ 1，i = 1，2，...，n （14）

最佳分類面是滿足公式（14） 的同時(shí)使目標(biāo)函數(shù)"‖w"‖2取得極小值的分類面。最優(yōu)分類面的求解問(wèn)題等價(jià)于求解滿足公式（15） 約束條件的問(wèn)題。

公式（15） 的約束優(yōu)化問(wèn)題存在全局最優(yōu)解，滿足最優(yōu)化前提條件ai { yi [ w ? xi + b ] - 1} = 0。通過(guò)使用拉格朗日乘子法，可以得到上述問(wèn)題的最優(yōu)分類函數(shù)，最優(yōu)分類函數(shù)如公式（16） 所示。

f （x） = sgn { w* ? x + b* }= sgn { Σi = 1l α*i yi （xi，x） + b* } （16）

式中：（xi，x）是兩個(gè)向量的內(nèi)積，a*，b* 為確定所求分類面的參數(shù)。在線性不可分的情況下，可以在條件yi [ w ? xi + b ] - 1 ≥ 0 中增加一個(gè)松弛項(xiàng)ξi，使之變?yōu)椋簓i [ w ? xi + b ] - 1 + ξi ≥ 0 ，將目標(biāo)函數(shù)改為求1／2"‖w"‖2 + C（Σi = 1n ξi ）的極小值，目標(biāo)函數(shù)中C gt; 0的C是懲罰水平，用于對(duì)錯(cuò)誤分類樣本的控制。

核函數(shù)K對(duì)所有x，z ∈ X滿足K （x，z ） = Φ（x） ? Φ（z ），這里的Φ是從輸入空間X到某個(gè)特征空間F的映射，x =（x1，x2，...，xΦ n ） ? Φ（x） = （Φ1 （x）， 2 （x）...，Φn （x））將輸入空間X映射到一個(gè)新的空間 F = { Φ（x） | x ∈ X }，例如（x1，x2 ） ?Φ1 （x1，x2 ） = （x21，x22，x1 x2 ）。

核函數(shù)K （xi，xj ） 用于進(jìn)行非線性變換后的高維線性分類。此時(shí)，分類函數(shù)表達(dá)式為f （x） = sgn { Σi = 1k a*i yiK （xi，x） + b* }。使用不同的核函數(shù)K （x ，xi ） 可以得到不同的分類策略和支持向量算法。最常用的核函數(shù)如下所示：

1） 線性核函數(shù)如公式（17） 所示。

k（x ，xi ） = （x ，x2） i ） （17）

2 ）"多項(xiàng)式核函數(shù)如公式18所示，其中的s，c，d 為參數(shù)。

k（x，xi ） = （s（x，xi ） + c）d（18）

3） 徑向基核函數(shù)（簡(jiǎn)稱RBF核） 如公式19所示，其中γ為參數(shù)。

k（x，xi ） = exp（-γ| x - xi|（19）

4） Sigmoid核函數(shù)如公式20所示，其中的s和c為參數(shù)。

k（x，xi ） = tanh（s（x，xi ） + c） （20）

在接下來(lái)的實(shí)驗(yàn)中，將應(yīng)用 SVM 方法到基于梯度方向直方圖（HOG） 的行人檢測(cè)方法：首先從輸入圖像中提取特征向量，然后用 SVM 分類器判斷獲得的特征是否為行人的特征。

2 實(shí)驗(yàn)與結(jié)果分析

本節(jié)首先介紹實(shí)驗(yàn)運(yùn)行環(huán)境，包括硬件配置、軟件平臺(tái)及使用的數(shù)據(jù)集。隨后，詳細(xì)闡述基于 HOG 特征和 SVM 的行人檢測(cè)方法，并采用非極大值抑制技術(shù)優(yōu)化檢測(cè)結(jié)果。最后，將對(duì)經(jīng)過(guò)顏色通道縮減并量化處理的圖像進(jìn)行行人檢測(cè)，并與未處理圖像的檢測(cè)結(jié)果進(jìn)行對(duì)比分析。

2.1 實(shí)驗(yàn)環(huán)境

2.1.1 硬件環(huán)境

處 理 器 ：Intel（R） Core（TM） i7-9750H CPU @ 12.66500G。Hz，6 核 CPU，8GB 內(nèi)存； GPU：NVIDIA GeForce

2.1.2 軟件環(huán)境

操作系統(tǒng)：Windows 11 專業(yè)版； GPU 編程框架：NVIDIA CUDA Toolkit 11.2.162，用于加速深度學(xué)習(xí)模型的訓(xùn)練和推理過(guò)程，提升計(jì)算效率。

使用工具軟件：PyCharm；編程語(yǔ)言：Python 3.8。

2.1.3 測(cè)試集的使用

測(cè)試所使用的部分圖片如圖 5所示，其中包含33 張圖像，涵蓋多種場(chǎng)景和行人姿態(tài)。

2.2 HOG 特征與SVM 行人檢測(cè)方法

本小節(jié)實(shí)驗(yàn)采用 HOG 特征和 SVM 判別的行人檢測(cè)方式。對(duì)于該方法，首先調(diào)用 cv2 庫(kù)中已經(jīng)訓(xùn)練完成的基于 HOG 原理和 SVM 判別的行人檢測(cè)模型，在檢測(cè)出行人后，應(yīng)用非極大值抑制算法對(duì)檢測(cè)結(jié)果進(jìn)行優(yōu)化，以消除重疊的檢測(cè)框，提高檢測(cè)的準(zhǔn)確性。檢測(cè)效果如圖 6 所示。

圖6共包含3組圖像，左邊一列為輸入的原圖，中間一列為經(jīng) HOG 特征檢測(cè)后的效果，右邊一列為 HOG 檢測(cè)結(jié)果經(jīng)非極大值抑制處理后的輸出效果。在每張圖片檢測(cè)的開始和結(jié)束時(shí)記錄時(shí)間，得出單張圖像的檢測(cè)耗時(shí)，并記錄每張圖中檢測(cè)出的行人數(shù)量，將檢測(cè)時(shí)間和行人數(shù)量數(shù)據(jù)直接保存至Excel表格中。本實(shí)驗(yàn)對(duì)圖5測(cè)試集中的圖片進(jìn)行檢測(cè)后，匯總的部分結(jié)果如圖7所示。

其中，第1列為每張圖片的編號(hào)（名稱） ，第2列為使用極大值抑制前每張圖檢測(cè)出的行人數(shù)量，第3列為對(duì)每個(gè)檢測(cè)出的行人特征使用極大值抑制后得到的每張圖片中的行人數(shù)量，第4列為每張圖片的檢測(cè)耗時(shí)。

2.3 顏色通道縮減再量化

本小節(jié)將對(duì)輸入圖片進(jìn)行顏色通道縮減并再進(jìn)行顏色值量化。顏色通道的縮減再量化如1.2小節(jié)所述，共分為2種方式，在縮減顏色通道的同時(shí)需要保證壓縮后圖片的信息不會(huì)對(duì)基于 HOG 特征的行人檢測(cè)正確性產(chǎn)生較大影響。因此，本小節(jié)將實(shí)驗(yàn)分為3組，分別是：128×128×128、64×64×64、32×32×32。同時(shí)，如1.3小節(jié)的 HOG 特征基本原理所示，圖片將被壓縮為特定大小并轉(zhuǎn)換為灰度圖，故本小節(jié)實(shí)驗(yàn)將直接對(duì)原圖片進(jìn)行灰度化處理后再進(jìn)行顏色通道的縮減再量化并進(jìn)行行人檢測(cè)，隨后對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析比較。

2.3.1 顏色通道直接縮減

顏色通道直接縮減方法將原 RGB 顏色通道范圍[301，]2。55以]映將顏射色到值較[小0，2的55區(qū)]映間射，如至 [[00，，112277]] 、為[0例，6，3灰] 和度 [圖0，像經(jīng)過(guò)縮減和再量化處理后的結(jié)果見(jiàn)圖 8，左圖為原始灰度圖，右圖為縮減后的圖像。此方法旨在減少顏色信息的復(fù)雜度，同時(shí)保持行人特征的可識(shí)別性。

同圖8的處理，再將圖像分別壓縮到[0，127]與[0，63]，然后分別進(jìn)行行人檢測(cè)得到csv表格數(shù)據(jù)如圖9、圖10、圖11所示。

由圖 9 可以看出，對(duì)圖片進(jìn)行直接縮減，并將所有像素點(diǎn)的顏色值縮減至原來(lái)的一半，對(duì)檢測(cè)的正確性并未產(chǎn)生顯著影響，處理時(shí)間亦無(wú)明顯減少。

由圖 10 可以看出，將原像素點(diǎn)的顏色值縮減至原來(lái)的四分之一，在精確度方面產(chǎn)生了較小影響，處理時(shí)間相較于圖 9 中的結(jié)果略有減少。

由圖 11 可以看出，將原像素點(diǎn)的顏色值縮減至原來(lái)的八分之一，檢測(cè)精度下降較為明顯，檢測(cè)時(shí)間也有了客觀的減少。顏色通道直接縮減導(dǎo)致的準(zhǔn)確性下降，與直接將顏色值減半引起的亮度變化有關(guān)。同時(shí)，由于數(shù)值的減小，檢測(cè)時(shí)間也有了明顯減少。

2.3.2 顏色通道區(qū)間映射成值

顏色通道區(qū)間映射成值是將原本[0，255]的顏色通道范圍分別均等分為 128 個(gè)區(qū)間、64 個(gè)區(qū)間、32 個(gè)區(qū)間。以 32 個(gè)區(qū)間為例，將值范圍在 [0，7] 的值都變?yōu)?0，[8，15] 內(nèi)的值都變?yōu)?8，以此類推，直到 [248， 255] 區(qū)間內(nèi)的值都變?yōu)?248。為了增加對(duì)比，將以顏色通道的灰度圖壓縮再量化為原來(lái)的八分之一，即 32 個(gè)顏色通道為例，轉(zhuǎn)化后的效果如圖 12 所示。

采用與圖 12 相同的處理方法，將圖像的顏色通道分別壓縮為 128 個(gè)與 64 個(gè)，隨后分別進(jìn)行行人檢測(cè)，得到的 CSV 表格數(shù)據(jù)如圖 13、圖 14和圖 15 所示。

由圖 13 可以看出，對(duì)圖片進(jìn)行映射縮減，并將所有像素點(diǎn)的顏色值縮減至原來(lái)的一半，行人檢測(cè)的正確性與原始結(jié)果相比幾乎沒(méi)有影響，處理時(shí)間也幾乎沒(méi)有減少。

由圖 14 可以看出，對(duì)圖片進(jìn)行映射縮減至原來(lái)的四分之一，行人檢測(cè)的精度未受明顯影響，檢測(cè)時(shí)間有一定程度的減少。

由圖 15 可以看出，對(duì)圖片進(jìn)行映射縮減至原來(lái)的八分之一，檢測(cè)精度幾乎沒(méi)有受到影響，而檢測(cè)時(shí)間有了明顯的下降。映射縮減的方式幾乎不會(huì)影響檢測(cè)正確性，且隨著顏色值的減少，每張圖片的處理時(shí)間也有明顯下降，是一種較為合適的顏色通道縮減方法。

2.4 實(shí)驗(yàn)分析

實(shí)驗(yàn)分析分為兩部分：正確率對(duì)比與檢測(cè)時(shí)間對(duì)比。實(shí)驗(yàn)數(shù)據(jù)分為7組，分別是第0組：不經(jīng)過(guò)顏色通道處理得到的行人檢測(cè)數(shù)據(jù)；第1組：將顏色通道直接壓縮到[0，127]得到的行人檢測(cè)數(shù)據(jù)；第2組：將顏色通道直接壓縮到[0，63] 得到的行人檢測(cè)數(shù)據(jù)；第 3 組：將顏色通道直接壓縮到[0，31]得到的行人檢測(cè)數(shù)據(jù)；第4 組：將顏色通道區(qū)間映射成為 128 個(gè)顏色通道得到的數(shù)據(jù)；第5組：將顏色通道區(qū)間映射成為64個(gè)顏色通道得到的數(shù)據(jù)；第 6 組：將顏色通道區(qū)間映射成為32 個(gè)顏色通道得到的數(shù)據(jù)。

正確率對(duì)比是將經(jīng)過(guò)顏色通道壓縮后的圖片進(jìn)行行人檢測(cè)得到的行人數(shù)量，與不進(jìn)行顏色通道縮減檢測(cè)得到的行人數(shù)量進(jìn)行對(duì)比。分別將每一組得到的圖片行人數(shù)量與第 0 組通過(guò)公式（21） 進(jìn)行計(jì)算。

式中：Pi，0 表示第0組的第i 張圖片中的行人數(shù)量，| P i，j - Pi，0| 表示第j 組的第i 張圖片中的行人數(shù)量與第0組的第i 張圖片中的行人數(shù)量相減并取絕對(duì)值，即每組圖片與第0組的差值，j 的取值范圍為[0，7]。通過(guò)以上的計(jì)算公式得到的結(jié)果如表1所示。

從表1的數(shù)據(jù)比較可以發(fā)現(xiàn)，在 6 組實(shí)驗(yàn)數(shù)據(jù)中，第 1、5、6 組得到的檢測(cè)效果與不進(jìn)行圖片顏色通道縮減的行人檢測(cè)效果相差較小。具體而言：第1組由于顏色空間壓縮較小，因此檢測(cè)精度與第0組差別不大。第5、6組因?yàn)椴捎脜^(qū)間映射方式，在減少像素的同時(shí)增大了邊緣向量的對(duì)比度，使人物邊緣更加明顯，所以檢測(cè)精度與第 0 組差別較小。

檢測(cè)時(shí)間對(duì)比是將每組圖片得到的檢測(cè)時(shí)間相加并除以圖片的數(shù)量，每組的檢測(cè)時(shí)間計(jì)算公式如公式（22） 所示。

式中：Ti 表示該組圖片中第i 張圖片的檢測(cè)時(shí)間，將一組中所有圖片的檢測(cè)時(shí)間相加并除以該組圖片的總數(shù)n，從而計(jì)算出數(shù)據(jù)集的平均檢測(cè)時(shí)間，結(jié)果如表2所示。

如表2所示，第6組（顏色通道區(qū)間映射至32個(gè)顏色值） 實(shí)現(xiàn)了最低的平均檢測(cè)時(shí)間，約為原組的92%。這是由于該組在顯著減少輸入顏色信息的同時(shí)，采用整數(shù)量化策略，加快了計(jì)算速度。相比之下，第1至第5組的檢測(cè)時(shí)間減少幅度較小，表明顏色通道縮減程度與檢測(cè)時(shí)間呈負(fù)相關(guān)關(guān)系。然而，部分組別的檢測(cè)準(zhǔn)確率略有下降，需在檢測(cè)速度與準(zhǔn)確性之間尋求平衡。通過(guò)上述兩個(gè)表格分析，第6組效果最優(yōu)：在保證正確率的情況下顯著減少了行人檢測(cè)時(shí)間。

對(duì)比分析表明，顏色通道區(qū)間映射方法在保持高檢測(cè)準(zhǔn)確率的同時(shí)顯著降低了檢測(cè)時(shí)間，尤其是在將顏色通道映射至32個(gè)顏色值時(shí)，檢測(cè)時(shí)間減少了約8%。這一結(jié)果表明，顏色通道區(qū)間映射方法在實(shí)際應(yīng)用中具有較高的優(yōu)化潛力，尤其適用于對(duì)實(shí)時(shí)性要求較高的行人檢測(cè)場(chǎng)景。

3 總結(jié)

本文提出了一種輸入圖片顏色通道的縮減方法用于HOG特征行人自動(dòng)檢測(cè)，旨在保證行人檢測(cè)準(zhǔn)確性的同時(shí)顯著降低檢測(cè)所需時(shí)間。本研究的創(chuàng)新之處在于引入了顏色通道縮減與再量化技術(shù)，并提出了兩種不同的縮減方法：直接壓縮與區(qū)間映射。實(shí)驗(yàn)結(jié)果表明，尤其是區(qū)間映射至32個(gè)顏色值的方法，能夠在顯著降低檢測(cè)時(shí)間的同時(shí)保持較高的檢測(cè)準(zhǔn)確率，為行人檢測(cè)技術(shù)的實(shí)時(shí)應(yīng)用提供了有效的優(yōu)化方案。通過(guò)將圖像顏色通道縮減為32個(gè)顏色值且采用區(qū)間映射方式，能夠有效降低檢測(cè)時(shí)間并保持較高的檢測(cè)準(zhǔn)確率，驗(yàn)證了該方法在行人檢測(cè)中的有效性。

盡管取得了一定的成效，本文仍存在一些局限性。由于實(shí)驗(yàn)環(huán)境的限制，本實(shí)驗(yàn)未能在其他更大規(guī)模的數(shù)據(jù)集上測(cè)試顏色通道縮減與再量化的效果。此外，顏色通道的縮減方式尚未在實(shí)時(shí)圖像檢測(cè)場(chǎng)景中進(jìn)行驗(yàn)證。未來(lái)若能在更加多樣的數(shù)據(jù)集和實(shí)時(shí)應(yīng)用環(huán)境中進(jìn)行測(cè)試，可能會(huì)獲得更優(yōu)的改進(jìn)方案和檢測(cè)效果。

【通聯(lián)編輯：唐一東】

基金項(xiàng)目：江蘇省科技計(jì)劃專項(xiàng)資金（重點(diǎn)研發(fā)計(jì)劃產(chǎn)業(yè)前瞻與關(guān)鍵核心技術(shù)） 重點(diǎn)項(xiàng)目（項(xiàng)目編號(hào)：BE2023005-4）