摘 要： 為解決HOG行人檢測過程緩慢的問題，在梯度向量直方圖HOG中引入block權(quán)重的概念,，通過合理篩選block,，組成行人的特征向量，然后使用線性SVM作為分類器,，重新進行學習,，達到減少信息冗余、提高檢測效率的目的,。在INRIA庫上進行實驗,，結(jié)果表明，通過合理選擇block,，能夠在不影響檢測效果的情況下,，顯著減少block的數(shù)目，達到提高檢測速度的目的,。
關鍵詞： HOG,；行人檢測；SVM分類器,；block權(quán)重
計算機視覺處理是計算機人工智能的一個重要研究方向,，它的最終目標是通過計算機模擬人類視覺，實現(xiàn)對現(xiàn)實場景的理解和推理,。其中,，對于輸入場景通過計算機實現(xiàn)目標的自動識別分類，即目標識別,，是實現(xiàn)計算機視覺的一個基礎部分,，也是目前的一個研究熱點,。比較成功的商業(yè)化應用實例是人臉識別系統(tǒng)，它是通過計算機對人臉的智能識別,，實現(xiàn)對不同人身份的確認,。在人體識別方面，由于人體自身姿態(tài),、衣著的多樣性以及人體外觀變化大,，目前尚沒有較為成熟的算法。
目前,，人體識別主要有基于多模板匹配[1]、基于邊緣輪廓特征[2]和基于運動特征[3]等各種方法,。然而,，從實際效果來看，目前最好的是DALAL N和TRIGGS B提出的基于HOG特征的人體檢測方法[4],。DALAL N等人通過使用16×16大小的塊在檢測窗口中滑動,，然后按一定方式統(tǒng)計塊中的梯度向量直方圖，將各個塊的梯度向量直方圖串聯(lián),，組成特征向量,，最終利用SVM對獲取的特征向量進行訓練，獲取分類器,。按照該方法,，如果選擇檢測窗口大小是128×64，block大小為16×16,，cell大小為4×4,，bin分為9個方向，每次block移動8,，那么獲得的向量大小為3 780維,，檢測效果雖然理想，但是耗時,，難以達到實時性的要求,。
本文通過對基于HOG特征的人體檢測算法進行分析，提出了一種基于感興趣區(qū)域進行HOG提取的算法,。該算法在適當影響檢測效果的條件下,，能夠較好地減少計算量，達到提高計算速度的目的,。
1 行人檢測算法
1.1 特征選取
HOG是DALAL N等人在2005年提出的一種基于梯度的特征提取過程,，它的內(nèi)容主要有4點：（1）使用梯度作為特征提取對象，將梯度向量劃分為統(tǒng)計bin,；（2）將梯度向量圖劃分為網(wǎng)格狀的cell,，以cell為單位統(tǒng)計梯度向量直方圖,；（3）以block為單位，對cell進行統(tǒng)計,，得到三維梯度向量直方圖,，并進行歸一化，減少局部光照的影響,；（4）收集所有的block,，合并成最終圖像的HOG特征向量。
分別利用3種不同的方法通過改變決策函數(shù)中的閾值b對測試樣本進行檢測,，得到漏警率和虛警率的關系如圖4所示,。
由圖4可以看出，在3種檢測方式中,，原始HOG檢測方式檢測效果最好,；通過人工選擇感興趣區(qū)域，保留41個block后提取特征向量進行分類,，檢測效果有一定的下降,，這主要是由于人類主觀經(jīng)驗的不足，不能完全合理確定起主要作用的特征,，導致特征選擇不充分的原因,。
二次block訓練的方法通過引入block權(quán)重的概念，利用原始訓練得到的決策函數(shù)中的信息來確定感興趣block,，在選取的block數(shù)目減少到原始的1/5即20個時,，在顯著提高計算速度的情況下仍然能夠得到較精確的分類器。
實驗結(jié)果證明,，本文提出的兩種減少特征維數(shù),、提高分類效率的算法在實際的應用中較為有效。
HOG特征是目前在行人檢測過程中較為有效的一種方法,，在人體檢測過程中有著很高的識別率,，然而HOG由于計算量較大、檢測速度慢,，因此限制了HOG的應用,。本文通過對HOG的分析，發(fā)現(xiàn)可以通過減少HOG中冗余block,，從而減少計算量,，提高檢測速度。
參考文獻
[1] 呂治國,，徐昕,，賀漢根.基于可變模板和支持向量機的人體檢測[J].計算機應用，2007（9）：2258-2261.
[2] 陳實，馬天駿,，黃萬紅,，等.基于形狀上下文描述子的步態(tài)識別[J].模式識別與人工智能，2007（6）：794-799.
[3] 韓鴻哲,，王志良,，劉冀偉，等.基于線性判別分析和支持向量機的步態(tài)識別[J].模式識別與人工智能,，2005（2）：160-164.
[4] DALAL N,， TRIGGS B. Histograms of oriented gradients for human detection[C]. CVPR’05， 2005.
[5] 焦李成,，周偉達,，張莉，等. 智能目標識別與分類[M].北京：科學出版社,，2010.