顧志航,，陳淑榮

　?。ㄉ虾：Ｊ麓髮W(xué) 信息工程學(xué)院，上海 201511）

       摘要：針對傳統(tǒng)HOG特征的行人檢測方法中因遮擋及復(fù)雜環(huán)境存在較高漏檢誤檢情況,，建立了一種基于HOG和局部自相似（LSS）特征融合的行人檢測算法,。利用LSS反映圖像內(nèi)在幾何布局和形狀屬性的特性，用主成分分析(PCA)將HOG和LSS兩類特征在實數(shù)域降維,，再將兩種特征組合成新特征,，結(jié)合線性SVM分類器進行行人檢測。實驗采用INRIA數(shù)據(jù)庫和Daimler數(shù)據(jù)庫作為訓(xùn)練集訓(xùn)練SVM,，用730幅監(jiān)控視頻幀圖片作測試集,，將該方法與基于傳統(tǒng)HOG特征的行人檢測方法做對比，結(jié)果表明該方法平均漏檢誤檢率降低16%,，檢測效果優(yōu)于基于傳統(tǒng)HOG特征的行人檢測方法,。

　　關(guān)鍵詞：行人檢測；主成分分析,；梯度直方圖,；局部自相似

0引言

　　隨著視頻監(jiān)控和智能分析應(yīng)用的普及，行人檢測已成為一個重要的研究方向,。目前行人檢測算法常用特征主要有Haar特征［1］,、尺度不變特征（SIFT）［2］、加速魯棒特征（SURF）［3］,、方向梯度直方圖（HOG）［45］,、局部二進制模式（LBP）［6］、局部自相似（LSS）［7］等,，Haar特征適用于有固定結(jié)構(gòu)的目標(biāo),。SIFT/SURF的特征具有強烈方向及亮度性，適合檢測圖像幾何和光學(xué)變化微弱的目標(biāo)。LBP特征最初被引入人臉識別,但直接提取灰度圖LBP特征會引入噪聲信息,，增加特征判別的難度,。LSS特征則是通過捕捉顏色自相似性、邊緣特征,、重復(fù)模板以及復(fù)雜紋理計算兩幅圖像的相似性,，更多用于圖像匹配。本文選用HOG特征作為行人檢測主要方法,。HOG是在圖像的局部單元格上操作,，因此它對行人細微肢體動作和光照變化有很好的適應(yīng)性。但HOG特征計算量大,；由于梯度自身的性質(zhì),，該特征對噪聲敏感；行人遮擋,、樣本數(shù)量及類型限制,，導(dǎo)致HOG特征在最后分類時出現(xiàn)漏檢，若將漏檢的樣本加入訓(xùn)練樣本集,，又會出現(xiàn)大量的誤檢,。針對這一問題，本文結(jié)合LSS特征計算圖像相似性的特性,，建立了一種基于融合LSS和HOG特征的行人檢測算法,。首先輸入待檢測視頻幀圖像，歸一化處理和高斯去噪,，然后分別提取圖像的HOG特圖1算法流程圖征和LSS特征,，再對HOG和LSS特征進行PCA降維并融合，最后用線性SVM進行行人檢測,。算法原理如圖1所示。

1算法理論

　　1.1行人HOG特征提取

　　HOG特征是一種在計算機視覺和圖像處理中進行物體檢測的特征描述子,。首先將圖像分成小的連通區(qū)域cell,，然后采集cell中各像素點的梯度構(gòu)成方向直方圖，再將直方圖組合成特征描述器,。流程圖如圖2所示,。

　　圖像中每一個像素點梯度為：

　　Gx(x,y)=H(x+1,y)-H(x-1,y)x,y(1)

　　Gy(x,y)=H(x,y+1)-H(x,y-1)x,y(2)

　　Gx(x,y)、Gy(x,y),、H(x,y)分別表示圖像像素點(x,y)處的水平,、垂直方向梯度和像素值。像素點(x,y)處的梯度幅值和方向為：

　　實驗中取16×16像素為一個cell,，2×2 cell為一個block,，將梯度角度［0,π］分為9個區(qū)間bin，對每個cell內(nèi)所有像素的梯度值在各個bin區(qū)間進行直方圖統(tǒng)計，得到9維的特征向量,，一個block就有36維特征向量,，利用L2范數(shù)對整個block歸一化，得到block的特征向量,；收集檢測窗口中所有重疊塊的特征,，構(gòu)建最終HOG特征向量供分類使用。實驗中一張64×128的圖片可以生成幾千維的特征向量,，過高的特征維度會增加算法后期計算量,。

　　1.2LSS特征提取

　　LSS特征用于捕捉本地圖像間自相似性。當(dāng)存在局部小規(guī)模變形時,，LSS特征通過捕捉顏色,、邊緣、重復(fù)圖樣和復(fù)雜紋理的自相似性,，從而匹配圖像,。本文利用這一特性，結(jié)合HOG特征,，輔助區(qū)分行人和非行人目標(biāo),，以此降低漏檢誤檢率。LSS特征計算過程如下,。

　　1.2.1計算相關(guān)面

　　假定計算中心像素p(x,y)處的LSS特征,，以p點為中心構(gòu)建兩個環(huán)繞圖像塊，內(nèi)外環(huán)圖像塊的半徑為r1和r2,，計算環(huán)繞塊內(nèi)像素點亮度差值平方和（Sum of Square Differences,，SSD）,結(jié)果記為SSD(p)。再將SSD(p)歸一化為相關(guān)面S(p),，公式為：

　　S（p）=exp (-SSD(p)/max(vn,va(p)))(5)

　　其中,，vn為常量，是顏色或光照上的噪聲,；va(p)為點p與其相鄰點的最大距離,。

　　1.2.2提取特征值

　　S（p）計算完成后，轉(zhuǎn)換為以點p為中心的極坐標(biāo)表示,， 再根據(jù)半徑和角度的量化級數(shù)將S（p）上的各像素點按坐標(biāo)劃入到對應(yīng)的量化級,，取每個量化級最大值作為最終特征矢量分量，構(gòu)成LSS特征值,。

　　本文實驗過程如圖3所示,。圖3（a）為一幅64×128像素的圖像，取r1=7×7為中心子窗口,，q為中心點,，再以q為中心選取r2=21×21為一個patch,；從patch左上角開始，取5×5的子窗口,，上下步進7,，計算所有子窗口與中心子窗口的SSD，結(jié)果如圖3（b）所示,；然后從圖像的左上角patch開始以17為步進,，得到32個patch；將SSD轉(zhuǎn)化到對數(shù)極坐標(biāo)系,，角度和徑向上劃分為20份和4份,，如圖3（c）所示；在每個角度區(qū)域選擇最大“相關(guān)值”作為特征值,，形成80維LSS描述子,，如圖3（d）所示；最終生成4×8×80=2 560維LSS特征,，高維度LSS特征向量同樣會增加算法的計算量,。

　　1.3PCA降維

　　圖像提取的兩種特征向量維度都很高，兩種特征融合后,，新特征維度更大,，大量冗余信息會降低識別精度，減緩分類速度,，故需要降維,。參考文獻［45］證明PCA降維分別在基于HOG特征的行人檢測算法和基于LSS特征的圖像匹配算法中對降低計算量效果較好。本文采用PCA對兩種特征降維,。用式(6)計算特征主成分：

　　y=UT(xi-x-)(6)

　　其中,，y為主成分特征，x-為訓(xùn)練樣本的特征均值,，xi為第i個樣本,，UT為協(xié)方差矩陣公式。

　　式（7）,、（8）中,，N為樣本數(shù)量，n為樣本維數(shù),，T為矩陣轉(zhuǎn)置符號,。對于具體的降維維數(shù)k,，通過下式主成分貢獻率來確定：

　　式（9）中,，λi為式（8）中∑的特征值，δ為主成分貢獻率,。

　　本文實驗中HOG和LSS特征的降維步驟如下：

　　(1)計算訓(xùn)練樣本集中HOG特征均值x1-和LSS特征均值x2-,。

　　(2)根據(jù)式(7)計算特征值,、特征向量及協(xié)方差矩陣U1、U2,，其中U1的矩陣為3 780維,，U2的矩陣為2 560維。

　　(3)取協(xié)方差矩陣前p個主成分,，對每個HOG及LSS特征,，通過式(6)進行特征降維，分別得到降維的HOG和LSS特征,，向量維數(shù)k1,、k2的值根據(jù)式(6)~式(9)的實驗結(jié)果確定。

　　1.4特征融合

　　由于兩種特征原理不同,，本文采用串行特征組合方法,，如式(10)所示：

　　C={(α,β),α∈A，β∈B}(10)

　　α和β代表HOG及LSS特征,。本文將LSS特征作為輔助檢測,，與HOG特征在降維后融合，在不增加計算量的基礎(chǔ)上能降低傳統(tǒng)算法的漏檢誤檢率,。

　　1.5行人檢測分類器

　　SVM通過核函數(shù)將樣本映射到線性可分的高維空間,，進行點積運算得到判別結(jié)果，魯棒性較好,。而線性核函數(shù)算法簡單,，計算量小，更適于實時監(jiān)控視頻的行人判定,。本文采用基于線性核函數(shù)的SVM作為分類器,。

2算法描述

　　本文算法步驟如下：

　　(1)輸入監(jiān)控視頻，提取幀圖像,，轉(zhuǎn)換為灰度圖,，并歸一化和高斯去噪。

　　(2)提取預(yù)處理后圖像的HOG特征及LSS特征,，構(gòu)成特征集α,、β。

　　(3)分別計算兩種特征的特征值,、特征向量以及協(xié)方差矩陣U,，結(jié)合式(6)~式(9)通過實驗計算不同維度特征的主成分貢獻率，確定向量維數(shù)k1,、k2,。

　　(4)根據(jù)k1、k2對HOG及LSS特征進行PCA降維并級聯(lián)成特征C,。

　?。?）將特征C輸入線性SVM,，進行行人目標(biāo)的判別檢測。

3實驗結(jié)果及分析

　　為驗證算法有效性,，在MATLAB 2014a環(huán)境下進行實驗,，計算機配置為2.3 GHz CPU和4 GB內(nèi)存，數(shù)據(jù)庫為INRIA數(shù)據(jù)庫和Daimler數(shù)據(jù)庫,。實驗將本文算法與傳統(tǒng)HOG算法和LSS算法進行比較,，從兩個數(shù)據(jù)庫中選擇2 300個包含行人正面和其他姿勢以及5 000張無行人的圖片作正樣本集和負樣本集，以訓(xùn)練線性SVM,。最后輸入一段監(jiān)控視頻,，提取730幅圖像檢測行人，得出實驗數(shù)據(jù),。

　　3.1特征PCA維數(shù)選取實驗

　　分別提取HOGPCA特征和LSSPCA特征級聯(lián)得到特征C,，通過多次實驗確定兩種特征的PCA維數(shù)p，并對比了它們結(jié)合線性SVM后的分類判別能力,。PCA維數(shù)對識別率影響的實驗結(jié)果如圖4所示,。表1為降維后的組合特征與不降維的組合特征在訓(xùn)練時間、檢測時間和識別率方面的比較,。

　　實驗結(jié)果表明：圖4中HOG特征在PCA維數(shù)為300時達到峰值,，而LSS特征則在700維時達到峰值；表1中降維后的兩種特征在訓(xùn)練時間和檢測時間上明顯縮短,，識別率得到有效提高,。實驗結(jié)果與式(9)吻合，證明了兩種特征的PCA維度可以根據(jù)式(9)進行確定,。本文HOG特征維度選擇300維,，LSS特征維度選擇700維。

　　3.23種算法實驗對比

　　為驗證本文算法的性能,，將本文算法與基于傳統(tǒng)HOG特征,、LSS特征的行人檢測算法進行對比。圖5（a）在單窗口檢測情況下比較3種方法的漏檢率（Miss Rate）及誤檢率（False Postive）,，3條曲線分別代表3種方法,。　

　　實驗結(jié)果表明,，相同F(xiàn)PPW的情況下,，本文方法丟失率分別比傳統(tǒng)HOG和LSS方法降低了53%和26%；其中HOG的結(jié)果最不理想,，平均漏檢率達到了11%,。圖5（b）在整個圖片檢測的情況下比較基于傳統(tǒng)HOG特征的算法與本文算法的漏檢率（Miss Rate）及誤檢率（False Postive），本文算法準(zhǔn)確率達到93.51%,，而傳統(tǒng)HOG算法準(zhǔn)確率只有89%,。相同F(xiàn)PPI情況下，本文算法丟失率則比傳統(tǒng)HOG方法降低了15%,。圖6為一段視頻處理后,，兩種算法的行人檢測圖片。

　　圖6（a）,、（b）和（c）,、（d）分別為不遮擋情況下的視頻幀。其中（a）,、（c）基于傳統(tǒng)HOG特征算法,，（b）、（d）基于本文算法的行人檢測結(jié)果,；圖（a）,、（c）中箭頭為傳統(tǒng)算法漏檢的行人，圖（b）,、（d）中用本文算法準(zhǔn)確檢出了漏檢的行人,。

4結(jié)論

　　針對傳統(tǒng)HOG特征在行人檢測算法中，因遮擋及復(fù)雜環(huán)境導(dǎo)致的較高誤檢率,，建立了一種基于傳統(tǒng)HOG和LSS特征融合的視頻行人檢測算法,。通過選取合適的PCA降維維度，有效減小了計算量,，降低了行人檢測過程中的誤檢及漏檢率,。實驗表明本算法識別檢測精度較高，為視頻監(jiān)控系統(tǒng)的實時行人檢測方法提供了理論依據(jù),。

參考文獻

［1］ VIOLA P, JONES M J, SNOW D. Detecting pedestrians using patterns of motion and appearance［C］. Proceedings of the Ninth IEEE Conference on Computer Vision, 2003： 734741.［2］ LOWE D G. Distinctive image features from scaleinvariant keypoints［J］. Intermational Journal of Computer Vision,2004,60(2):91110.

［3］ BAY H, ESS A, TUYTELAARS T, et al. Speeded up robust features (SURF)［J］ Computer Vision and Image Understanding,2008,110(3):346359.

［4］ 田仙仙,，鮑泓，徐成 一種改進HOG特征的行人檢測算法［J］.計算機科學(xué),，2014,，41(9):320324.

［5］ 郝溪，陳淑榮,，尹道素.融合HOG 與顏色特征的粒子濾波行人跟蹤算法［J］.微型機與應(yīng)用,2014,33(6):4043.

［6］ 陳銳,，王敏，陳肖.基于PCA降維的HOG與LBP融合的行人檢測［J］.信息技術(shù),2015(2):101105.

［7］ 劉景能.圖像局部不變特征提取技術(shù)及其應(yīng)用研究［D］.上海：上海交通大學(xué),，2012.