基于計(jì)算機(jī)仿真的行人檢查算法研究

蔡蘇亞，劉 璟

（陜西工業(yè)職業(yè)技術(shù)學(xué)院 陜西 咸陽 712000）

行人檢測(cè)就是把視頻序列中出現(xiàn)的行人從背景中分割出來并精確定位。行人檢測(cè)是當(dāng)前計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域最為活躍的研究課題之一。行人檢測(cè)可以應(yīng)用到許多實(shí)際應(yīng)用場(chǎng)合，比如智能監(jiān)控系統(tǒng)，汽車輔助駕駛系統(tǒng)，刑事偵查，高速公路監(jiān)控，超市等人流量大的場(chǎng)合的人流量統(tǒng)計(jì)，自動(dòng)門等[1]。行人檢測(cè)的目標(biāo)是得到每個(gè)行人在視頻中每幀的空間位置。

早期以靜態(tài)圖像處理中的分割、邊緣提取、運(yùn)動(dòng)檢測(cè)等方法為主。例如：1）以Gavrila為代表的全局模板方法：基于輪廓的分層匹配算法，構(gòu)造了將近2 500個(gè)輪廓模板對(duì)行人進(jìn)行匹配，從而識(shí)別出行人。為了解決模板數(shù)量眾多而引起的速度下降問題，采用了由粗到細(xì)的分層搜索策略以加快搜索速度。另外，匹配的時(shí)候通過計(jì)算模板與待檢測(cè)窗口的距離變換來度量?jī)烧咧g的相似性。2）以Broggi為代表的局部模板方法：利用不同大小的二值圖像模板來對(duì)人頭和肩部進(jìn)行建模，通過將輸入圖像的邊緣圖像與該二值模板進(jìn)行比較從而識(shí)別行人，該方法被用到意大利Parma大學(xué)開發(fā)的ARGO智能車中。3）以Lipton為代表的光流檢測(cè)方法：計(jì)算運(yùn)動(dòng)區(qū)域內(nèi)的殘余光流；4）以Heisele為代表的運(yùn)動(dòng)檢測(cè)方法：提取行人腿部運(yùn)動(dòng)特征；5）以Wohler為代表的神經(jīng)網(wǎng)絡(luò)方法：構(gòu)建一個(gè)自適應(yīng)時(shí)間延遲神經(jīng)網(wǎng)絡(luò)來判斷是否是人體的運(yùn)動(dòng)圖片序列。以上方法，存在速度慢、檢測(cè)率低、誤報(bào)率高的特點(diǎn)。隨著科學(xué)技術(shù)的飛躍發(fā)展，根據(jù)對(duì)行人描述（表達(dá)）方法的不同，行人檢測(cè)算法可以基本分為三類：基于形狀模板匹配的方法和基于表觀特征描述的方法，以及將形狀和紋理結(jié)合的方法。根據(jù)對(duì)人體是以一個(gè)整體進(jìn)行檢測(cè)還是分部件進(jìn)行檢測(cè)，又可以將行人檢測(cè)算法分為基于部件的檢測(cè)方法和基于整體的檢測(cè)方法。

P.Dollár等[1]對(duì)公開發(fā)表的16種檢測(cè)器進(jìn)行總結(jié)，結(jié)果發(fā)現(xiàn)：基于SVM[2]的方法和基于Adaboost[3]的方法由于其理論基礎(chǔ)強(qiáng)、可擴(kuò)展性好和效果突出是目前最流行的行人檢測(cè)方法。而且?guī)缀跛械臋z測(cè)器都采用了某種梯度直方圖特征，如 FDF[4]、HOG[2，5]和 SIFT[6]等。 還有其他的一些紋理特征比如LBP[7]，還有一些組合特征比如HOG-LBP[8]也在行人檢測(cè)方面得到了很好的應(yīng)用。級(jí)聯(lián)學(xué)習(xí)是一種快速算法能提高檢測(cè)速度和檢測(cè)性能。

v-FDF是一個(gè)計(jì)算復(fù)雜度低，但能很好的表征行人的特征。此外SVM級(jí)聯(lián)在行人檢測(cè)上能取得很好的性能。因此本文提出了一種基于v-FDF的SVM級(jí)聯(lián)行人檢測(cè)方法。

1 本文方法概述

整體方法實(shí)現(xiàn)流程圖如圖1所示。

圖1 行人檢測(cè)方法流程圖Fig.1 Flow chart of pedestrian detection method

方法的詳細(xì)介紹如下：

1）提取特征：對(duì)行人檢測(cè)訓(xùn)練樣本提取v-FDF特征，F(xiàn)DF特征每一個(gè)block是4維。

2）SVM級(jí)聯(lián)訓(xùn)練：這里的 SVM級(jí)聯(lián)與Zhu[5]的方法類似。此外，為了避免中途出現(xiàn)因?yàn)樨?fù)樣本不夠而退出的情況，負(fù)樣本采用在線生成方式。

3）檢測(cè)：SVM級(jí)聯(lián)訓(xùn)練后可以得到一個(gè)級(jí)聯(lián)分類器，對(duì)測(cè)試樣本進(jìn)行多尺度遍歷檢測(cè)，可以得到ROIs，為了使每一個(gè)行人盡可能的只被一個(gè)矩形框包含，所以用非最大化抑制算法（NMS）進(jìn)行后處理，得到最終檢測(cè)結(jié)果。

2 v-FDF特征提取

FDF特征是一種比較簡(jiǎn)單的特征，能夠表征行人的輪廓特征，適合于行人目標(biāo)的檢測(cè)。 FDF特征計(jì)算過程如下。

首先要計(jì)算梯度值，如公式（1）所示。

這里的 Sd（x）是計(jì)算后的梯度值，是 I（x）灰度圖像，* 表示卷積運(yùn)算，Gd是梯度算子用來計(jì)算4個(gè)不同方向的梯度方向?yàn)?d∈D，D={0°，45°，90°，135°}。 B 是 2 維平均濾波器可以用來平均化。

然后對(duì)求得的梯度值，用高斯算子進(jìn)行模糊，在整張圖像以M*N（如4*4）大小為單位，對(duì)這些像素點(diǎn)的初級(jí)特征值取平均作為這M*N個(gè)像素點(diǎn)的特征值，得到的4個(gè)方向的平均梯度值向量串起來作為圖像的最終FDF特征向量。

為了提高特征表征行人的能力，本文參照v-HOG特征對(duì)FDF特征進(jìn)行修改提出了v-FDF特征。v-FDF特征改變了FDF特征里M*N（block大小）固定的方式，參照v-HOG的block大小改變方式，M和N的比值為1:1或1:2或2:1，M的大小從4變化到64，改變步長(zhǎng)為4個(gè)像素，這樣可以得到一系列block大小不同的FDF特征。

3 SVM級(jí)聯(lián)訓(xùn)練

支持向量機(jī)（Support Vector Machines，SVM）是 Vapnik 等人根據(jù)統(tǒng)計(jì)學(xué)習(xí)理論提出的一種新的機(jī)器學(xué)習(xí)方法[2，5]，其最大的特點(diǎn)就是根據(jù)Vapnik的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，盡量提高學(xué)習(xí)的泛化能力，即由有限的訓(xùn)練樣本集得到的小誤差仍能夠保證對(duì)隊(duì)里的測(cè)試集小的誤差。

本文所用的SVM是用LIBSVM軟件包來實(shí)現(xiàn)的。設(shè)置每一級(jí)最低檢測(cè)率為99.5%，最高檢測(cè)率為50%，目標(biāo)虛警率為10-8，不設(shè)定級(jí)聯(lián)層數(shù)，只有達(dá)到目標(biāo)虛警率才退出級(jí)聯(lián)訓(xùn)練。SVM級(jí)聯(lián)方法和Adaboost級(jí)聯(lián)類似，以SVM得到的分類器為弱分類器，這樣每一個(gè)v-FDF特征（block）可以對(duì)應(yīng)一個(gè)弱分類器。初始化樣本權(quán)重為均勻分布，每一次迭代選擇錯(cuò)誤率最低的特征，保存該弱分類器，然后改變樣本權(quán)重分布，分錯(cuò)的樣本權(quán)重增加，分錯(cuò)的樣本權(quán)重降低，然后再對(duì)用SVM訓(xùn)練得到新的弱分類器，同樣選擇錯(cuò)誤率最低的弱分類器。強(qiáng)分類器由弱分類器投票加權(quán)得到，權(quán)重與該弱分類器的錯(cuò)誤率相關(guān)。強(qiáng)分類器的虛警率滿足要求則結(jié)束本級(jí)訓(xùn)練。如果達(dá)到目標(biāo)虛警率要求則退出整個(gè)級(jí)聯(lián)訓(xùn)練。整個(gè)SVM級(jí)聯(lián)訓(xùn)練算法如算法1所示。

算法1 The SVMCascade algorithm

輸入：正負(fù)樣本，目標(biāo)虛警率Ftarget，最大虛警率f，最小檢測(cè)率d

初始化： i=0， D（0）=1.0，F(xiàn)（0）=1.0， Ftotal=1.0

While Ftotal>Ftarget

i=i+1， F（i）=F（i-1）， ni=0 是特征個(gè)數(shù)。

While F（i）>f

初始化樣本權(quán)重，用SVM遍歷訓(xùn)練所有特征得到錯(cuò)誤率，這里需要改變閾值使D（i）>=d。選擇錯(cuò)誤率最低的弱分類器（特征），把該分類器保存下來，ni=ni+1，更新權(quán)重，繼續(xù)遍歷所有特征得到新的最佳弱分類器，強(qiáng)分類器為ni個(gè)弱分類器加權(quán)之和。依次直到進(jìn)行強(qiáng)分類器性能F（i）滿足要求，退出該級(jí)訓(xùn)練。

End

保存分類器和特征位置，閾值等等，更新負(fù)樣本，刪掉檢測(cè)正確的負(fù)樣本，加入檢測(cè)錯(cuò)誤的負(fù)樣本，確保負(fù)樣本數(shù)目不變，采用在線負(fù)樣本生成機(jī)制。Ftotal=Ftotal*F（i）。

End

輸出：一個(gè)包含多個(gè)強(qiáng)分類器的級(jí)聯(lián)分類器

4 實(shí)驗(yàn)結(jié)果和分析

4.1 實(shí)驗(yàn)環(huán)境

所有實(shí)驗(yàn)都用matlab2009a實(shí)現(xiàn)的，計(jì)算機(jī)配置如下：Intel Core i3 540 CPU 3.07GHZ， 內(nèi)存 3G，Windows 7，64 位系統(tǒng)。本文實(shí)驗(yàn)的行人正樣本來自INRIA數(shù)據(jù)庫，負(fù)樣本有INRIA庫中的負(fù)樣本和網(wǎng)上下載的大量無人圖片中截取得到，檢測(cè)庫用INRIA，SDL，USC-C等。正負(fù)樣本比為2 000:20 000，正樣本在訓(xùn)練中不變，負(fù)樣本采用在線生成方式，在無人的大圖上截取負(fù)樣本。

4.2 實(shí)驗(yàn)結(jié)果及其分析

行人檢測(cè)器的性能大多用FPPW （False Positive Per Window）和FPPI曲線來表示，經(jīng)過實(shí)驗(yàn)得到本文方法的FPPW曲線與其他方法的對(duì)比，如圖2所示。

從圖2可以看出，本文的方法性能比基于Adaboost和SVM的方法好。在相同的虛警率下漏檢率越低，檢測(cè)率越高，方法的性能就越好。

圖2 FPPW曲線對(duì)比Fig.2 Comparison of FPPW curve

本文的方法是用Matlab實(shí)現(xiàn)的，實(shí)驗(yàn)表明在檢測(cè)640*480圖片時(shí)，本文方法可以達(dá)到10幀每秒，基本上可以滿足實(shí)時(shí)性要求。檢測(cè)速度比較快是因?yàn)関-FDF特征計(jì)算簡(jiǎn)單，耗時(shí)少，并且選擇出來的特征表征能力強(qiáng)，在級(jí)聯(lián)檢測(cè)時(shí)可以迅速的收斂。

對(duì)INRIA，SDL數(shù)，和USC 3種數(shù)據(jù)庫進(jìn)行檢測(cè)，部分結(jié)果展示如圖3所示。實(shí)驗(yàn)結(jié)果圖表明本文的行人檢測(cè)方法可以準(zhǔn)確快速的檢測(cè)直立，不同直立姿勢(shì)和無遮擋的行人，但對(duì)于被遮擋的行人不能很好的檢測(cè)出來。

圖3 行人檢測(cè)結(jié)果圖Fig.3 The results of pedestrian detection

5 結(jié) 論

文中的行人檢測(cè)方法是基于v-FDF和SVM[9-10]級(jí)聯(lián)的，可以提高了檢測(cè)性能和檢測(cè)速度。實(shí)驗(yàn)結(jié)果表明本文的方法性能比基于adaboost的方法好，比除了HOG-LBP+SVM之外的基于SVM的方法性能也好，并且檢測(cè)速度能達(dá)到10幀每秒，基本上能達(dá)到實(shí)時(shí)性要求。但是本文方法也存在一些缺陷，比如不能處理遮擋問題，在人群密度大的場(chǎng)合檢測(cè)性能差等，這正是下一步需要深入研究的問題。

[1]Dollár P，Wojek C，Schiele B，et al.Pedestrian detection:An evaluation of the state of the art[J].IEEE Transaction on Pattern Analysis and Machine Intelligence，2012，34 （4）:743-761.

[2]Dalal N，Triggs B.Histograms of Oriented Gradients for Human Detection [C]//Proceedingsofthe 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego，CA，USA，2005:886-893.

[3]Viola P，Jones M J，Snow D.Detecting pedestrians using patterns of motion and appearance[J].International Journal of Computer Vision，2005，63（2）:153-161.

[4]種衍文，匡湖林，李清泉.一種基于多特征和機(jī)器學(xué)習(xí)的分級(jí)行人檢測(cè)方法[J].自動(dòng)化學(xué)報(bào)，2012，38（3）:375-581.ZHONG Yan-wen，KUANG Hu-lin，LI Qing-quan.Two-stage pedestrian detection based on multiple features and machine learning[J].Acta Automatica Sinica，2012，38（3）:375-581.

[5]Zhu Qiang，Avidan S，Yeh M C，et al.Fast human detection using a cascade of histograms of oriented gradients[C]//Proceedings of the 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York，NY，USA，2006:1491-1498.

[6]Lowe D G.Distinctive Image Features from Scale-Invariant Key points[J].International Journal of Computer Vision，2004，60（2）:91-110.

[7]Mu Y，Yan S，Liu Y，et al.Discriminative local binary patterns for human detection in personal album[C]//Proceedings of the 2008 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Anchorage， AK，2008：1-8.[8]WANG Xiao-yu，Tony X H，Yan Shui-cheng.An HOG-LBP human detector with partialocclusion handling [C]//Proceedings of 12th International Conference on Computer Vision.Kyoto，2009:32-39.

[9]薛丹，孫萬蓉，李京京，等.一種基于SVM的改進(jìn)車牌識(shí)別算法[J].電子科技，2013（11）:22-25.XUE Dan，SUN Wan-rong，LI Jing-jing.An improved algorithm of license plate recognition based on SVM[J].Electronic Science and Technology，2013（11）:22-25.

[10]吉衛(wèi)衛(wèi)，譚曉陽.SVM及其魯棒性研究[J].電子科技，2012（5）:97-100.JI Wei-wei，TAN Xiao-yang.Research of the SVM and its robustness[J].Electronic Science and Technology，2012（5）:97-100.