HOGG：基于Gabor變換與HOG特征的人體檢測*

范國娟，范國卿，柳絮青

(1.山東傳媒職業(yè)學(xué)院，山東 濟(jì)南 250200；2.絲路衛(wèi)星通信有限公司，江蘇 南京 210012；3.江南大學(xué)，江蘇 無錫 214122)

?

HOGG：基于Gabor變換與HOG特征的人體檢測*

范國娟1，范國卿2，柳絮青3

(1.山東傳媒職業(yè)學(xué)院，山東 濟(jì)南 250200；2.絲路衛(wèi)星通信有限公司，江蘇 南京 210012；3.江南大學(xué)，江蘇 無錫 214122)

針對實際監(jiān)控中人體目標(biāo)輪廓的多尺度特性，提出一種用于人體目標(biāo)檢測的多尺度方向特征描述子(HOGG)。首先采用Gabor濾波器提取人體圖像對應(yīng)不同尺度、不同方向的多個Gabor幅值域圖譜，然后將相同尺度不同方向的幅值域圖譜融合以降低特征維數(shù)，并對每幅融合圖像提取梯度方向直方圖(HOG)特征，最后將這些HOG特征聯(lián)合起來作為人體圖像表征。利用支持向量機(jī)(SVM)對描述特征進(jìn)行分類，在CAVIAR數(shù)據(jù)庫中進(jìn)行了實驗，結(jié)果表明，該算法對人體目標(biāo)檢測具有較好的性能。

人體檢測；Gabor變換；分塊直方圖；多尺度

0 引言

人體檢測被廣泛地用于計算機(jī)視覺領(lǐng)域，如公共安全、智能機(jī)器人、視覺監(jiān)控、行為分析等[1]。目前人體檢測多采用基于統(tǒng)計分類的方法，常用Gabor小波變換和Haar小波變換提取人體特征。DALAL N[2]等人提出梯度直方圖(Histograms of Oriented Gradient，HOG)，利用圖像塊內(nèi)的方向統(tǒng)計進(jìn)行人體檢測，對解決局部形變與視角變化等問題，該檢測算法具有較高的精度。Mu Yadong[3]等人將局部二值模式(Local Binary Patterns，LBP)作為人體特征描述算子，具有旋轉(zhuǎn)不變性和光照不變性，是一種有效的描述特征。Wang Xiaoyu[4]等人提出了HOG與LBP相結(jié)合的算法，達(dá)到兩種特征互補(bǔ)的效果，對解決人體檢測中部分遮擋問題有顯著的提高。

上述輪廓特征一般都是在固定尺度上計算，沒有考慮實際監(jiān)控中復(fù)雜背景下人體目標(biāo)輪廓的多尺度特性，當(dāng)這些算法應(yīng)用到真實場景中時，其性能會急劇下降。本文提出一種Gabor變換與HOG特征相結(jié)合的人體檢測算法(簡稱HOGG)，利用Gabor變換多方向多尺度的特性，增強(qiáng)了人體的輪廓信息。該方法首先對圖像進(jìn)行規(guī)一化處理，然后使用Gabor濾波器提取圖像多尺度、多方向的幅值域圖譜，并將同尺度不同方向幅值域圖譜融合以降低特征維數(shù)，最后按順序提取各個尺度上融合圖譜的HOG特征，串接組成整幅圖像的描述特征。在CAVIAR數(shù)據(jù)庫下的大量實驗表明，該方法能較好地提取人體描述特征，有較高的檢測率。

1 Gabor特征提取

在提取人體Gabor特征之前需要對圖像進(jìn)行規(guī)一化處理，本文實驗中所用人體圖像為灰度圖像，大小為32×64像素。為了獲取多尺度的Gabor特征，選取5個尺度和8個方向的Gabor濾波器組，則一幅人體圖像的多尺度、多方向特征表示為：

{Gu,v(z) ：(u=0,1,…,7),(v=0,1,…,4)}

(1)

通過Gabor變換后，每幅圖像會轉(zhuǎn)化成40個不同尺度與方向的圖像，特征維數(shù)為原圖像的40倍，造成特征數(shù)據(jù)冗余，增加了計算的復(fù)雜度。本文將Gabor特征同一尺度不同方向的特征進(jìn)行融合，有效地降低了Gabor特征間的數(shù)據(jù)冗余，保持了有效的決策信息，并可以對人體圖像進(jìn)行多尺度分析。

2 HOGG描述子

本文對融合圖像進(jìn)一步提取HOG特征，并將其聯(lián)合起來作為人體圖像的HOGG表征。HOGG的構(gòu)建過程主要分為以下幾個步驟:

(1)計算梯度幅值和方向

利用一階模板算子(-1,0,1)分別從橫向和縱向?qū)θ诤蠄D像進(jìn)行梯度提取操作，求得融合圖像的梯度圖像。

(2)構(gòu)建梯度方向直方圖

把梯度圖像分成同等大小的正方形小塊(block)，這些小塊是相互重疊的并且每個小塊被分為更小的正方形單元(cell，n×n像素)。利用梯度幅值和梯度方向在每個單元中進(jìn)行直方圖投票，其中梯度方向作為直方圖投票區(qū)間，而梯度幅值作為直方圖投票權(quán)重，這樣對于每個小塊(block)都能得到一個維度為m×m×b的直方圖向量。

(3)梯度強(qiáng)度歸一化

以block為單位進(jìn)行L2-norm標(biāo)準(zhǔn)化，減少局部光照以及前景、背景對比度的變化對直方圖特征的影響。設(shè)vn是對應(yīng)的block向量，則標(biāo)準(zhǔn)化的向量fn為：

(2)

其中：ξ為接近0的正數(shù)。

(4)形成特征向量

把一幅融合圖像的所有塊中的HOG特征連接起來就得到了該融合圖像的HOG特征。再將各尺度融合圖像的HOG順接起來作為一幅人體圖像的HOGG描述子。

3 實驗分析

3.1 實驗環(huán)境與數(shù)據(jù)庫

在Core(TM)2.00 GHz的CPU，2.00 GB內(nèi)存，Windows下MATLAB R2010a的計算機(jī)上進(jìn)行仿真實驗。實驗采用MIT和INRIA數(shù)據(jù)庫作為訓(xùn)練集，包括1 126個正樣本與1 218個負(fù)樣本；采用CAVIAR[5]數(shù)據(jù)庫作為測試集。

3.2 實驗步驟

本文采用滑動窗口方式獲取檢測窗口，用HOGG描述子對檢測窗口進(jìn)行描述，再利用支持向量機(jī)[6]進(jìn)行判別。由于在檢測過程中，對同一個人體進(jìn)行多重檢測會直接導(dǎo)致計算效率下降。為此，本文將檢測窗口從大到小進(jìn)行遍歷。在遍歷過程中，如果待測區(qū)域已經(jīng)被標(biāo)記為人體，則跳過該區(qū)域。

3.3 實驗結(jié)果與分析

Gabor能對圖像進(jìn)行多尺度、多方向的分解，實驗首先研究不同尺度數(shù)對檢測算法的影響。從CAVIAR四個序列中各隨機(jī)選取200張圖片作為測試集。實驗結(jié)果如表1所示。

表1 不同尺度數(shù)下的人體檢測結(jié)果

實驗中采用綜合評價指標(biāo)(F1-measure，F(xiàn))[7]評估算法的性能，其中：precision為準(zhǔn)確率，recall為查全率；tp表示被正確檢測人數(shù)，fp表示錯誤檢測的人數(shù)，fn表示漏檢的人數(shù)。

由于不同尺度子帶間冗余信息較大，簡單地增加尺度數(shù)不一定能提高性能，由表1可以看出，取尺度數(shù)為4效果最佳。

為了進(jìn)一步驗證本文提出的算法，選取Gabor尺度為4，在CAVIAR行人數(shù)據(jù)庫上提取HOGG特征，參照文獻(xiàn)[4]與HOG、LBP+HOG算法做了對比實驗，如表2所示。

表2 CAVIAR數(shù)據(jù)庫中不同算法的結(jié)果

從圖1可以看出，本文算法的F-measure優(yōu)于當(dāng)前其他方法，具有較好的性能，證明了HOGG方法的有效性。

圖1 算法比較

4 結(jié)論

本文提出了一種基于Gabor變換和HOG的人體目標(biāo)檢測的新特征表達(dá)，可以多層次、多分辨率地表征人體目標(biāo)。在CAVIAR數(shù)據(jù)庫中的實驗數(shù)據(jù)表明，Gabor多尺度的變換能夠增強(qiáng)HOG算子對人體紋理細(xì)節(jié)特征和全局特征的表示能力，有效地提高了人體檢測的性能。

[1] HARITAOGLU I，HARWOOD D，DAVIS L S. W4:real-time surveillance of people and their activities [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，(S0162-8828)，2000，22(8) : 809-830.

[2] DALAL N， TRIGGS B. Histograms of oriented gradients for human detection [C]. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition，CVPR IEEE 2005:886-893.

[3] Mu Yadong，Yan Shuicheng， Liu Yi，et al. Discriminative local binary patterns for human detection in personal album [C]. Computer Vision and Pattern Recognition，Anchorage，AK，2008:1-8.

[4] Wang Xiaoyu，HAN T X，Yan Shuicheng. An HOG-LBP human detector with partial occlusion handling [C]. Computer Vision, Kyoto，2009:32-39.

[5] CAVIAR. Benchmark Data [EB/OL].[2016-07-01]. http://homepages.inf.ed.ac.uk/rbf/CAVIAR/.

[6] KIM S K，PARK Y J，TOH K A, et al. SVM-based feature extraction for face recognition [J]. Pattern Recognition，2010，43(8): 2871-2881.

[7] bluepoint2009. 準(zhǔn)確率(Precision)、召回率(Recall)以及綜合評價指標(biāo)(F1-Measure)[EB/OL].(2012-09-18)[2015-06-21].http://www.cnblogs.com/bluepoint2009/archive/2012/09/18/precision-recall-f_measures.html.

HOGG: Gabor and HOG-based human detection

Fan Guojuan1,Fan Guoqing2,Liu Xuqing3

(1.Shandong Communication and Media College, Ji’nan 250200, China;2.SilkRoad Satellite Communications Co., Ltd., Nanjing 210012, China; 3.Jiangnan University, Wuxi 214122, China)

Aiming at the multi-scale characteristic of human body in visual surveillance, the multi-scale orientation features (HOGG) for pedestrian detection are put forward in this paper. Firstly, the multi-orientation information corresponding to human body image are extracted, and then fusing the original Gabor features of the same scale in different directions into a single feature in order to reduce the dimension of the features. Then histograms of oriented gradients of each fused image is extracted and combined as human image features. Support vector machine (SVM) is adopted to sort the features, and experimental results on CAVIAR database show that the proposed method has a better performance for human body target detection.

human detection; Gabor transform; block histogram; multi-scale

山東省高等學(xué)?？萍加媱濏椖?J15LN53)

TP277

A

10.19358/j.issn.1674- 7720.2016.21.004

范國娟，范國卿，柳絮青. HOGG：基于Gabor變換與HOG特征的人體檢測[J].微型機(jī)與應(yīng)用，2016,35(21)：14-15,19.

2016-07-04)

范國娟(1974-)，通信作者，女，碩士，副教授，主要研究方向：模式識別，數(shù)字圖像處理。E-mail: fgjmqs@163.com。

范國卿(1989-)，男，碩士，主要研究方向：數(shù)據(jù)處理。

柳絮青(1989-)，男，碩士，主要研究方向：模式識別與智能系統(tǒng)。