基于HOG特征和改進(jìn)IKSVM的車輛檢測算法

黃 飛

(宿州學(xué)院 機(jī)械與電子工程學(xué)院，安徽 宿州 234000)

?

基于HOG特征和改進(jìn)IKSVM的車輛檢測算法

黃 飛

(宿州學(xué)院 機(jī)械與電子工程學(xué)院，安徽 宿州 234000)

為了準(zhǔn)確地對視頻圖像中的車輛目標(biāo)進(jìn)行檢測，提出一種基于方向梯度直方圖(HOG)特征和交叉核函數(shù)支持向量機(jī)(IKSVM)的車輛檢測算法,并通過對交叉核函數(shù)計(jì)算方法的改進(jìn)，提高了算法的檢測效率．以m個(gè)n維支持向量構(gòu)成的IKSVM為例，改進(jìn)后其檢測的時(shí)間復(fù)雜度由o(nm)降為o(nlogm)．實(shí)驗(yàn)證明，改進(jìn)IKSVM算法對圖像中的車輛目標(biāo)進(jìn)行了較準(zhǔn)確的分類檢測，且在檢測速度方面較傳統(tǒng)的SVM車輛檢測算法有明顯的提高．

車輛檢測;HOG特征;交叉核;SVM分類器

智能化視頻監(jiān)控的目的是將圖像與事件建立一種映射關(guān)系，借助計(jì)算機(jī)強(qiáng)大的數(shù)據(jù)處理能力對監(jiān)控視頻的內(nèi)容進(jìn)行描述、分析和判斷[1]，使其具有與人類相似的對圖像內(nèi)容的理解能力．其中，車輛目標(biāo)的自動(dòng)檢測是實(shí)現(xiàn)智能化視頻監(jiān)控至關(guān)重要的一個(gè)環(huán)節(jié)．

目前，基于計(jì)算機(jī)視覺的車輛檢測算法主要有光流法、模板匹配法和基于特征的方法．光流法對于圖像中的光線變化較為敏感，然而計(jì)算量過大無法滿足實(shí)時(shí)性要求；而模板匹配法的檢測準(zhǔn)確度則十分依賴所選取的車輛模板，受車型、角度和距離的影響較大．相較于上述兩種算法，目標(biāo)特征結(jié)合機(jī)器學(xué)習(xí)的車輛檢測算法性能更為優(yōu)良，正逐漸成為國內(nèi)外的研究熱點(diǎn)[2]，并取得了一系列的研究成果．如Chang[3]結(jié)合Haar特征和Adaboost分類器從側(cè)面檢測車輛的前后輪，并后續(xù)提出了采用級聯(lián)Adaboost分類器檢測車輛[4]，以提高分類器的檢測性能．Adaboost分類器實(shí)時(shí)性較好，但訓(xùn)練時(shí)間長，且隨著訓(xùn)練樣本的增多，訓(xùn)練時(shí)間成倍增加．Wang[5]利用boosted HOG特征和線性SVM實(shí)現(xiàn)行人檢測.在此算法應(yīng)用于行人檢測已較為成熟的基礎(chǔ)上，Sivaraman[6]提出一種HOG特征結(jié)合SVM分類器檢測車輛的方法，但SVM分類檢測算法為了保證目標(biāo)檢測的準(zhǔn)確度，往往采用高達(dá)數(shù)千維的支持向量，計(jì)算量十分龐大，同時(shí)也無法滿足大多數(shù)系統(tǒng)實(shí)時(shí)性的要求．

針對上述問題，提出一種HOG特征結(jié)合改進(jìn)的IKSVM的車輛檢測算法，在不降低HOG特征維數(shù)的前提下，通過提高IKSVM的分類效率來加快車輛的檢測速度．

1 HOG特征提取方法

方向梯度直方圖(Histogram of Oriented Gradients，HOG)是由Dalal提出的一種用于行人檢測的算法，其核心思想是待檢測目標(biāo)的外觀形狀可以由目標(biāo)區(qū)域的梯度幅值和梯度方向的分布統(tǒng)計(jì)來描述[7]．一般場景下的車輛目標(biāo)在車標(biāo)、車燈、車牌和保險(xiǎn)杠存在的區(qū)域包含了豐富的梯度信息，而車身和背景區(qū)域灰度變化相對較小，因而使用HOG特征檢測車輛目標(biāo)較為合理．由于HOG特征對尺度、方向、光照的良好適應(yīng)性，已成為常用的車輛檢測算法．

車輛圖像的HOG特征示例如圖1所示，輸入車輛圖像如圖1a所示，該圖像的可視化HOG特征如圖1b 所示．

HOG特征的計(jì)算過程如下：

(1)灰度化輸入圖像并使用Gamma方法對灰度圖進(jìn)行校正和歸一化處理．

(2)遍歷圖像計(jì)算像素點(diǎn)(x,y)的梯度幅值和方向．

圖1 車輛樣本和HOG特征可視化圖

(4)在圖像中劃分若干個(gè)2*2細(xì)胞單元大小的塊block，串聯(lián)block內(nèi)4個(gè)cell的36維特征向量并對梯度幅值做歸一化處理，即得到36維塊向量．歸一化后的塊向量能有效地減弱圖像局部變化的影響．

(5)聯(lián)合所有的塊向量即可得到該輸入圖像的HOG特征．

2 車輛分類檢測算法

基于HOG特征的IKSVM車輛分類檢測算法通過分析和比較待檢測樣本的HOG特征向量和支持向量之間的相似度來確定目標(biāo)的類別，其計(jì)算復(fù)雜度是衡量分類算法的重要指標(biāo)．借鑒Maji提出的一種改進(jìn)的基于交叉核支持向量機(jī)(IKSVM)的HOG特征直方圖比較方法，將直方圖的比較轉(zhuǎn)化為直方圖坐標(biāo)功能的線性組合，大大降低了計(jì)算復(fù)雜度[8-9]．

直方圖交叉核常用于比較直方圖ha和hb之間的相似性，由于它的正定性，也可用作SVM分類算法的核函數(shù)．近年，交叉核SVM在檢測和識別方面應(yīng)用比較成功，如金字塔匹配算法和空間金字塔匹配算法，但是同運(yùn)算簡單的線性核SVM相比，IKSVM運(yùn)算代價(jià)較大．以m個(gè)支持向量構(gòu)成的IKSVM分類器處理n維特征向量為例，其分類算法的時(shí)間復(fù)雜度和空間復(fù)雜度皆為o(nm)．引入的改進(jìn)方法將IKSVM分類器識別算法的時(shí)間復(fù)雜度縮短至o(nlogm)．

SVM分類檢測算法的性能取決于選取的核函數(shù)，線性核函數(shù)訓(xùn)練和識別速度快，內(nèi)存空間要求低；非線性核分類性能更加出色，但計(jì)算時(shí)間和空間復(fù)雜度高，無法滿足實(shí)時(shí)性要求．針對這一問題，采用改進(jìn)的IKSVM算法，在不降低支持向量維數(shù)、保證分類檢測準(zhǔn)確度的前提下，有效地提高了IKSVM算法的分類速度．提高分類器識別速度的改進(jìn)的IKSVM算法具體如下．

假設(shè)特征向量x,z∈Rn，交叉核函數(shù)的表達(dá)式為：

(1)

分類器的分類決策函數(shù)為：

(2)

(3)

(4)

重新構(gòu)造分類決策函數(shù)h(x)，將其作為一組函數(shù)hi的和，hi負(fù)責(zé)計(jì)算n維向量中的一維向量：

(5)

式中,hi(s)的計(jì)算量是o(m)；h(x)的計(jì)算量仍是o(nm)．

(6)

式(7)表明hi為分段線性函數(shù)，且為連續(xù)函數(shù)，因?yàn)椋?/p>

(7)

3 實(shí)驗(yàn)及結(jié)果分析

為了驗(yàn)證文中算法的有效性，利用LIBSVM和VS2010搭建算法實(shí)驗(yàn)平臺，并使用車載攝像頭拍攝的車輛圖像和道路視頻作為實(shí)驗(yàn)對象．

3.1 實(shí)驗(yàn)步驟

訓(xùn)練分類器階段.選取不同車型、不同角度及不同光照條件下的車輛后視圖作為正樣本，負(fù)樣本為不包含車輛特征的任意圖像．正負(fù)樣本統(tǒng)一調(diào)整為64*128像素大小，然后計(jì)算每個(gè)樣本的HOG特征向量并送入基于交叉核函數(shù)的SVM分類模型中進(jìn)行訓(xùn)練，從中挑選一部分適合描述車輛外觀形狀的HOG特征，即構(gòu)成SVM分類器的支持向量．SVM分類的實(shí)質(zhì)就是評估輸入向量和存儲在SVM中支持向量之間的差異度，從而判斷目標(biāo)物體的類別．為了提高SVM的分類性能，往往在迭代的訓(xùn)練過程中不斷地更新正負(fù)樣本集合，尋找在測試過程中易被SVM錯(cuò)誤分類的樣本，如漏檢的車輛、被誤檢為車輛的圖像(綠化帶、廣告牌)，加入到相應(yīng)的樣本集合并提高權(quán)重．一組用于訓(xùn)練SVM的圖像如圖2所示.其中，正樣本車輛圖像如圖2a所示，負(fù)樣本非車輛圖像如圖2b所示．

圖2 SVM分類器訓(xùn)練樣本圖像

車輛檢測階段.對輸入的測試圖像，利用多尺度滑動(dòng)窗口分別計(jì)算不同尺度下檢測窗口的HOG特征并送入SVM分類器中進(jìn)行檢測[10]．若檢測窗口的HOG特征符合車輛目標(biāo)，則合并同一目標(biāo)的多個(gè)不同尺度檢測窗口，鎖定車輛的具體位置．車輛檢測結(jié)果如圖3所示.由圖3可知，文中算法在目標(biāo)車輛距離攝像頭較遠(yuǎn)或者較近、光照不足以及目標(biāo)車輛存在部分遮擋情況下仍然保持了較好的檢測性能，由此驗(yàn)證了算法較好的魯棒性．

圖3 車輛檢測效果圖

3.2 結(jié)果分析

基于核函數(shù)SVM的分類性能取決于選取的核函數(shù).線性核函數(shù)計(jì)算量小、檢測速度快，但分類性能不夠理想；徑向基核函數(shù)(RBF)檢測準(zhǔn)確性高，但運(yùn)算復(fù)雜無法滿足實(shí)時(shí)性的要求．提出的改進(jìn)交叉核函數(shù)在不降低分類準(zhǔn)確度的前提下，提升了分類速度，具有良好的魯棒性和實(shí)時(shí)性．下面為驗(yàn)證算法的可行性，將改進(jìn)的交叉核SVM、線性核SVM和RBF核SVM分別對同一段交通視頻(上海外環(huán)高速路段)做車輛檢測統(tǒng)計(jì)．三種算法的檢測準(zhǔn)確率對比如圖4所示.由圖4可知，在檢測準(zhǔn)確率方面，改進(jìn)IKSVM算法95.62%的準(zhǔn)確率和RBF核SVM算法95.51%的準(zhǔn)確率基本相當(dāng)，都遠(yuǎn)遠(yuǎn)超出線性核SVM．三種算法在檢測速度上的比較如圖5所示.由圖5可知，線性核17.57 ms/frame的速度最為優(yōu)秀，改進(jìn)IKSVM的表現(xiàn)尚可，為25.29 ms/frame，能夠滿足大多數(shù)視頻系統(tǒng)的實(shí)時(shí)性要求，RBF核速度最慢．

圖4 三種算法的檢測準(zhǔn)確率對比 圖5 三種算法的檢測速度對比

4 結(jié)論

提出一種基于方向梯度直方圖(HOG)特征和交叉核支持向量機(jī)(IKSVM)的車輛檢測算法，利用HOG特征來描述車輛目標(biāo)和訓(xùn)練IKSVM分類器，并將基于交叉核的直方圖比較方法改進(jìn)為直方圖坐標(biāo)功能的線性組合，大大提高了IKSVM的分類效率．實(shí)驗(yàn)結(jié)果表明，該方法具有較好的魯棒性和識別性能，且相較于傳統(tǒng)的HOG+IKSVM方法，檢測速度有了很大提高．

[1] 聞帆,屈楨深,閆紀(jì)紅.基于CKPCA-HOG和支持向量機(jī)的運(yùn)動(dòng)目標(biāo)分類算法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2011,32(5):643-649.

[2] 郭烈,高龍,趙宗艷.基于車載視覺的行人檢測與跟蹤方法[J].西南交通大學(xué)學(xué)報(bào)，2012,4(1):125-131.

[3] W C Chang,C W Cho.Real-time Side Vehicle Tracking Using Parts-based Boosting[C]//IEEE International Conference on System,Man and Cybernetic,Singapore：Institute of Electrical and Electronics Engineers,2008:3 370-3 375.

[4] W C Chang,C W Cho.Online Boosting for Vehicle Detection[J].Institute of Electrical and Electronics Engineers,2010,40(3)：892-902.

[5] Z R Wang，Y L Jia，H Huang，et al．Pedestrian Detection Using Boosted HOG Features[C]//Proceedings of the 11th International Conference on Intelligent Transportation Systems,Beijing：Institute of Electrical and Electronics Engineers,2008:1 155-1 160．

[6] S Sivaraman,M Trived.Active Learning Foe On-road Vehicle Detection:A Comparative Study[J].Machine Vision and Applications,2014,25(3):599-611.

[7] N Dalal,B Triggs.Histograms of Oriented Gradients for Human Detection[C]//Proc. of International Conference on Computer Vision & Pattern Recognition.Montbonnot,France：Institute of Electrical and Electronics Engineers,2005:886-893.

[8] S Maji,A Berg,J Malik.Efficient Classification for Additive Kernel SVMs[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(1):66-77.

[9] S Maji,A Berg,J Malik.Classification Using Intersection Kernel Support Vector Machines Is Efficient[C]//Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition,Anchorage,AK：Institute of Electrical and Electronics Engineers,2008:1-8.

[10] X J Zhao,Z Y Liu,K Q Fan.SVM Based Method For Vehicle Automatic-classification[J].Journal of Highway and Transportation Research and Development,2003,20(5):108-110．

A Vehicle Detection Algorithm Based on HOG Features and Improved IKSVM

HUANG Fei

(School of Mechanical and Electronic Engineering,Suzhou University,Suzhou,234000,China)

For the purpose of detecting vehicles in the video images, a vehicle detection algorithm based on histogram of oriented gradients (HOG) features and intersection kernel support vector machine(IKSVM) is proposed and an efficient detection using IKSVM is introduced through improving the calculation methods of intersection kernel.Given feature vectors of dimensionnand learned support vector classifier consisting ofmsupport vectors,the time complexity of improved histogram IKSVM is reduced too(nlogm). The experimental results demonstrate that the proposed algorithm is able to detect vehicle well and faster than traditional SVM algorithms for vehicle detecting.

vehicle detection；HOG features；intersection kernel；SVM classifier

1672-2477(2016)05-0028-05

宿州學(xué)院科研平臺基金資助項(xiàng)目(2014YKF37；2014YKF11)

黃 飛(1986-)，男，安徽宿州人，助教，碩士．

TP391.4

A