基于AdaBoost算法與改進幀差法的動態(tài)行人檢測

巨志勇　彭彥妮

摘 要：針對傳統(tǒng)基于HOG特征與AdaBoost算法分類器在目標檢測中存在檢測速度慢、誤差率大的問題，提出一種基于改進幀差法與AdaBoost算法相結合的動態(tài)行人檢測方法。幀差法是運動目標檢測的一種算法，能夠將運動中的區(qū)域很好地顯示出來。改進的幀差法不再單一使用一個閾值，而是利用多個閾值，以更好地分割出檢測行人，再通過分類器進行多尺度檢測來確定目標。該方法減少了傳統(tǒng)HOG特征的檢測時間，能夠更快地找出感興趣區(qū)域，并提高檢測速度和誤差率。

關鍵詞：AdaBoost算法；幀差法；HOG特征；行人檢測

DOI：10.11907/rjdk.171401

中圖分類號：TP312 文獻標識碼：A 文章編號：1672-7800（2017）009-0050-05

摘 要：針對傳統(tǒng)基于HOG特征與AdaBoost算法分類器在目標檢測中存在檢測速度慢、誤差率大的問題，提出一種基于改進幀差法與AdaBoost算法相結合的動態(tài)行人檢測方法。幀差法是運動目標檢測的一種算法，能夠將運動中的區(qū)域很好地顯示出來。改進的幀差法不再單一使用一個閾值，而是利用多個閾值，以更好地分割出檢測行人，再通過分類器進行多尺度檢測來確定目標。該方法減少了傳統(tǒng)HOG特征的檢測時間，能夠更快地找出感興趣區(qū)域，并提高檢測速度和誤差率。

關鍵詞：AdaBoost算法；幀差法；HOG特征；行人檢測

DOI：10.11907/rjdk.171401

中圖分類號：TP312 文獻標識碼：A 文章編號：1672-7800（2017）009-0050-05

Abstract：Traditional classifier based on HOG feature and AdaBoost algorithm exists some of the problems of slow detection speed and high error rate. Therefore， a dynamic pedestrian detection method based on combination of the improved frame difference method and AdaBoost algorithm. The frame difference method is an algorithm of moving target detection which the movement of the area can be good show.The improved frame difference method is no longer a single use of a threshold，but the use of multiple threshold segmentation， which has better pedestrian detection and then determines the target classifier by multi-scale detection. This method reduces the traditional HOG feature detection time and faster to find the region of interest， thus preserve the detection of traditional method. At the same time it also can improve detection speed and error rate.

Key Words：AdaBoost algorithm； frame difference method； HOG features； region of interest； pedestrian detection

0 引言

隨著智能監(jiān)控系統(tǒng)的普及，如何使用計算機代替人工進行監(jiān)控已成為研究熱點。作為檢測技術的重要研究方向之一，行人檢測在計算機視覺系統(tǒng)中得到了廣泛應用，如在智能視頻監(jiān)控、智能汽車、機器人導航以及高級人機交互等領域。然而，由于行人自身姿態(tài)變化、服飾的多樣性和復雜性、背景環(huán)境的多變等因素影響，使得提高行人檢測精度依舊面臨挑戰(zhàn)。

國內外學者對行人目標已經深入研究多年，例如利用Haar小波和SVM分類器聯(lián)合創(chuàng)建了行人檢測器，利用神經網絡提出算法分類器，或者利用AdaBoost算法創(chuàng)建瀑布分類器等[1-5]，但是尚未實現(xiàn)一個很完善的算法。主要問題體現(xiàn)在以下兩方面：①檢測準確率低，許多不是行人的目標誤以為是行人目標被檢測出來，所以無法滿足對系統(tǒng)的準確性要求；②檢測速度較慢，滿足不了大量應用對實時性的要求。

本文在原有的AdaBoost算法基礎上，加入了改進的幀差法，利用兩者優(yōu)點的結合實現(xiàn)行人檢測。實驗證明，利用改進的幀差法與AdaBoost相結合的行人檢測方法檢測效果比單一方法的檢測效果更好。

1 傳統(tǒng)算法及原理

1.1 AdaBoost算法

AdaBoost算法是在不同訓練集上訓練出每一個弱分類器，然后將集成的各個弱分類器構建成為一個強分類器。樣本如果分類正確，權重會降低；如果分類錯誤，則權重增大。該算法簡單，提取樣本容易，所需分類器也簡單易得。在訓練過程中不需修改除樣本權重外的其它參數，也不需要引入關于弱分類器的一些先驗知識，檢測性能好，而且檢測速度快，實時性好。

AdaBoost算法[8]過程具體如下：

（1）輸入：N個訓練樣本（x1，y1），（x2，y2）…（xN，yN），xi∈RN為特征向量，yi表示樣本類別標簽，0、1分別代表行人負樣本和正樣本。endprint

（2）初始化權值：對于yi=0，1，分別初始化樣本權重w0，-1=12m，w0，1=12l，其中m是負樣本個數，l是正樣本個數。

（3）對于t=1，2，…，T（T為最大訓練迭代次數），假設第一輪的樣本權重wli=D（i），i=1，…，N。具體過程為：①歸一化樣本權重wti←wti∑nj=1wtj，wt則是概率分布；②對每一個特征j訓練一個弱分類器hj，其錯誤率為εj=∑iwi|hj（xi）-yi|，與樣本權重有關；③選擇最優(yōu)的弱分類器，即最小錯誤率εt對應的分類器ht（x）。需要注意的是，如果找不到小于50%錯誤率的分類器，則停止，表明可能需要更好的分類器進行分類；④更新權重wt+1i=wtiβ1-eit，其中βt=εt1-εt，ei=htxi-yi，如果xi被正確分類，即htxi=yi，則ei=0，否則ei=1。

1.2 HOG特征提取

HOG[9]代表圖像的局部特征。其局部提取范圍稱為窗口區(qū)域，需要判斷窗口區(qū)域中是否包含行人目標。在提取的窗口中，進一步將窗口分成塊和單元格，提取過程如圖2所示。

由上述公式可知，對于一個N幀圖像采用式（5）的三幀差法算出幀間差分值，接著根據式（7）使用thresholdL對DN二值化，得到運動目標的像素點DLN，再結合式（8）更新運動歷史圖，最后對MHIN（x，y）大于零的部分，通過較小的閾值得到該幀MN的結果。對本文提出的幀差法二值化，選取不同閾值作比較，設圖3（a）閾值為 55，圖3（b）閾值為15，圖3（c）的大小閾值分別為50和15。由于路上的行人一般運動速度較快，所以歷史記錄時長τ設為15幀比較適宜。

本文研究中選用的正樣本大小為64×128，為了檢測出不同尺度下的行人，由于行人在視頻中不斷行走，捕獲的行人正樣本尺度大小不一，所以可以利用多種尺度檢測行人。具體而言，即以一定比例尺度逐步放大待檢測窗口，取圖像中的一部分作為級聯(lián)AdaBoost分類器的輸入進行多尺度檢測?？梢缘贸?，在該方法下，一個行人可能會被檢測不止一次，甚至很多次，因為本文算法運用的程序最終是用綠色矩形框標注檢測到的行人，當通過改進算法遍歷檢測到的所有矩形框，如果圖像中出現(xiàn)的行人被多個矩形框標注（即大于等于兩個），說明已被重復標記，需要去掉重復的矩形框，以保證每個被標注的圖像只含有一個行人矩形窗口。如圖4所示分別為64×128像素下的訓練樣本圖片被標識的各種情況。

2.2 基于感興趣區(qū)域HOG特征的行人檢測

HOG特征描述子缺陷是維數太高、所含冗余信息多，為了進一步提高行人檢測性能，提取感興趣區(qū)域[14]HOG后，再使用級聯(lián)AdaBoost算法[15]進行分類檢測，在不影響系統(tǒng)準確性的情況下，提高了檢測系統(tǒng)的訓練和檢測速度。

（1）圖像分塊原則。與傳統(tǒng)的HOG特征提取一樣，本文將樣本圖像中每8*8像素組成一個Cell，每相鄰的4個Cell組成一個Block。

（2）訓練樣本選取。本文中行人樣本均來自手動采集，采集到的行人樣本像素均為64*128。正樣本含有2 000張，負樣本有3 000張。將采集到的樣本分成兩組，訓練樣本組含有1 500張正樣本和2 500張負樣本，測試樣本中正負樣本均含有500張。

（3）確定樣本類型大小。通過實驗發(fā)現(xiàn)，檢測頭部、腿部區(qū)域時，如果不含有周圍背景，則檢測效果明顯降低。因此適當添加一些背景可使檢測效果得到改善。只包含頭部的像素為32*32，只包含腿的像素為40*56，所以選擇檢測窗口的大小為64*64。

（4）Sobel梯度算子提取特征。梯度特征反映圖像的邊緣特征，本文提取行人的頭部與腿部都具有垂直邊緣的特性。Sobel算子加強了中心像素各個方向像素的權重，與一維中心算子、2*2對角矩陣算子相比，檢測效果最好。所以本文選擇通過Sobel算子提取感興趣區(qū)域的HOG特征。

在提取感興趣特征時，特征維數過高會導致冗余信息多，且計算復雜，從而影響系統(tǒng)速度。因此，減少HOG特征維數顯得尤為重要。行人雖然姿態(tài)繁多，但大多還是體現(xiàn)在頭部和四肢部位，其它軀干部分的HOG不但對分類起不到作用，反而會帶來負面影響，所以本文僅提取頭部和四肢輪廓部位作為感興趣區(qū)域[16]。另外，考慮到在實際的應用背景中，行人的手臂區(qū)域可能由于遮擋或姿態(tài)變化不易提取，因此本文僅對頭部及下半身腿部特征進行提取并計算其HOG。行人數據與感興趣區(qū)域ROI分割圖片如圖5、圖6所示。

算法實現(xiàn)過程是將訓練的正樣本分成兩個ROI感興趣檢測區(qū)域，對其中每個感興趣區(qū)域塊的HOG特征通過上述步驟計算出其HOG，最后將所有HOG匯總組成最終的特征向量。以下對兩個ROI部位的位置進行確定，本次實驗共采集了正負訓練樣本5 000張，其中訓練正樣本1 500張，負樣本2 500張；測試正樣本500張，負樣本500張，通過多次實驗得出結論最優(yōu)的ROI位置和寬高數據。

通過取頭部與腿部的HOG特征，最后計算得到維數為978維<3 780維，計算量大大降低，系統(tǒng)速度理論上得到提升。將改進后的基于感興趣區(qū)域ROI的HOG與用傳統(tǒng)HOG特征進行行人檢測作實驗對比，在兩種算法檢測率大致相同的情況下，對時間進行比較，數據顯示提取感興趣區(qū)域后，整體檢測時間明顯減少。

3 實驗結果分析

本文通過調取安裝在汽車上的行車記錄儀，截取10段3分鐘的視頻，然后通過提取一幀一幀圖像，采集正負樣本進行分類器訓練和行人檢測的有關實驗。采集的圖片首先通過解碼的方法，同時為了訓練算法的需要及更方便地統(tǒng)計實驗結果，將訓練樣本統(tǒng)一裁剪為64×128像素，檢測樣本為608×800像素。分類器采用了2 000張正樣本，3 000張負樣本，部分訓練樣本如圖6～圖9所示。

訓練部分：將樣本圖片進行歸一化處理之后，提取感興趣區(qū)域的 HOG 特征量，再計算出 HOG 特征值；以這些測試樣本中正樣本和負樣本中的 HOG 特征值為基準創(chuàng)建弱分類器，選擇一個適宜的弱分類器個數，作為AdaBoost算法的輸入變量，根據迭代算法訓練學習將弱識別器轉化為強識別器，將這些強分類器依次串聯(lián)形成級聯(lián)分類器，通過與改進的幀差法結合得到高檢測率與速度快的分類器。endprint

檢測部分：對于獲取的視頻圖像，對其進行多尺度的遍歷，尋找有可能為行人的子窗口；然后通過訓練得到的分類器對子窗口進行篩選，排除不含有行人的子窗口，留下行人窗口；通過一系列工作及檢測搜索，將重疊的行人子窗口進行合并等處理，得到了包含行人的矩形區(qū)域[17-18]。

以下是采用一種改進后的行人檢測方法對具體場景下的行人樣本進行實驗檢測，效果如圖10所示。

ROC（Receiver Operating Characteristic Curve）接收器操作性能曲線，反映了檢測率隨著誤報率的變化而變化。曲線下方到X軸區(qū)域的面積越大，表示該系統(tǒng)的檢測性能越好，該區(qū)域為曲線下方區(qū)域（Area Under Curve，

AUC）。本文通過實驗比較了3種不同的行人檢測算法，其檢測率與誤報率ROC曲線如圖11所示。

其中A、B、C分別表示Opencv自帶的HOG+SVM檢測算法和HOG+AdaBoost算法及本文改進后的行人檢測優(yōu)化算法。通過圖11可以看出，在誤檢率相同的情況下，本文算法的檢測率最高。即本文改進算法的AUC面積最大，檢測性能最好。然而，從圖10中可以看出，圖10（c）中仍出現(xiàn)誤檢情況，所以該算法仍然存在不足之處，有待下一步優(yōu)化。

4 結語

基于AdaBoost算法的行人檢測算法具有很好的魯棒性和實時性，非常適用于行人檢測。本文提出了基于改進的幀差法與級聯(lián)AdaBoost算法的行人動態(tài)檢測方法，大大提高了行人檢測率。然而，關于AdaBoost算法分類器的訓練需要大量樣本，其檢測準確性也依賴于對訓練樣本集的選擇。雖然改進的幀差法大大降低了行人檢測誤差率，但仍未完全消除誤差。因此，還需要進行進一步研究，以便在行人檢測系統(tǒng)的特征處理、信息融合、機器學習算法及拓展的行人目標跟蹤方向上提出更完善的方法。

參考文獻：

[1] 黃如錦，李誼，李文輝，等.基于多特征的AdaBoost行人檢測算法[J].吉林大學學報：理學版，2010（5）：449-455.

[2] PAPAGEPRGIOU C， POGGIO T. A trainable system for object detection[J]. International Journal of Computer Vision，2000，38（1）：15-33.

[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] GIOVANNI GUALDI， ANDREA PRATI，RITA CUCCHIARA. Multi-stage sampling with boosting cascades for pedestrian detection in images and videos[C]. IEEE European Conference on Computer Vision， 2010：196-209.

[5] DING YUANYUAN， XIAO JING. Contextual boost for pedestrian detection[C]. IEEE Conlerence on Computer Vision and Pattern Recognition， 2012：2895-2902.

[6] 劉洋，王海暉，云露，等.基于改進的Adaboost算法和幀差法的車輛檢測方法[J].華中科技大學學報：自然科學版，2013（S1）：379-382.

[7] FREUND Y， SCHAPIRE R E. A decision-theoretic generalization of online learning and an application to boosting[J]. Journal of Computer and Sciences，1997，55（1）：119-139.

[8] 陸朝霞.基于AdaBoost算法的行人檢測方法研究[D].西安：西北工業(yè)大學，2007.

[9] 鄧建榮. 基于LBP與HOG特征量的行人檢測[D].昆明：云南大學，2013.

[10] 嚴曉明. 一種基于改進幀差法的運動目標檢測[J].莆田學院學報，2011（5）：69-72.

[11] 湯中澤，張春燕，申傳家，等.幀差法和Mean-shift相結合的運動目標自動檢測與跟蹤[J].科學技術與工程， 2010（24）：5895-5899.

[12] 梁國山，朱秀昌.用于運動人體檢測的改進的幀差法[J].電視技術，2009（S1）：133-135.

[13] 劉軍學，屈楨深，任行行，等.基于改進運動歷史圖像的多運動目標實時跟蹤[J].計算機應用， 2008（S1）：198-201.

[14] 曾春，李曉華，周激流.基于感興趣梯度方向直方圖的行人檢測[J].計算機工程，2009（24）：182-184.

[15] 崔瀟瀟，姚安邦，王貴錦，等.基于級聯(lián)Adaboost的目標檢測融合算法[J].自動化學報，2009（4）：417-424.

[16] 郭烈，趙宗艷，聶倩，等.利用腿部區(qū)域HOG特征的行人檢測方法[J].計算機工程與應用，2013（1）：217-221.

[17] 蘇松志，李紹滋，陳淑媛，等.行人檢測技術綜述[J].電子學報，2012（4）：184-189.

[18] PEDERSOLIM，VEDALDIA，GONZALEZ J.A coarse-to-fine approach for fast deformable object detection[C].In Proc.IEEE CVPR，2011.

（責任編輯：黃 ?。〆ndprint