基于AdaBoost的行人檢測預(yù)警方法

張書娟 王震洲

摘要：在輔助駕駛中對行人檢測的實時性要求較高，然而現(xiàn)有方法的計算復(fù)雜度普遍較高，難以滿足實時應(yīng)用的需求。該文提出了一種基于AdaBoost算法的行人檢測與預(yù)警方法。行人探測器由Opencv訓(xùn)練，并且訓(xùn)練12級行人探測器。通過在處理器上使用檢測器，實現(xiàn)視頻圖像的行人檢測功能。另外，通過使用可變步長和分區(qū)掃描跟蹤方法，有效提高了檢測率，實時檢測的要求基本達到。采用均勻化預(yù)處理和多尺度融合技術(shù)提高了檢測過程中檢測率；通過直方圖均衡辦法有效地剔除了光影等因素對測試結(jié)果的影響；在測試完成后，通過多尺度融合技術(shù)消除冗余部分的測試結(jié)果，最終不僅減低了誤報率而且大大提高檢測效率。

關(guān)鍵詞：AdaBoost；行人檢測；多尺度融合；快速掃描

中圖分類號：TP311 文獻標(biāo)識碼：A 文章編號：1009-3044（2018）06-0174-04

行人檢測是指在圖像中或者視頻圖像中，確認是否有行人，如果有行人，那么將會對其進行預(yù)警的處理。行人檢測是汽車安全的關(guān)鍵技術(shù)，也是行人跟蹤，行為分析，步態(tài)分析，等研究的必要步驟。近年來行人檢測越來越多的向新興領(lǐng)域靠近，但是在處理的過程中特別容易受到外界環(huán)境的一些影響?，F(xiàn)在常用的行人檢測的方法就是模式識別類的方法。

莊家俊等人通過模板匹配的方法來檢測夜間行人，首先通過預(yù)處理圖片來選取可能存在目標(biāo)的局部區(qū)域，再根據(jù)候選區(qū)域利用特征末班匹配進行分類，這種二次處理檢測的算法雖然降低了算法冗雜度，但是由于第一級處理的程度太大，剔除掉了一部分目標(biāo)區(qū)域，從而導(dǎo)致漏檢現(xiàn)象。郭烈根據(jù)行人腿部具有邊緣對稱性，利用sobel算子提取車載視頻中圖像的垂直邊緣并且找到對稱中心，再根據(jù)行人的高度與寬度比，從而檢測圖像中的行人，但是該方法的計算量太大，算法非常的冗雜的弊端。寧博利用集成學(xué)習(xí)方法改變傳統(tǒng)學(xué)習(xí)中泛化能力；根據(jù)特征選擇的方法來選取關(guān)鍵特征，這樣很大程度地減少了計算量；并且其引入了動態(tài)分類器的方法，增大了外界環(huán)境變化的魯棒性，但是由于算法太過復(fù)雜，根本無法達到實時檢測。

本文提出了一種基于Ada Boost算法的行人檢測與預(yù)警方法。行人探測器由Opencv訓(xùn)練，并且訓(xùn)練12級行人探測器。通過在處理器上使用檢測器，實現(xiàn)視頻圖像的行人檢測功能。另外，通過使用可變步長和分區(qū)掃描跟蹤方法，增大了檢測率，實時檢測的要求基本達到。采用均勻化預(yù)處理和多尺度融合技術(shù)提高了檢測過程中檢測率；通過直方圖均衡辦法有效地剔除了光影等因素對測試結(jié)果的影響；在測試完成后，通過多尺度融合技術(shù)消除冗余部分的測試結(jié)果，最終提高檢測率，降低誤報率。

1訓(xùn)練分類器

訓(xùn)練分類器的就是先選擇樣本，再對樣本進行離線訓(xùn)練。訓(xùn)練分類器的過程如圖1，首先選擇訓(xùn)練樣本集即選擇正樣本集和負樣本集，再通過開源軟件opencv的程序來完成訓(xùn)練分類器的訓(xùn)練。

1.1選擇樣本

我們將HKPC得到的行人樣本作為正訓(xùn)練樣本集；負樣本集采用INRIA樣本集即沒有行人的任何圖片。我們使用了4454份行人正面樣本和9萬份INRIA負樣本。訓(xùn)練的樣本如圖2。

1.2創(chuàng)建級聯(lián)分類器

創(chuàng)建Ada Boom級聯(lián)分類器即使用opencv的開源代碼來完成。首先新建2個文件夾，一個在其儲存4454個正樣本，一個保存9000個負樣本。然后新建文本文檔，類似img/1.jpg 100 20 40…其中20是檢測窗口的初始寬，40是檢測窗口的初始高。接著創(chuàng)建文本文檔，類似于-img/1.ipg…。接著運行程序，將正樣本文件轉(zhuǎn)成vec文件。最后運行程序?qū)⒌玫降膙ec文件和負樣本一起作為參數(shù)并訓(xùn)練分類器，訓(xùn)練24小時。部分訓(xùn)練參數(shù)見表1。

1.3數(shù)據(jù)分析

從表中可以看出，在少數(shù)情況下，前者的強分類器才具有特征的數(shù)量

超過強分類器中包含的數(shù)量。在宏觀上，具有大數(shù)字的強分類器通常包含更多的特征。

2行人檢測

行人檢測流程圖如圖3所示，首先，捕獲并輸入視頻圖像，然后預(yù)處理圖像。接著利用不同尺度的檢測窗口對整個檢測圖像進行掃描，以確定檢測窗口中是否有行人，若發(fā)現(xiàn)有行人，則觸發(fā)警示系統(tǒng)進行提醒。行人檢測的主要過程如圖3所示。

2.1圖像灰度化

通過攝像頭來獲得原始圖像，將原始圖像數(shù)據(jù)通過DSP（數(shù)字信號處理器）進行處理，將YUV格式的圖像數(shù)據(jù)存儲在存儲器中。具體過程為每幀后將新的原始圖像的輸入，就會觸發(fā)一個中斷，這個中斷可以把RGB格式的圖像轉(zhuǎn)換成YUV格式的圖像數(shù)據(jù)保存在內(nèi)存中。圖像獲取過程如圖4。

在YUV格式圖像中，Y表示圖像的灰度值，UV表示色差的兩個分量。由于我們只需要測試圖像的圖像灰度值，因此可以直接忽略UV值。所以在檢測中只需要得到Y(jié)分量數(shù)據(jù)即就可以得到灰度圖像。

2.2檢測窗口掃描

由于利用Ada Boost方法特征是穩(wěn)定的，所以只需將計算出的特征值除以分類器的閾值，并且除以檢測窗口的面積，就可以任意改變檢測窗口而不會影響結(jié)果的判斷。在行人檢測過程中檢測每次放大比例為1.25為最佳效果。如圖5是誤檢以及漏檢的情況。

從統(tǒng)計的行人檢測數(shù)據(jù)中，如表3所示。檢測率僅為84%，漏檢的圖像大；誤檢率為34%，雖然比一個弱分類器的能力強，但遠離實際需要；并且該速度滿足不了實時的檢測。

3檢測性能提升

3.1預(yù)處理輸入圖像

（1）對輸入圖像做直方圖均衡化預(yù)處理，以減少光照陰影對檢測的影響。

（2）訓(xùn)練分類器和分類器的檢測過程都需要對特征值進行歸一化處理，以獲得更好的適應(yīng)性，防止檢測過程中出現(xiàn)嚴(yán)重的過度擬合現(xiàn)象。

（3）對感興趣區(qū)域中的待檢測圖像進行有針對性的檢測。首先通過邊緣檢測找到行人可能存在的位置，然后使用分類器進行掃描檢測。本文中使用sobel算子來提升檢測速率。

3.2掃描速度的提升

例如檢測窗口大小為w×h，輸入圖像的大小為W×H，則用式1可以得到檢測判斷的次數(shù)。圖片的計算量非常大，這個過程占用了70%以上的檢測時間。因此，提高檢測率的方法就是要解決實時檢測的問題

掃描速度的提升我們通過變速掃描窗口來實現(xiàn)。即當(dāng)檢測窗判斷輸出為0時，增加窗口掃描步長；當(dāng)檢測窗輸出為1，減小掃描步長；我們設(shè)置最大掃描步長Vmax，以避免超出窗口。

此外，我們可以進一步提高檢測率，在前兩級聯(lián)分類器的強分類器逐行掃描的幫助下，然后去除虛警區(qū)域用完整的級聯(lián)分類器掃描得以完成。因為前一級強分類器檢出率高率而且對最終檢測率沒有影響，所以加快檢測速度可以進行兩次掃描來完成，并且實現(xiàn)實時檢測。兩次掃描過程如圖6。

3.3多尺度融合

為了實現(xiàn)每個目標(biāo)只有一個輸出的目標(biāo)，必須刪除多余輸出。只有當(dāng)一個組中有三個以上的相鄰矩形時，才可以將行人包含在該組矩形所在的區(qū)域。因此，多尺度融合有利于降低檢測結(jié)果的誤報率。遍歷檢測行人的子窗口后，找到相鄰的子窗口，以相鄰窗口的坐標(biāo)位置和寬度作為最終的輸出子窗口。

算法優(yōu)化后的檢測數(shù)據(jù)如表4所示，表中第一行為沒有優(yōu)化處理的數(shù)據(jù)，第二行為經(jīng)過多尺度融合和方差歸一化方法提升后的數(shù)據(jù)，第三行顯示的是在方法提升后的情況下加入了快速掃描算法后的數(shù)據(jù)。分析數(shù)據(jù)可知多尺度融合和方差歸一化有利于增加檢出率、較小誤檢率，但是檢測速率會有一點的降低；本文中通過快速掃描提高檢測速率。

4結(jié)論

基于AdaBoost的行人檢測預(yù)警方法有效地實現(xiàn)了行人的檢測，近一步的預(yù)警的實現(xiàn)保護了行人的安全。該方法首先在圖像檢測中訓(xùn)練級聯(lián)分類器。進而得到的分類器用來掃描視頻圖像中的多個區(qū)域，確定局部區(qū)域是否有行人，若有行人就會觸發(fā)語音提示，即預(yù)警提示。該方法采用圖像預(yù)處理和多尺度融合技術(shù)增加檢測的準(zhǔn)確率，減小誤報率。并且對檢測的窗口進行變速掃描和兩種掃描方式提高檢測率。所以基于Ada-Boost的行人檢測預(yù)警方法不僅可以有效地檢測出行人并且可以進行預(yù)警提示，而且提升了性能，可以有效大力的推廣使用。