融合運(yùn)動(dòng)檢測(cè)與目標(biāo)跟蹤的目標(biāo)檢測(cè)方法

鄔厚民，吳衛(wèi)祖

(1.廣州科技貿(mào)易職業(yè)學(xué)院 信息工程學(xué)院，廣東 廣州 511442；2.廣東海洋大學(xué) 信息學(xué)院，廣東 湛江 524088)

0 引 言

由于智能交通領(lǐng)域處理的對(duì)象主要是行人和車(chē)輛，因此行人與車(chē)輛兩類目標(biāo)的檢測(cè)在智能交通領(lǐng)域應(yīng)用需求更為旺盛[1-3]。在行人和車(chē)輛檢測(cè)方面，目前已經(jīng)涌現(xiàn)出了許多有意義的方法，如采用Haar-like、方向梯度直方圖(HOG)特征，以及Adaboost、支持向量機(jī)(SVM)、深度網(wǎng)絡(luò)檢測(cè)行人和車(chē)輛[4-9]。就現(xiàn)有技術(shù)而言，行人和車(chē)輛檢測(cè)方法在背景比較簡(jiǎn)單、目標(biāo)遮擋不嚴(yán)重的條件下已經(jīng)取得了較好的檢測(cè)效果。然而，對(duì)于實(shí)際的交通視頻而言，背景非常復(fù)雜，而且目標(biāo)在行進(jìn)過(guò)程中通常存在較為嚴(yán)重的遮擋，這樣情況下，現(xiàn)有方法的目標(biāo)檢測(cè)性能不高，而且處理速度較慢。針對(duì)這一問(wèn)題，本文提出一種思路，將運(yùn)動(dòng)檢測(cè)和目標(biāo)跟蹤融合到目標(biāo)檢測(cè)過(guò)程中，通過(guò)運(yùn)動(dòng)檢測(cè)來(lái)剔除復(fù)雜背景干擾，并降低在背景區(qū)域進(jìn)行目標(biāo)檢測(cè)所消耗的時(shí)間；通過(guò)目標(biāo)跟蹤來(lái)預(yù)測(cè)真實(shí)目標(biāo)的位置，修正目標(biāo)檢測(cè)器的檢測(cè)得分，降低目標(biāo)的虛檢或漏檢現(xiàn)象，進(jìn)而提高目標(biāo)檢測(cè)性能。

1 相關(guān)基礎(chǔ)

1.1 運(yùn)動(dòng)檢測(cè)

運(yùn)動(dòng)檢測(cè)是利用場(chǎng)景中的前景變化而背景不變的特性，將前景和背景進(jìn)行分離。目前運(yùn)動(dòng)檢測(cè)方法主要分為3類：幀間差分法、背景減除法和光流法[10]。其中，背景減除法能夠適應(yīng)背景的一些變化，抗干擾能力較強(qiáng)，是目前應(yīng)用最廣的一類運(yùn)動(dòng)檢測(cè)方法。該方法通常需要先對(duì)背景進(jìn)行建模，然后再通過(guò)當(dāng)前幀圖像與背景模型之間的差異來(lái)檢測(cè)變化區(qū)域，提取前景目標(biāo)。

1.2 目標(biāo)檢測(cè)

目標(biāo)檢測(cè)的基本原理是先通過(guò)訓(xùn)練數(shù)據(jù)集學(xué)習(xí)一個(gè)目標(biāo)檢測(cè)器，然后對(duì)于測(cè)試圖像，采用不同尺度的窗口滑動(dòng)掃描整幅圖像，對(duì)每一個(gè)滑動(dòng)窗口的圖像塊提取特征，并輸入目標(biāo)檢測(cè)器進(jìn)行分類，判斷是否為待檢測(cè)的目標(biāo)。目標(biāo)檢測(cè)的關(guān)鍵環(huán)節(jié)有兩個(gè)，一是特征提取，二是特征分類。常用的特征有Haar-like和HOG特征，常用的分類器有Adaboost和SVM。也可以直接將圖像輸入到深度網(wǎng)絡(luò)(如卷積神經(jīng)網(wǎng)絡(luò))中提取特征和進(jìn)行分類。

1.3 目標(biāo)跟蹤

目標(biāo)跟蹤依據(jù)目標(biāo)的顏色信息或者運(yùn)動(dòng)信息預(yù)測(cè)目標(biāo)位置，常用的目標(biāo)跟蹤方法有CamShift、光流跟蹤法和粒子濾波法[11]。其中，粒子濾波法是目前應(yīng)用廣泛的目標(biāo)跟蹤方法，其核心思想是隨機(jī)采樣和重采樣。在初始條件下通過(guò)隨機(jī)采樣分布粒子，后續(xù)依據(jù)特征相似度計(jì)算每個(gè)粒子的重要性，對(duì)重要區(qū)域分布更多的粒子，而對(duì)不重要區(qū)域降低粒子數(shù)量，從而在粒子數(shù)量有限的條件下更關(guān)注重要區(qū)域，提高跟蹤效率和精度。

2 融合運(yùn)動(dòng)檢測(cè)與目標(biāo)跟蹤的目標(biāo)檢測(cè)方法

在智能交通領(lǐng)域，從監(jiān)視視頻中智能檢測(cè)行人和車(chē)輛是一項(xiàng)基礎(chǔ)性且極具挑戰(zhàn)性的工作。目前行人檢測(cè)研究比較成熟，相關(guān)方法也比較多，在一些背景較為簡(jiǎn)單的數(shù)據(jù)集上測(cè)試也取得了較好的結(jié)果。但是，在真實(shí)的交通監(jiān)視視頻中，行人遮擋和被遮擋的現(xiàn)象比較嚴(yán)重，行人的視角也經(jīng)常變化，再加上實(shí)際場(chǎng)景中背景可能非常復(fù)雜，導(dǎo)致行人檢測(cè)的虛警率和漏警率都偏高。而車(chē)輛檢測(cè)目標(biāo)效果更差，因?yàn)檐?chē)輛的視角變化更大，且不同車(chē)輛的特征穩(wěn)健性不強(qiáng)。這都給行人和車(chē)輛的可靠檢測(cè)帶來(lái)了很大挑戰(zhàn)。為了解決實(shí)際監(jiān)控視頻中行人和車(chē)輛檢測(cè)虛警率和漏警率偏高的問(wèn)題，本文在現(xiàn)有行人和車(chē)輛檢測(cè)思路的基礎(chǔ)上，引入了運(yùn)動(dòng)檢測(cè)和目標(biāo)跟蹤預(yù)測(cè)策略，通過(guò)運(yùn)動(dòng)檢測(cè)過(guò)濾復(fù)雜背景并降低虛警現(xiàn)象，通過(guò)將目標(biāo)跟蹤與預(yù)測(cè)結(jié)果反饋給行人和車(chē)輛檢測(cè)器，修正行人與車(chē)輛的檢測(cè)得分，降低虛警和漏警。同時(shí)，在行人和車(chē)輛位置的多尺度計(jì)算結(jié)果濾波方面，采用非極大值抑制方法過(guò)濾冗余結(jié)果，提高行人和車(chē)輛位置檢測(cè)的精確度?；谶@一思路，本文設(shè)計(jì)的行人與車(chē)輛檢測(cè)方法的實(shí)現(xiàn)流程如圖1所示。

圖1 實(shí)現(xiàn)流程

由圖1可見(jiàn)，本文方法主要包括5個(gè)部分：運(yùn)動(dòng)檢測(cè)、目標(biāo)檢測(cè)、目標(biāo)篩選、目標(biāo)跟蹤和檢測(cè)得分修正。其中，目標(biāo)跟蹤結(jié)果反饋給目標(biāo)檢測(cè)環(huán)節(jié)，通過(guò)修正目標(biāo)檢測(cè)得分來(lái)為最終的目標(biāo)檢測(cè)結(jié)果提供依據(jù)，這是本文的核心。具體描述如下。

2.1 運(yùn)動(dòng)檢測(cè)

考慮到智能交通應(yīng)用中車(chē)輛和行人目標(biāo)總會(huì)存在運(yùn)動(dòng)特性，因此本文先對(duì)視頻或圖像序列進(jìn)行運(yùn)動(dòng)檢測(cè)，剔除復(fù)雜背景干擾，并降低在背景區(qū)域進(jìn)行目標(biāo)檢測(cè)所消耗的時(shí)間。運(yùn)動(dòng)檢測(cè)方法很多，本文在前一節(jié)已經(jīng)綜述了目前運(yùn)動(dòng)檢測(cè)的常用方法?？紤]到視頻處理對(duì)時(shí)效性的較高要求，同時(shí)為了避免造成目標(biāo)漏檢或者不完整，本文選取目前運(yùn)算效率較高、運(yùn)動(dòng)目標(biāo)漏檢少而且運(yùn)動(dòng)目標(biāo)提取較為完整的EVibe算法，該算法是一種基于背景模型的運(yùn)動(dòng)檢測(cè)算法，其背景模型構(gòu)建過(guò)程引入了隨機(jī)理論，可以僅依據(jù)單幀圖像構(gòu)建背景模型，非常簡(jiǎn)便快捷。該方法的實(shí)現(xiàn)過(guò)程詳見(jiàn)文獻(xiàn)[12]，本文不再贅述。

2.2 目標(biāo)檢測(cè)

目標(biāo)檢測(cè)方法在前一節(jié)也有綜述。本文主要考慮行人和車(chē)輛兩類目標(biāo)，選用文獻(xiàn)[5]所述的目標(biāo)檢測(cè)器。該目標(biāo)檢測(cè)器所用的特征為HOG特征，所用的分類器為SVM分類器，詳細(xì)實(shí)現(xiàn)過(guò)程可以參考文獻(xiàn)[5]。其中，分類所需的訓(xùn)練樣本在實(shí)驗(yàn)部分詳述。在目標(biāo)檢測(cè)過(guò)程，針對(duì)運(yùn)動(dòng)檢測(cè)所得到的運(yùn)動(dòng)區(qū)域圖像塊，采用多尺度的檢測(cè)窗口來(lái)遍歷該圖像塊，提取檢測(cè)窗口內(nèi)的圖像HOG特征，然后輸入已訓(xùn)練好的SVM分類器，得到輸出結(jié)果。對(duì)于每一個(gè)運(yùn)動(dòng)區(qū)域圖像塊，目標(biāo)檢測(cè)器的輸出結(jié)果記為{Di|i=1,2,…,N}。 其中，N表示該運(yùn)動(dòng)圖像塊檢測(cè)到的目標(biāo)總數(shù)。Di表示檢測(cè)到的第i個(gè)目標(biāo)，該結(jié)果可以用一個(gè)三元組來(lái)表示，記為Di={CDi,WDi,SDi}。 其中，CDi表示第i個(gè)目標(biāo)的質(zhì)心，WDi表示第i個(gè)目標(biāo)的外接矩形，SDi表示第i個(gè)目標(biāo)的檢測(cè)得分。這里需要說(shuō)明的是，第一，設(shè)定一個(gè)得分閾值To，僅保留超過(guò)閾值的目標(biāo)檢測(cè)結(jié)果，也即在保留的目標(biāo)集合 {Di|i=1,2,…,N} 中，有SDi>Ts,i=1,2,…,N。 在本文中，To取經(jīng)驗(yàn)值0.3。第二，為了在后續(xù)的過(guò)程中依據(jù)檢測(cè)得分來(lái)輸出最終的檢測(cè)結(jié)果，這里目標(biāo)檢測(cè)器的輸出結(jié)果集合 {Di|i=1,2,…,N} 是有序的，具體是按照檢測(cè)得分SDi的大小降序排列，也即，SD1≥SD2≥…≥SDN。

2.3 目標(biāo)篩選

對(duì)于圖像中的某一目標(biāo)，目標(biāo)檢測(cè)的檢測(cè)器通常會(huì)在該目標(biāo)附近的不同位置和尺度上得到許多檢測(cè)結(jié)果，如圖2(a)所示。對(duì)于同一目標(biāo)而言，這些檢測(cè)結(jié)果是存在冗余的，只需要篩選出一個(gè)結(jié)果作為該目標(biāo)的最終檢測(cè)結(jié)果，如圖2(b)所示。本文采用非極大值抑制方法進(jìn)行目標(biāo)篩選，對(duì)冗余檢測(cè)結(jié)果進(jìn)行清理。

圖2 目標(biāo)篩選

對(duì)于每一個(gè)運(yùn)動(dòng)圖像塊的檢測(cè)結(jié)果集合，其目標(biāo)篩選過(guò)程的實(shí)現(xiàn)偽代碼描述如下：

輸入： {Di|i=1,2,…,N}；

過(guò)程： (1) For(i=1;i≤N;i++)

(2) For(j=i+1;j≤N;j++){

(3) 計(jì)算兩個(gè)外接矩形的重合度o(SDi,SDj)；

(4) if(o(Di,Dj)>To)

(5) 刪除Dj；

(6) }

重合度o(SDi,SDj) 的計(jì)算公式為

(1)

式中：Area(SDi∩SDj) 表示兩個(gè)外接矩形SDi和SDj相交區(qū)域的面積，Area(SDi∪SDj) 表示兩個(gè)外接矩形SDi和SDj所圍成的整個(gè)區(qū)域的面積。

2.4 目標(biāo)跟蹤

粒子濾波跟蹤是目前目標(biāo)跟蹤領(lǐng)域的一種性能優(yōu)異且高效的跟蹤算法。該算法的基本原理是依據(jù)重要程度對(duì)粒子進(jìn)行重采樣，越重要的區(qū)域散布的粒子數(shù)量越多，從而提高跟蹤的精度。本文選擇粒子濾波算法進(jìn)行目標(biāo)跟蹤。在本文中，粒子濾波器由一定數(shù)量隨時(shí)間變化的跟蹤器表示，記為T(mén)k，其中，k是跟蹤器的序號(hào)，是一個(gè)不小于零的整數(shù)。對(duì)于第t幀視頻圖像，跟蹤器的總數(shù)隨時(shí)間t變化，記為K(t)，因此k小于等于K(t)。每個(gè)跟蹤器Tk包含n個(gè)粒子。記第t幀第k個(gè)跟蹤器的第j個(gè)粒子為pt,k,j， 該粒子可以由目標(biāo)的質(zhì)心坐標(biāo)、檢測(cè)尺度和速度所組成的三元組來(lái)表示，記為pt,k,j={Ct,k,j,σt,k,j,vt,k,j}。 其中，Ct,k,j表示質(zhì)心坐標(biāo)，σt,k,j表示檢測(cè)尺度，vt,k,j表示速度。每個(gè)粒子對(duì)應(yīng)一個(gè)權(quán)重值，記為wt,k,j。 每一個(gè)跟蹤器維護(hù)一個(gè)跟蹤狀態(tài)，記為Xt,k， 跟蹤狀態(tài)包含了該跟蹤器的質(zhì)心坐標(biāo)Ct,k、 檢測(cè)尺度σt,k和速度vt,k。 跟蹤器的參數(shù)主要包括：出生概率Pb、死亡概率Pd、概率增加步長(zhǎng)P+、概率減小步長(zhǎng)P-、位置重采樣參數(shù)σ1、尺度重采樣參數(shù)σ2、速度重采樣參數(shù)σ3。在本文的跟蹤過(guò)程中，將粒子濾波分為預(yù)測(cè)、關(guān)聯(lián)、觀測(cè)和重采樣4個(gè)階段。詳細(xì)說(shuō)明如下。

(1)預(yù)測(cè)階段

考慮到幀與幀之間時(shí)間間隔很短，假設(shè)兩幀之間的目標(biāo)運(yùn)動(dòng)是線性勻速運(yùn)動(dòng)。這樣，粒子在當(dāng)前幀的狀態(tài)可以通過(guò)前一幀的狀態(tài)預(yù)測(cè)得到，有

σt|t-1,k,j=σt-1,k,j

(2)

vt|t-1,k,j=vt-1,k,j

(3)

Ct|t-1,k,j=Ct-1,k,j+vt|t-1,k,j

(4)

(2)關(guān)聯(lián)階段

目標(biāo)Di與跟蹤器Tk的相似度計(jì)算公式為

(5)

式中：G(μ,σ) 表示均值為μ、方差為σ的高斯函數(shù)。跟蹤器的速度計(jì)算公式為

(6)

對(duì)于分配了目標(biāo)的跟蹤器，其概率增加一個(gè)步長(zhǎng)，表示為

Pt,k=Pt-1,k+P+

(7)

而對(duì)于未分配目標(biāo)的跟蹤器，其概率減小一個(gè)步長(zhǎng)，表示為

Pt,k=Pt-1,k-P-

(8)

需要說(shuō)明的是，在增加或者減小跟蹤器概率時(shí)，要保證概率值在0～1之間。

對(duì)于為目標(biāo)新分配的跟蹤器，其初始概率與出生概率相同，表示為

Pt,k=Pb

(9)

本文依據(jù)跟蹤器的概率來(lái)計(jì)算跟蹤器中每一個(gè)粒子的權(quán)重，公式為

(10)

式中：Nt,k表示跟蹤器Tk所包含的粒子數(shù)量。

(3)觀測(cè)階段

當(dāng)新的觀測(cè)值分配給跟蹤器之后，對(duì)于該跟蹤器的每一個(gè)新觀測(cè)值和新的粒子，計(jì)算粒子與觀測(cè)值之間的相似度，然后對(duì)跟蹤器的權(quán)重進(jìn)行更新，權(quán)重更新公式為

wt,k,i=wt,k,i+simDi,Tk

(11)

(4)重采樣階段

如果跟蹤器的概率值Pt,k低于死亡概率Pd，則刪除該跟蹤器。否則，采用隨機(jī)高斯波動(dòng)對(duì)其粒子進(jìn)行重采樣。如果一個(gè)跟蹤器的概率Pt,k小于1，則增加重采樣的參數(shù)值，記為

(12)

(13)

(14)

另外，新跟蹤器的狀態(tài)可以內(nèi)部所有粒子的狀態(tài)的平均值來(lái)校正，表示為

(15)

在本文中，相關(guān)參數(shù)取值為經(jīng)驗(yàn)值，具體為：Pb=0.5，Pd=0.5，P+=0.05，P-=0.05，σ1、σ2和σ3的初始值都設(shè)置為2。

2.5 檢測(cè)得分修正

跟蹤器通過(guò)粒子濾波方法跟蹤目標(biāo)，計(jì)算每一個(gè)粒子的權(quán)重，該權(quán)重反映了預(yù)測(cè)目標(biāo)與真實(shí)目標(biāo)的關(guān)聯(lián)程度。然后將該結(jié)果反饋給目標(biāo)檢測(cè)器，修正目標(biāo)檢測(cè)器的檢測(cè)得分，公式為

(16)

(17)

(18)

最后，依據(jù)修正后的檢測(cè)得分篩選目標(biāo)，得到最終的目標(biāo)檢測(cè)結(jié)果。

3 對(duì)比實(shí)驗(yàn)

本文主要面向智能交通應(yīng)用，針對(duì)行人和車(chē)輛兩類目標(biāo)進(jìn)行檢測(cè)。下面采用本文方法以及行人和車(chē)輛檢測(cè)領(lǐng)域的優(yōu)秀方法分別進(jìn)行對(duì)比實(shí)驗(yàn)，其中，行人檢測(cè)實(shí)驗(yàn)選擇文獻(xiàn)[4]～文獻(xiàn)[6]所述方法進(jìn)行對(duì)比實(shí)驗(yàn)，車(chē)輛檢測(cè)實(shí)驗(yàn)選擇文獻(xiàn)[7]～文獻(xiàn)[9]所述方法進(jìn)行對(duì)比實(shí)驗(yàn)。所有方法都在相同的實(shí)驗(yàn)平臺(tái)上進(jìn)行。其中，計(jì)算機(jī)平臺(tái)性能參數(shù)為：3.2 GHZ 4核CPU、8 G內(nèi)存、Windows 7操作系統(tǒng)、Visual Studio 2012軟件環(huán)境。實(shí)驗(yàn)數(shù)據(jù)分為行人數(shù)據(jù)集和車(chē)輛數(shù)據(jù)集兩個(gè)部分，具體構(gòu)建方法在下面的實(shí)驗(yàn)中分別介紹。實(shí)驗(yàn)時(shí)統(tǒng)計(jì)各種方法檢測(cè)到的目標(biāo)窗口，通過(guò)與標(biāo)記的目標(biāo)窗口進(jìn)行比較，來(lái)確定檢測(cè)到的目標(biāo)是否正確。具體地，判斷目標(biāo)是否被正確檢出的依據(jù)是，檢測(cè)到的目標(biāo)外接矩形與數(shù)據(jù)集中標(biāo)記的目標(biāo)外接矩形的重合度超過(guò)50%，重合度的計(jì)算公式如式(1)。根據(jù)這些統(tǒng)計(jì)結(jié)果，計(jì)如下3個(gè)評(píng)價(jià)指標(biāo)：

(1)真正率：正確檢出的目標(biāo)數(shù)量與需要檢出的目標(biāo)數(shù)量的比值，該值越大越好。

(2)假正率：錯(cuò)誤檢出的目標(biāo)數(shù)量與檢出的目標(biāo)總數(shù)的比值，該值越小越好。

(3)處理幀率：平均每秒能處理的視頻幀數(shù)量，該值越大越好。

依據(jù)這些指標(biāo)來(lái)評(píng)價(jià)不同方法的性能。下面分別介紹行人檢測(cè)實(shí)驗(yàn)和車(chē)輛檢測(cè)實(shí)驗(yàn)及對(duì)比結(jié)果。

3.1 行人檢測(cè)實(shí)驗(yàn)

在進(jìn)行行人檢測(cè)實(shí)驗(yàn)前，本文方法和文獻(xiàn)[4]～文獻(xiàn)[6]所述方法都需要訓(xùn)練一個(gè)行人目標(biāo)檢測(cè)器。因此，需要一個(gè)訓(xùn)練數(shù)據(jù)集。本文選擇國(guó)際上常用的INRIA數(shù)據(jù)集進(jìn)行訓(xùn)練，該數(shù)據(jù)集包含行人圖像3548幅、非行人圖像1716幅。4種方法按照各自所選的特征及分類器來(lái)構(gòu)建目標(biāo)檢測(cè)器。之后，進(jìn)行行人檢測(cè)實(shí)驗(yàn)?？紤]到智能交通應(yīng)用場(chǎng)景，本文選擇Caltech數(shù)據(jù)集作為行人檢測(cè)實(shí)驗(yàn)的測(cè)試數(shù)據(jù)集。該數(shù)據(jù)集是將真實(shí)的街景視頻存儲(chǔ)為圖像序列形式，視頻幀率為30 fps，圖像尺寸為640×480。本文方法利用圖像序列之間的幀間信息進(jìn)行運(yùn)動(dòng)檢測(cè)和跟蹤，而其它3種方法都是只針對(duì)單幅圖像進(jìn)行行人檢測(cè)的。需要說(shuō)明的是，4種方法在采用多尺度窗口掃描圖像時(shí)，檢測(cè)窗口最大和最小尺寸一致，分別為80×160和24×48，窗口步長(zhǎng)為1.2像素。表1給出了4種方法的實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)。

表1 行人檢測(cè)實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)

由表1可見(jiàn)，本文方法的假正率和處理幀率指標(biāo)相對(duì)于其它3種方法而言優(yōu)勢(shì)非常明顯，這是因?yàn)楸疚姆椒ǔ浞掷昧藞D像序列幀間的相關(guān)信息。具體地，本文方法先采用運(yùn)動(dòng)檢測(cè)方法，剔除了大量背景區(qū)域。于是，進(jìn)行行人檢測(cè)的圖像區(qū)域面積大幅降低，盡管本文方法與其它方法相比在目標(biāo)檢測(cè)步驟上還多了運(yùn)動(dòng)檢測(cè)和目標(biāo)跟蹤兩個(gè)步驟，但這些步驟的運(yùn)算復(fù)雜度遠(yuǎn)低于目標(biāo)檢測(cè)的運(yùn)算復(fù)雜度，因此這些步驟的計(jì)算量相對(duì)于在整幅圖像上進(jìn)行目標(biāo)檢測(cè)而言是很小的，尤其是像文獻(xiàn)[6]那樣采用深度學(xué)習(xí)方法進(jìn)行行人檢測(cè)時(shí)，在整幅圖像上進(jìn)行檢測(cè)的效率非常低。同時(shí)，運(yùn)動(dòng)檢測(cè)剔除了大量復(fù)雜背景區(qū)域，可以有效降低這些區(qū)域上可能存在的行人目標(biāo)誤檢現(xiàn)象，從而大幅降低了假正率指標(biāo)。另外，本文方法還通過(guò)目標(biāo)篩選和目標(biāo)跟蹤兩個(gè)策略，進(jìn)一步對(duì)目標(biāo)進(jìn)行確認(rèn)，對(duì)于降低假正率指標(biāo)也起到了很大作用。從真正率指標(biāo)來(lái)看，本文方法也是4種方法中最高的，這得益于本文方法依據(jù)跟蹤結(jié)果修正檢測(cè)器的檢測(cè)得分，從而使得行人目標(biāo)在運(yùn)動(dòng)過(guò)程中能夠持續(xù)被檢出，避免行人目標(biāo)在運(yùn)動(dòng)過(guò)程中由于遮擋或視角變化等因素影響而降低了檢測(cè)得分，從而間接提高了目標(biāo)的正確檢出率。本文方法所用的特征和分類器與文獻(xiàn)[5]方法相同，但是從真正率指標(biāo)來(lái)看，本文方法相對(duì)于文獻(xiàn)[5]方法提高了17.2%，這說(shuō)明融合運(yùn)動(dòng)檢測(cè)和目標(biāo)跟蹤之后，漏檢的目標(biāo)數(shù)量得以有效控制，正確檢測(cè)的目標(biāo)數(shù)量明顯增多。

3.2 車(chē)輛檢測(cè)實(shí)驗(yàn)

車(chē)輛檢測(cè)與行人檢測(cè)類似，只是目標(biāo)由行人改變?yōu)檐?chē)輛。同樣，需要先訓(xùn)練目標(biāo)檢測(cè)器。由于目前公開(kāi)的車(chē)輛數(shù)據(jù)集很少，本文使用的車(chē)輛訓(xùn)練樣本集是通過(guò)互聯(lián)網(wǎng)收集建立的，訓(xùn)練集包括2000幅車(chē)輛圖像和6000幅非車(chē)輛圖像，為了標(biāo)記方便，每一幅車(chē)輛圖像中都只包含一臺(tái)車(chē)輛，而且車(chē)輛圖像經(jīng)過(guò)人工裁剪，尺寸為100×100，車(chē)輛周?chē)蠹s留有10個(gè)像素的背景區(qū)域。同樣地，4種方法按照各自所選的特征及分類器來(lái)構(gòu)建車(chē)輛目標(biāo)檢測(cè)器，之后進(jìn)行車(chē)輛檢測(cè)實(shí)驗(yàn)。考慮到智能交通應(yīng)用場(chǎng)景，測(cè)試用的車(chē)輛數(shù)據(jù)集選用的是Changedetect.net上的baseline子集中的highway測(cè)試圖像序列，該序列的圖像尺寸為320×240。4種方法在采用多尺度窗口掃描圖像時(shí)，檢測(cè)窗口最大和最小尺寸一致，分別為100×100和30×30，窗口步長(zhǎng)仍為1.2像素。表2給出了4種方法的實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)。

表2 車(chē)輛檢測(cè)實(shí)驗(yàn)結(jié)果統(tǒng)計(jì)

由表2可見(jiàn)，盡管與表1相比，本文方法在3項(xiàng)指標(biāo)方面的優(yōu)勢(shì)有所下降，但本文方法所得到的3項(xiàng)指標(biāo)仍然是4種方法中最優(yōu)的，尤其是假正率和處理幀率兩個(gè)指標(biāo)。這說(shuō)明，不論是行人目標(biāo)還是車(chē)輛目標(biāo)，本文方法都能夠大幅降低目標(biāo)的虛檢現(xiàn)象，并大幅提高目標(biāo)的檢測(cè)效率。與表1相比，這里所對(duì)比的3種方法的處理幀率明顯高于表1中3種方法，而本文方法的處理幀率與表1相差不大，原因主要是車(chē)輛檢測(cè)處理的圖像尺寸小于行人檢測(cè)處理的圖像尺寸，這樣情況下，對(duì)整幅圖像進(jìn)行目標(biāo)檢測(cè)時(shí)，由于搜索范圍減少很多，導(dǎo)致算法的處理幀率都有較大提升。而本文方法只在運(yùn)動(dòng)區(qū)域圖像塊上進(jìn)行目標(biāo)檢測(cè)，與整幅圖像的尺寸關(guān)系不大，因此本文方法在檢測(cè)車(chē)輛目標(biāo)和行人目標(biāo)時(shí)處理幀率的差異不大。

4 結(jié)束語(yǔ)

行人和車(chē)輛檢測(cè)是智能交通系統(tǒng)的基礎(chǔ)研究課題之一，通過(guò)檢測(cè)行人和車(chē)輛的位置有助于對(duì)交通行為進(jìn)行分析和預(yù)測(cè)，對(duì)于提高交通系統(tǒng)的智能化水平有著重要意義。目前，基于計(jì)算機(jī)視覺(jué)的行人和車(chē)輛檢測(cè)方法較多，但多數(shù)是針對(duì)背景簡(jiǎn)單的視頻或者圖像進(jìn)行的，在復(fù)雜的交通場(chǎng)景中往往會(huì)由于復(fù)雜背景或者目標(biāo)遮擋的影響而降低目標(biāo)檢測(cè)性能。本文針對(duì)這一問(wèn)題，將運(yùn)動(dòng)檢測(cè)和目標(biāo)跟蹤技術(shù)引入到目標(biāo)檢測(cè)過(guò)程中，通過(guò)運(yùn)動(dòng)檢測(cè)技術(shù)來(lái)降低復(fù)雜背景的干擾，通過(guò)目標(biāo)跟蹤技術(shù)來(lái)修正目標(biāo)檢測(cè)器的檢測(cè)得分，降低目標(biāo)遮擋等引起的檢測(cè)得分下降問(wèn)題，提高目標(biāo)的檢出率。本文在Caltech數(shù)據(jù)集上進(jìn)行行人檢測(cè)實(shí)驗(yàn)，在highway測(cè)試圖像序列上進(jìn)行車(chē)輛實(shí)驗(yàn)，通過(guò)與現(xiàn)有的行人和車(chē)輛檢測(cè)方法進(jìn)行對(duì)比分析，驗(yàn)證了本文方法可以取得更高的真正率、更低的假正率和更高的處理幀率，尤其是在假正率和處理幀率兩個(gè)指標(biāo)方面，本文方法具有顯著的優(yōu)勢(shì)。目前，本文在目標(biāo)跟蹤時(shí)對(duì)慢速移動(dòng)的行人目標(biāo)和快速移動(dòng)的車(chē)輛目標(biāo)采用相同的參數(shù)，理論上這不是最佳的解決方案，后續(xù)我們將針對(duì)這一問(wèn)題進(jìn)行深入研究，提出更好的解決思路。