基于多特征融合的行人检测

2013年 7月 图学学报 013第34卷第4期 F 0134 基于多特征融合的行人检测胡 彬1， 赵春霞1， 孙 玲2(1南京理工大学计算机科学与工程学院，江苏南京210094：2北方导航控制技术股份有限公司，北京100176)摘 要：研究了3种不同类型的特征算子：梯度直方图(基于基于剪切波变换的直方图(基于图像的行人检测中的应用。提出了基于多特征融合的检测算子。对单一特征进行3个特征融合为一个高维的拥有大量信息的新特征，之后引入偏最小二乘法(行特征降维，得到最终的人体特征。利用线性果表明，融合后的特征极大的提高了检测率，在0。5时，检测率达到了956。关键词：行人检测：梯度直方图(最小二乘法：P 391文献标识码：A 文章编号：2095302X(201 3)0400290610094，o，00176，on of of of a e LS)an to a a VM as NA we a 0动安全等领域有着广泛的应用，同时也是模式识别和机器视觉领域的重要研究方向。由于不同的行人在身材、姿势、衣着和光照方面有着极大的变化，加之背景的变化，如何在图像中快速而准确的检测出行人仍然是一个难点。收稿日期：2012稿日期：20121226基金项目：国家自然科学基金重大研究计划重点资助项目(90820306)；青年科学基金基础(61101197)：江苏省青年基金(者简介：胡彬(1985一)，男，江苏南通人，博士研究生，主要研究方向为模式识别与智能系统。26 学学报 2013正随着近几年的研究发展，针对行人检测，主要形成了两类方法：一种方法是将人体分为头部、躯干、四肢等部分，通过模板匹配的方法检测各个部分从而找到行人；另一种是基于统计分类的方法，也是近几年的主流方法。该方法通过统计提取行人的特征，然后利用模式识别的方法进行分类，图1描述了这种方法的主要流程。图1 基于统计分类方法的流程在特征选取方面，包括边缘特征、纹理特征和小波特征都被用来描述人体，如。2005年21是最具影响力的一组描述行人的特征集，有良好的行人检测性能，己成为当前主流的行人检测方法。随后学者们对其不断完善。比较著名的有2006年等提出的变长的009年将人脸识别领域中的局部二值特征(合出了基于服了大的提高了检测正确率。在分类器选取方面，包括性I、各种核函数的用来进行分类训练。由于现有的一些特征提取方法都是基于单一特征的，或者进行融合的特征之间相关性比较小，因此识别率较低。本文研究了3种的特征算子：于基于剪切波变换的的直方图特征(9】，提出一种新的基于多特征融合的特征。并引入偏最小二乘法(后利用线性3种特征算子虽然应用于不同领域，但都采用了基于直方图的提取方法，因此，具有一定的相通性，而且一种局部特征；此也具有一定的全局特征性质；切波变换是一种多尺度的几何分析方法，所以，融合后特征能够极大的提高目标识别率。1特征提取获取的信息越多，检测结果越好，结合多种特征可以提高检测精度。本文将3种特征结合得到一种新的融合的特征，用来描述行人。11 通过统计图像局部方向梯度来构成人体特征。在计算梯度值时，现一维梯度算子1一，0，1计算得到的效果最好。对于图像中一点(梯度值定义为：R(X，y)=梯度方向为：，Y)=(X+1，Y)一I(Xl，Y)R)首先，把图像划分成若干个单元格(将梯度方向划分为若干个区间(在每个干个把块中的单元格的梯度直方图连起来得到块内特征。用后，将每个现最好是采用6*6像素的个文提取2 经由如下过程计算得到：(1)将输入图像进行到2)将3)将第二步得到的图分割成若干区域，在每个区域统计其直方图；(4)统计整幅图像的直方图，得到最终的描述算子。首先对输入图像进行义z)如下：V)=f(x，y)木y。(z)其中“和波向量七，：尼、P，其中万方数据第4期 胡彬等：基于多特征融合的行人检测。，妒。=n为滤波器在频域中的空间因子。则对于图像f(x，Y)，经过(x，Y，1，)=f(x，y)宰y叫(z)第二步对到BP(x，y)=s(2，、 Il，i一c0J(10，fi0第三步在计每个区域的直方图，最后所有区域的直方图串联起来得到最终的描述符。13 是，这些方法对方向不敏感的缺点，使得它们在描述一些方向特征时显得力不从心，而近几年新提出的多尺度几何分析方法剪切波变换(可以克服传统的小波变换的这些缺点。剪切波变换为具有多方向和多尺度信息的数据提供了一种处理框架，因此，对于图像中的边缘特征，它能够提供更精确的描述，并能进行更好的检测。对于一幅图像厂的连续剪切波变换定义如下：厂j f(a，S，t)=(，中母函数，a0；sR；t切波基本方程y。，定义如下：一三y州(x)=I 2y(蛭-，1。一f)厂中州叩2旧切参数和平移参数来离散化。在每个尺度层面，通过剪切波变换，统计每个具有相同方向的剪切波系数，定义如下直方图：q(s)=，)s)表示在指方向角度。最后，所有尺度上的直方图被合并形成最终的偏最,J、一种新型的对多组变量进行建模的多元统计数据分析方法，其研究的焦点是通过抽取潜在成分(它的核心假设就是认为观测到的数据是由这些少量的潜在成分驱动的系统或进程产生的10】。作为一种有监督的特征抽取方法，维方法。提出了面对义朋维的样本特征向量，样本的数量为)和向量y()分解为X=Y=中n维的向量厂表示残差。者叫投影向量)W=wl，定义如下：f)2=, ，y)】2_mg,xw,其中t，是矩阵，是矩阵ov(tf，z，f)是样本的其潜在成分向量协方差。数据降维就是通过将样本特征向量v：投影到权重向量W=wl，w。)上。3实验实验环境为英特尔双核处理器，3作系统为据库选择中包含了64128大小的正图像集和负图像集。该样本库中行人的服饰、姿态、光照和视角等因素的变化很大，是一个难度非常高的数据库。实验使用2416个正样本和5000个负样本作为训练集，负样本从负图像集中随机抽取64128大小的窗口。使用不同于训练集的1126个正样本和5000个负样本作为测试集。函数为线性，在比较单一特征和融合特征的结果时，为了使结果具有可比性， 学学报代次数和阈值等参数都是一样的，实验结果使用错检率(N)和漏检率(P)来描述特征的分类性能。其中之后对于融合后降维的特征，通过调节分类器阈值得到中由算得到，由算得到。首先我们测试中所述，像素，个0，7c方向内平均划分9个终得到的分类结果为9，02。对于们比较了不同尺度和不同方向下的分类效果，结果如表l 不同尺度和方向下着尺度和方向的提高，尺度达到2、方向达到8时，2比较了3种特征的分类性能，其中向数为8时的结果，可以看出，使用单一特征时，错检率和漏检率都比较高。表2 3种特征的分类结果接下来我们将3种特征串联起来，首先对各个特征向量进行归一化处理，使用，x(1取o用后用线性们分别将试其分类效果，最后将3个特征进行融合，测试结果。对所融合的特征，使用别测试了2维到20维这19种情况下的分类结果。如图2所示，图2描述了中纵轴为错误率，横轴为维数。从图2可以发现，当维数为9时，错误率达到最低点135，此时6，9。如图3所示，图3是图3可以看出，当维数降到9时，错误率达到最低点138，此时0，8，如图4所示，图4为3个特征融合后的测试结果，当维数降到10时，错误率达到最低点072，此时4，7。从实验结果可以看过，融合后的特征错误率得到了明显的下降，两个特征融合的错误率比单个特征的错误率至少降低了80，3个特征全部都使用时，错误率得到了进一步的降低。实验数据说明我们的融合特征取得了良好的效果。6 8 10 12 14 16 18 20图2 彬等3图3 种特征的到融合特征的将其与献4中的图5所示，融合特征的效果要明显优于单一的较于文献4】中采用的两种特征的方法也有一定的提高。在计算复杂度方面，本算法主要包含3个步骤，特征提取、降维和分类。由于特征提取部分采用了特征叠加的融合方式，所以，特征提取过程虽然有多个特征，但可以同步处理，不会因为特征的增加而造成计算复杂度的增加。对于低维特征的分类，其耗时是要明显低于高维特征的分类的。因此，本文虽然使用了融合了多种特征，但时间复杂度并没有明显增加。4结束语研究分析了 学学报 2013年在行人检测上的应用，并把这些特征进行了融合，提出了一种新的特征算子。由于融合后的特征维数较高，引入了考文献1 ，A 】000，38(1)：152】，of A,863， C， L et a of of 006：14914】 ，009：32395】 of 001：5116】 i，et in K，008：17 ， in by 001：349360【8】 en，et a 005：7867919 R， D，