基于方向梯度直方图的行人检测与跟踪

第21卷第4期2013年12月北京石油化工学院学报1 013基于方向梯度直方图的行人检测与跟踪张世博，李梦佳，李 乐，罗其会(北京石油化工学院信息工程学院，北京102617)摘要：为了更好更快速的实现行人检测，通过优化参数，提出了改进的基于方向梯度直方图的行人检测算法，对视频跟踪中不包含行人信息的图像进行背景筛除，从而减少了特征的计算量。实验结果表明，该算法对行人检测是有效的，并提高了检测效率和精度。关键词：行人检测；方向梯度直方图；对象跟踪； 文献标志码：器人学、智能交通等领域应用广泛，也是计算机视觉和模式识别领域的重要研究方向。不同行人的身材、姿势、视角、衣着、光照方面都有着极大的变化，加之复杂的背景场景，这都是行人检测问题的难点。在对象检测及识别算法中，特征提取是遇到的第一个基础的步骤。研究人员对此做了大量工作，基于强等提出了改进方法，利用多尺度利用线性多的关注底层图像局部信息，用来，使用为一种新的特征集，训练飞飞等使用2种类型的梯度描述子作为特征集合，取得了很显著的视频特征搜索算法，尤其是针对大规模视频数据库。为了达到实时的检测行人并跟踪，笔者在执行分类步骤之前先把移动对象从背景分离开来，对象的轮廓利用过对比在标收稿日期：201212世博(1977一)，男，硕士，实验师，E数据集上不同梯度参数得到较好的识别效果，并记录特征完成跟踪队列，提高其在视频检测中的检测效率。1 取图像的外形信息和运动信息，形成丰富的特征集。在表征图像的局部特征中，核心思想是所检测的局部物体外形能够被光强梯度或边缘方向的分布所描述。把样本图像分割为若干个像素的单元格(把方向梯度平均划分为9个区间(在每个单元里面对所有像素的方向梯度在各个方向区间进行直方图统计，得到一个9维的特征向量，每相邻的4个单元构成1个块(把1个块内的特征向量联起来得到36维的特征向量，用块对样本图像进行扫描，扫描步长为一个单元。最后将所有块的特征串联起来，就得到了人体的特征。例如，对于64128的图像而言，每22的单元(1616的像素)构成1个块，每个块内有4936个特征，以8个像素为步长，那么，水平方向将有7个扫描窗口，垂直方向将有15个扫描窗口。也就是说，64128的图片，总共有367153 780个特征。1)为了在不同图像上减少光照的影响，首万方数据38 北京石油化工学院学报 2013年第21卷先把图像转变为灰度图。(2)用模板一1，0，1计算每个像素的水平梯度G，(z，j，)和垂直梯度G，(z，y)。H(x，y)一i(z，y) (1)G。(z，y)一H(x+1，y)一H(y)G，(z，y)一H(x，y+1)一H(x，(2)采用的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰。(3)计算梯度。主要是为了捕获轮廓信息，公式如下：G(x，y)一G，(z，y)2+G，(工，y)2a(x，y)一y(z，y)c，(z，y) (3)(4)把图像分为相同大小的单元格及块。在计算梯度值在块内归一化。归一化能够更进一步对光照、阴影和边缘进行压缩，通常，每个单元格由多个不同的块共享，但其归一化是基于不同块的，所以计算结果也不一样。因此，一个单元格的特征会以不同的结果多次出现在最后的向量中。将归一化之后的块描述符就称之为厂1一口?一u。口2i+e (4)式中，u?和7J。分别代表初始的和归一化后的每个像素的梯度值。了防止分母变为零，在本文中取1。(5)收集得到检测空间所有块的步骤就是将检测窗口中所有重叠的块进行将他们结合成最终的特征向量供分类使用。2 具体过程21 包含2 416张正样本(96160像素)和1 126张负样本(70134像素)。所用的检测窗口使用的是96160像素，选择66作为单元格大小，块大小为22。每个单元格包含9个方向梯度，每个块的梯度为包含4个单元格的梯度的串联，每个块有36维度的特征向量描述，如图1所示。1 2 a)原始图像 (I)方向梯度图 (c)单元格 (d)单元格中方向梯度的组成图l 者尝试了不同的方向梯度。图2展示了一张行人图像在方向梯度分别为3，4，5，6，21情况下的图像何选取最合适的方向梯度数量，笔者通过常用的检率对误检率曲线)评价方法，在针对上述的别设置不同的方向梯度数目，其结果如图3所示。由图3可以看出，当方向梯度设置为9时，其检测效果相对来说较好。22前景图像提取为了提高计了从整幅图像中提取前景的方法来减少计算量。图2方向梯度分别为3，4，6，9币提取运动区域J，通过图万方数据第4期 张世博等基于方向梯度直方图的行人检测与跟踪 393 差的方式。即。一，如何识别行人，即采用不同的检测窗口及方向梯度可选择。其效果参考21节。23 多人跟踪为了能够标记行人并持续在视频中跟踪，以行人要知道h，什么时候进入视频场景，又是什么时候消失的，因此需要记录跟踪在场景过程中h。的路径。假设有某帧I，检测到了1 中H一h1，h H I，以丁一2，R，。一a)保存每个行人h，。表示在帧J。中行人的位置。为了判断某行人h，是否为新进入场景及他的行走轨迹，必须把其与丁中的所有人轨迹对比。所以，需要用某种特征来描述人，最常用的是指纹和脸，但在普通视频监控中，很难有效地获取这2个部位特征。所以，使用了如下特征来表示行人：(1)2)相关位置；(3)矩形区域。hi3(5)【后计算h。与义3个阈值L。、T。：和T用其判断行人h：是否是新进入场景的，如果行人h，不是新进入的，又需要判断其是路径轨迹是+一。，R) (6)其中，R)一W1d1(h，W2d2(h：，W3。，于行人的计数，可简单利用丁的大小即场景中行人的数量。3 实验结果在针对静态图像的检测中，采用96160的检测窗口，方向梯度试图片像素大小为400256，采用该方法进行行人检测及标记总平均耗时94 用参考文献1中算法平均耗时120 率有所提升。检测结果如图4所示。处理一段18 0帧s，640480)，耗时96 1537 均每帧用时178 像素增多的情况下，处理时间与前面静态图片处理时间呈线性增长，符合预期，但是对于实时处理的需求来说，性能尚需要有进一图4 基于京石油化工学院学报 2013年第21卷步改进。4 结束语分析了基于测试集通过对比不同的方向梯度数目选取了最优的方向梯度。在此基础上完成了图像以及视频中的行人检测及跟踪，取得了一定的效果，但从实验显示来看，对于单人的识别比较有效，在有多人粘合的情况下，算法表现不好。由于单一特征表达的信息比较简单，不能完全表征出行人的特点例如纹理特征、运动特征等，一定程度上影响了算法的高效性，可以通过多特征的融合并采用多摄像机来检测行人，研究多目视觉中基于姿态的行人检测技术，优化行人特征的选择和提取方法，进一步提高行人检测的准确性。参考文献of c 1005：886893苏松志。李绍滋，陈淑媛，等行人检测技术综述J电子学报，201 2(4)：814，et 0 1 1，et a of 6789ec，2006：1 49卜1498ia，et on 20 1 1 011 R I。，et OG 008：11551160on 010 0010：2428by 0 N，0 010：23222325