基于改进梯度方向直方图的多尺度的行人检测

012，32(168170，2020019081231001012)张丽红(山西大学电子信息技术系，太原030006)(通信作者电子邮箱要：行人检测是计算机视觉中重要而有挑战的研究方向。为了提高识别精度，提出了一种更有效的特征提取方法，这个方法的特点是提取梯度方向直方图(征时能够获得更多的梯度信息，从而更好地生成表征在更大范围内的图像中或者检测窗口中人体细节的特征描述算子；利用线性核函数(支持向量机(采取多尺度检测技术和非极大值抑制能够精确定位行人在图像中的位置。实验结果表明，该行人检测系统检测精度较高。关键词：梯度方向直方图；梯度信息；多尺度检测；行人检测；支持向量机中图分类号： 文献标志码：n of id U，妇30006，Chan in n to of a of aS in he of is to e in“Or of in of by OC)of in a he ey 引言行人检测是在人脸识别之后又一个热点的研究领域，其应用涉及智能交通、安全监控、自动驾驶和人机交互等“J。然而，由于光照、自身姿态和衣着颜色等非刚性的因素，导致行人检测是一个非常困难的问题。目前有许多行人检测的技术方法，其中大多数都是基于机器学习的检测方法。这个检测方法有两个很重要的方面，一个是表征检测目标的特征描述算子，另一个是所选择的学习算法。特征有边缘集特征(p J、局部二值模式(y 1以及梯度方向直方图(。等，这些特征都是提取边缘变化、形状轮廓信息的。学习算法主要有级联，对同一训练集反复训练并且根据上一次样本的权重得到不同弱分类器的组合形成最终的强分类器，级联分类器的主要优点是极高的检测速度，支持向量机(过核函数将样本集映射到能够进行线性可分的高维空间，在高维空间中只需进行点积运算即可得到判别结果，主要优点是对目标模式变化的鲁棒性。本文在前人的基础上做了一些改进，首先针对方法能够提取更多的梯度信息从而生成能反映更多行人特征信息的描述算子，在检测过程中应用多尺度检测，利用非极大值抑制(n精确定位到行人在图像中的位置。1算法基本理论11梯度方向直方图通过对局部区域内目标边缘的分布进行提取，可以很好地表针目标的形状。原来的l，0，1进行梯度计算，在一个2 为“8 就是一个小块(称为“形成一个36维的行向量，在小块移动的时候采用O5的重叠率，那么一个64128的检测窗口就有105个小块最终生产一个3 780维行向量也就是一个样本。本文方法对先利用一O5，一05，0，05，05的微分模板，在更大的33单元中生成了81维的行向量，在小块移动的时候采取了13的重叠率，一个64 X 128的检测窗口中有84个小块，最后生成了6 804维的行向量。了加快速度该方法在每个小块中采用(并，y)表示图像在像素点(茹，y)处的灰度值，扩展的)梯度计算：收稿日期：20123；修回日期：201209基金项目：山西省高校高新产业化项目(2010002)。作者简介：李林(1986一)，男，安徽巢湖人，硕士研究生，主要研究方向：模式识别；张丽红(1968一)，女，山西太原人，副教授，主要研究方向：图像处理、模式识别。万方数据增刊2 李林等：基于改进梯度方向直方图的多尺度的行人检测 169x，(茗，(z，其中：石，)，表示图像中某像素点的横纵坐标，e(茗，Y)和G，(茗，Y)分别表示该点在茗方向和)梯度强度M(x,y)和梯度方向o(x，Y)的计算：M(X，Y)=晓(茗，)+(x,y) (2)O(x，Y)=，Y)，Y)+ (3)厶0(x,y)限定在O，叮T范围内。3)把0，订均匀分成9个区间(称为“，利用三线性插值将每个梯度方向角按一定比例分配到邻近的区间(：4)在每个小块中进行集到一个特征B；=，五，五。)；5)按13的重叠率移动小块(重复1)4)，直到整个检测窗口中的每个像素点被计算遍，最后生成的样本表示为F=(曰。，曰：，)=，五，五泓)。12支持向量机支持向量机(一种基于统计学习理论的模式识别21方法，采用核函数将输入空间的数据后在这个高维空间求广义的最优分类面，那么在原空间不能线性可分的数据，可以在高维空间中进行线性分类引。一般形式为：g(X)=，工+b (4)最优分类面要求，距离分类面最近的样本距离尽可能大，样本点(鼍，)，；)，样本类别标识Y；=I，那么检测样本被误分的可能性就会越小，即要求Y(w工)+b一l0 (5)取，0最小的时候也就是分类间隔d=20 w 0最大。常用的核函数有：1)线性核函数：K(工，y)=工Y (6)2)多项式核函数：K(r，j，)=(工Y+1)4；d=1，2， (7)3)径向基核函数：K(x，Y)=7 0工一j，0 2) (8)4)(工，y)=b(xY)一c) (9)在实验中，选用线性核函数，因为其他三个核函数需要将输入的数据映射到高维空间中选择最优的分类面，而线性核函数直接在原空间中进行选取最优分类面，所以选取线性核函数在速度上面要比其他核函数快很多。2行人检测系统在用训练好的分类器进行检测时候，会出现两个问题：第一个是该方法选取的检测窗口是64128的，如果待检测的图片中目标的尺寸和这个检测窗口相比较过大或者过小，容易产生漏检；第二当检测同一个目标的时候由于检测窗口在待测图片中滑动会导致同一目标会出现多个识别的结果，需要对这些识别结果进行合并。基于以上出现的问题，采用多尺度检测技术，主要思想就是将待检测图片进行按一定比例进行缩放，对检测结果中重叠率超过一定比例的窗口判定为同一目标的多个检测窗口，采用非极大值抑制方法，选取得分最高的那个窗口作为该目标所在的位置。结合方法的检测系统流程如图1所示，包含三部分：特征提取、训练和检测过程。图1检测系统流程3实验结果分析在本章中，检测系统在与现有方法进行了比较，在1 别用原来的00个样本总共产生124750个相关系数，分布图如图2所示。籁七a)本文b)原来以看到本文方法提取的5到065之间，原始的到06之间，相关系数越大每个特征之间的相似度也就越大，所提取的特征也就能够表征出行人更多的信息。一一v，1，1+石1X“一“+茹+)，)+22)+鬈2争如争=万方数据170 计算机应用 第32卷32分类器性能比较比较本文的方法，次训练，这一步不会影响这两种特征的比较因此省略了这一步，从18张背景图片中抽取了7308个负样本和2416个正样本进行训练得到线性3是两种样本训练出的分类器的比较。误楦率图3检测性能及比较从图3中可以看出：误检率较小的时候，该检测系统的漏检率要比实际应用大都要求较低的误检率，该方法在低误检率时保持着较高的检测率(1一漏检率)。在图4给出了一些检测结果的例子。从图中可以看出，该算法正确检测大部分行人目标，比如在图4(b)的5个行人目标，漏检了处在强光和弱光交界的复杂背景下的行人，还出现了3个误检的情况，但是能够较好地检测出允许一定姿势变换的行人目标。(a)多种姿势背景光燃图4检测实例33多尺度检测由于分类器的性能已经由所选择的特征和学习算法确定了，所以在最后的检测阶段要想提高检测系统的检测效果只能通过对图片进行不同尺度的缩放再进行检测，根据多尺度缩放进行检测，采用非极大值抑制的方法选择检测目标中最优的检测窗口。在图5中显示的是该方法的检测系统最后得到的检测结果，通过图5(a)到图5(c)可以看出该检测系统可以很好地检测行人目标。(a)远燃角(b)局部遮挡4 结语(c)轮廓清晰图5多尺度检测例子基于机器学习的行人检测中最重要的是特征和学习算法，传统的于这点考虑，该算法扩展了原来的保持着原来的那种计算体系，通过实验发现，这样的扩展特征能够取得很好的效果，与多尺度检测技术结合，该行人检测系统在取得令人满意的检测精度，但是在检测速度上面表现一般，这也是下一步需要改进的地方，如通过引进积分图可以解决速度不快的问题。参考文献：【1】 U L。 K Hof in cof 008 C：008：1821 ，l，of 009 C：009：794801【3】，d 1一pe】of 010 C：1010：8996【4】 李豪杰。林守勋，张勇东基于视频的人体运动捕捉综述【J】计算机辅助设计与图形学学报，2006，18(11)：16451651(下转第202页)万方数据202 计算机应用 第32卷号高电平在2 为采集的信号。测试结果如表表现高电平的时刻均为20000604 s，考虑到硬件延迟，它与理论值2 电平平均值为536862V，与理论值55 是由于信号引出点与采集机距离较远，信号强度有所衰减；高电平维持时间平均值为99686 理论值10 此该套高速采集系统的准确性是可信的。3)流盘速度测试。因为采样率很高，数据流盘快慢，决定数据是否能及时从内存中移走，直接影响采集是否能够顺利进行。如表2所示，122流盘速度略低，6368流盘速度与之基本相同，较好地达到流盘速度要求。由以上各项测试可得，该套高速数据采集系统在稳定性、准确性及高速存储方面均达到要求。在为期几个月的套高速数据采集系统在微波反射计进行数据采集，得到了实验人员的认可。表1触发信号采集流盘 理论流盘速度际平均流盘速度语本文所述基于现了微波反射计数据采集的高采样率要求，解决了原有数据采集系统不支持长脉冲条件下持续进行等离子体密度剖面测量的问题；采用高速流盘技术，快速将数据从内存中转移到本地高速硬盘阵列中，保证了采集顺利进行；在少了信号衰减和其他诊断信号的干扰，增加了数据可靠性；可通过采集控制系统监视其运行状态，不需安排专人监视其运行，节省了人力。在2012年套高速数据采集系统运行稳定可靠，得到了实验人员认可。参考文献：【1】 朱应飞，罗家融，李实，等原子能科学技术，2012，46(7)：893896【2】 舒双宝，罗家融，薛二兵基于】电子测量与仪器学报，2012，26(2)：120125【3】13 et ew 】01 1，86(2)：151154【4】 E，et of 】009，84(12)：20935】 李斌等离子体微波特性及微波诊断方法研究D】合肥：中国科学技术大学，2010【6】 刘英，罗家融，李贵明，等计算机工程，2008，34(14)：228230【7】杨飞，肖炳甲，朱应飞】计算机工程，2011，37(4)：1214【8】 李贵明，罗家融，刘英，等】计算机工程，2008，34(21)：15179】 速数据流盘处理：编程与标定【L【20080124】nip458【10】 I 22 B【20081030】ni71172m1 1】 I 6 3 6 66 3 6 8 B【20100830】ni70084b12】1 et r7 】002，49(2)：496500(上接第170页)【5】 ，of in a of 】of C：009，l：9097【6】 ，a of 】of 001 C：001：I511一7】，of 008 C：008：188】，of 】of 005 C：005，1：8868939】 ， MAn on 】006，28(11)：18631868【10】，of l C：007：18【1 1】 I， A，A 002，64：1525【12】，et 】