梯度向量直方图的行人检测

第1 1期201 1年1 1月机械设计与制造45文章编号：10013997(201 1)1 13梯度向量直方图的行人检测串刘志强翟营秦洪懋(江苏大学汽车与交通工程学院，镇江212013)of hi 12013，摘要】行人是道路交通的参与者也是受害者，计算机视觉的行人检测，由于其在车辆辅助驾驶；系统中的重要应用价值，成为当前计算机视觉和智能车辆领域最为活跃的研究课题之一。为了快速准确地对行人进行检测，提出了一种梯度向量直方图的行人检测方法。该方法使用高斯平滑进行图像预；、处理，然后利用直方图相似性，选择一些具有强分辨能力的特征来表征行人，最后用(征分类器，从目标和背景中获得的经过筛选的特征。实验结果表明，该方法对行人检测是快速且有效的。关键词：行人检测；梯度直方图；类器【n in viof in of of in n to a of is in is d to by of er is d to is in 训训、r，卅卅MM、P，训、中图分类号：46文献标识码：了有效地保护行人的安全，及时警告驾驶员可能与车辆邻近的行人发生碰撞，开展行人检测技术研究已成汽车安令辅助驾驶领域中是备受天注的前沿方向。一些科研人员_用小波变换作为输入描述符。一些科研人员13建立了一种高效率的移动行人检测器，利用更复杂的区域中来拟合匹配提取行人。采用梯度直方图的行人特征，并用(征分类器，以便使行人检测具有良好的实时性和较高的准确率。2概述构建了一种新的基下梯度向量壳方图的行人检测图像配准方法，实现先，利用样本(至少几百幅样本图片)的海尔(征进行分类器训练，得到一个级联的次，通过对特征点邻域内所有像素点的梯度作高斯加权求模，获取具有抗噪性和旋转不变性的特征点主方向以此代替特征点梯度方向作角度直方图统计，准确有效地计算出待配准图01路交通安全保障天键技术研究及示范应用(2007【嘲家科技支撑计划课题 “m”，“”后需要在定制中产品配置技术和基于考文献1青海黄哲人。等面向大批量定制的产品开发设计方法研究J中国机械丁程，2004。15(19)：1697一17012贾廷林模块化设 j北京：机械993，(5)3，a l 998，13(4)：424，00115(2)：1651765王世伟，谭建荣，张树有，等产品配置模型的演化与再配置J计算机辅助设计与图形学学报，2005，17(2)：347352mmm一一一忡一一6刘晓冰，蕾建华孙伟面向产品族的建模技术研究J汁算机辅助设i|勺图形学撤2001，13(7)：6367郑凯，胡f：喜陈晚民等北京：机械I：业H版社2006(1)8郭钊侠，方建安基于计算机工程，2005，31(10)：2282309郭训华基于卜海：东华大学，200510武安波，王建华，耿英基于对象系统仿真学报，200214(2)：13611下丹妮熊光楞，范文慧基于计算机应用研究2003，(6)：11611912刘彬北京：清华大学出版社，2006(3)万方数据刘志强等：梯度向量直方图的行人检测 第11期像问的旋转角度。根据得到的特征点信息及旋转角度定义了特征点对互信息匹配准则，从而得到匹配点对。最后用训练好的分类器扫描拟台目标图像，得出是否含有运动行人。由于运动行人是各式各样的，所以在检测行人是难免会出现误榆和漏检，我们通过加大样本量，进行多次训练尽可能的减少误检率，行人检测流程图，如图1所示。图包含1805张正例样本(32(地40)例样本为大约600张样本图像，反例样本为大约1000张任意图像，进行特征分类训练得到一个级联的了量化搜索器的性能，把每层训练的误榆率(坐标曲线表示，错过率与误检宰相比较小者为优。在训练时，一般用05的误检率作为结果的参考点，在第4层训练结束后，错过率为436；而在第20层训练结束后，错过率为2,98。由此可见，错过率有很小的变化，相当于误报率在错过率不变的情况下获得了很大的改善。不同样本量对于误检率的影响，如图2所示。鲁妲裂J 5 5 7 9 j 15 1， 19N(层数)图2提取行人识别的流程图4图像预处理由于天气、光照的变化及行人走时造成的运动模糊等因素在采集的图像中必然夹杂着各种噪声。在处理和分析图像之前有必要对图像作平滑预处理月提高算法的抗噪性。这里采用高斯平滑滤波预处理如下：L(*，y)=G(x，Y，(zy) (1式中：L(z，y)平滑图像；G(x，Y，盯)具有低通特征性的高斯滤波器；f(x，y)输入预处理图像。5梯度计算梯度计算就是该位置像素与周围区域系数的差分计算般用窗口模板实现，有很多计算梯度的算子这罩采用高斯加权求模技术对特征点邻域内的像素的梯度作直方图统计，确定出具有旋转不变性和抗噪性特征点主方向；然后用直方图统计，确定待配准图像之间的旋转角度。根据得到的特征点信息及旋转角度定义特征点对互信息匹配准则这样使得新配准算法对于图像问旋转角度的范围没有限制，获得了良好的配准效果工“z)“ (2)式(2)为常用一维零均值离散高斯函数。式中：决定了高斯函数的宽度。盯越大，高斯滤波器的频带就越宽，平滑程度就越好。51确定特征点主方向在式(I)中，平滑图像L(x，y)的每个像素点用式(3)、(4)计算其梯度模和方向，得到与原图等大的梯度图像。(。+y)：1L。+1y一。一1，yj (3)yL(T，y+1)一L(z，。O(x,y，=慰；裟等等 c。，式中：h，m(x，(x梯度方向角度。对每一个特征点构造一个梯度向量直方图H(n)表示特征领域内方向角落在第体地将360。的角度空间量化为36级(1曼在以特征点为中心的领域内用高斯圆形窗门函数对每个像素的梯度模作高斯加权。以特征点为中心的高斯圆环窗，如图3(a)所示箭头表示该像素点的梯度方向箭头长度表示浚点的梯度模，特征点的梯度向量直方图，如图3(b)所示。横坐标代表36个角度级，每级为1旷，纵坐标代表对应角度级的高斯梯度模之和，峰值即为该特征点的主方向区间。 太、 、 a)高斯圆环窗l，)特征点的梯度向量直方圈图3梯度向量直方图示意图万方数据01 1 机械设计与制造 24752确定特征点直方图旋转角在一些图像配准算法中，需要估计待配准图像之间的旋转角度，常用的方法是利用特征点的梯度方向作直方图统计M。然而，特征点的梯度方向是由它周围四个像素点的灰度值确定，一旦目标图像发生变化，其梯度也就随之发生变化，对噪声和位置的偏移以及图像旋转非常敏感，所以通常只能粗略估计图像之间的旋转角度，影响了配准的效率和精度制约了这类基于图像间的旋转角度的配准方法的适用性，往往只适用于图像间存在小角度旋转。因此，采用提出的特征点主方向能克服以上不足，求出旋转角度提高了配准精度。设待配准图像Z(聋，)和A(x，)提取出的特征点集为只=(P：)k=(g：，qj)b；l、飓这两个特征点集中特征点的数目，印；和分别表示P。和后定义特征点点对的角度直方图日(口)表示p,c*角度差为。时的个数。如果日(一)在。处取得最大值，则表示图像(z，y)和A(x，Y)间的旋转角为0，为了提高算法的精确性，可以将(p)修改为何(口)=日(“i)，通过寻找H(口)最大值所对应的角度可以估计图像间的旋转角度0。这种利用统计得到旋转角度的方法具有计算量小和计算精确的优点。53确定特征点匹配点对信息目前，基于最大化互信息的相似性测度在图像配准中主要是依据整幅图像的灰度信息，直接作用于整体像素进行计算，因而计算费用相当高，并且在搜索最优的过程中，存在着局部极大值的干扰，使得配准过程总是陷入局部极大值而导致图像的误配。针对以上不足采用了一个新特征点对互信息匹配准则，充分利用了图像的特征点信息及图像间的旋转角度，只针对提取出来的特征点进行计算，计算量大大减少，同时，在得到匹配点对的过程中，无须进行最优搜索，从而避免陷入局部极值。假设特征点对Ip,，g，如)的角度差为岛，正(茹，)，)是五(算，y)l：2特征点吼为中心旋转。后得到的图像日，是通过上述方法确定出的两幅图像之间的旋转角度，则特征点对的互相信息量可得出：n(q；，毋，0)_，(石，)以(z，y)】=(x，y)】+日旺(算，y)】州(茗，)(茹，)】上式中满足条件：(1)样p,c：*成匹配点对。6试验结果及分析用于检测的图像大小为(320对一幅图像作检测时，需要从不同的尺寸和不同的位置逐个检测。对于不同尺寸度的检测，选择对检测器进行缩放而不是对图像本身进行缩放，在任何尺度下，特征都可以用同样的代价求出，在训练时，窗口的大小为(64128)4数据库部分行人图片检测结果试验结果，如图4(a)所示。图中矩形区域为检测到的行人。在试验的过程中，存在一些误判和漏检的情况。程序误将手提包或周围的树木等当成行人，如图4(b)一图4(c)所示。由于行人在图像中所占像素太少或行人背景相近，如图4(e)所示。因此会造成漏检。这些情况主要取决于训练样本的选择和训练，需要改进训练权值的更新规则及对行人典型特征的提取，这也是下一步主要的研究工作。7结论从直方图的明显峰值可以看出，提出的梯度向量直方图和特征点主方向实现了对运动行人检测，所得到的旋转角度具有鲁棒性强的优点，配准结果很好，提出的方法具有角度不变性和抗噪性强的优点。(1)采用了一种基于用后通过2)提出的特征点主方向代替以前的特征点的梯度方向来确定待匹配图像之间的旋转角度，融合了特征点环型邻域内像素点的梯度信息，准确有效地求出旋转角度，提高了配准精度。(3)研究了检测器参数的影响。得出梯度向量直方图、主方向、旋转角度等检测参数，具有提高视觉识别的可靠性和信息匹配准确性的优点。参考文献1，by J0012CA J0003，“C，0034常好丽，史忠科蔗于单目视觉的运动行人检测与跟踪方法J】交通运输工程学报，20065胡巍，张桂林，陈朝阳一种基于尺度空间理论的高斯平滑方法J数据采集与处理，19986