基于部位組合HOG特征的行人檢測(cè)

周佳敏

（武漢理工大學(xué)，湖北 武漢 430070）

行人檢測(cè)在視頻監(jiān)控、虛擬現(xiàn)實(shí)技術(shù)等領(lǐng)域有廣泛的應(yīng)用，也是計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域的重要研究方向。由于行人姿態(tài)、服飾的差異性增加了行人檢測(cè)的難度。而人體的輪廓受這種因素的干擾較少，可以提供描述行人較為魯棒的特征。Dalal[1]等提出的梯度方向直方圖特征，利用局部邊緣梯度分布特征來(lái)表征行人，具有優(yōu)良的檢測(cè)性能。

盡管HOG特征表現(xiàn)出優(yōu)異的檢測(cè)性能，其特征向量的維數(shù)過(guò)高使得特征計(jì)算和在線檢測(cè)時(shí)間過(guò)長(zhǎng)。本文提出結(jié)合行人頭部與腿部圖像區(qū)域作為感興趣區(qū)域進(jìn)行檢測(cè)，精確識(shí)別出行人目標(biāo)。

1 HOG特征描述

將一副待檢圖像分成N個(gè)單元，稱(chēng)為”Cell”，由若干個(gè)單元可組合成一個(gè)塊，稱(chēng)為”Block”，整幅圖像由一定數(shù)目的塊組成，塊與塊之間允許重疊。通過(guò)統(tǒng)計(jì)各個(gè)塊內(nèi)各單元在各個(gè)方向上的梯度分布，即構(gòu)成了該圖像的HOG特征，其計(jì)算過(guò)程如下。

1.1 計(jì)算梯度

采用梯度算子計(jì)算圖像的水平方向梯度和垂直方向梯度。

1.2 構(gòu)建梯度直方圖

將梯度方向分為若干個(gè)子區(qū)間，對(duì)單元內(nèi)每個(gè)像素點(diǎn)，以各像素點(diǎn)的梯度值為權(quán)重，對(duì)其梯度方向所屬子區(qū)間進(jìn)行投票加權(quán)。

1.3 梯度強(qiáng)度歸一化

對(duì)梯度強(qiáng)度在塊內(nèi)做歸一化[4]處理，可以減少局部光照以及前景、背景對(duì)比度的變化對(duì)直方圖特征的影響。HOG特征就是塊中所有單元的直方圖所組成的一個(gè)向量。

1.4 形成特征向量將所有檢測(cè)窗口中所有重疊的塊中各HOG特征串聯(lián)起來(lái)就構(gòu)成了最終的特征向量

2 基于HOG的腿部檢測(cè)

通過(guò)樣本圖像分析發(fā)現(xiàn)，行人腿部所在的圖像區(qū)域，背景通常是平坦的路面，并且腿部的輪廓邊緣具有明顯的垂直對(duì)稱(chēng)性，其在某些梯度方向上會(huì)出現(xiàn)一定的峰值，其HOG特征與背景差別較大。因此，本文首先針對(duì)行人腿部采用HOG特征進(jìn)行檢測(cè)。

由于行人腳與地面接觸，行人的腿部區(qū)域一般會(huì)出現(xiàn)在圖像的下半部分區(qū)域，因此本文主要對(duì)待檢圖像的下半部分進(jìn)行掃描，具體檢測(cè)步驟如下：

1）獲取待檢圖像，并取圖像的下半部分區(qū)域作為行人腿部掃描區(qū)域；

2）按照大小為16*16個(gè)像素窗口遍歷待檢圖像，計(jì)算得到掃描區(qū)域內(nèi)所有塊的HOG特征向量并存入一個(gè)14*39的二維數(shù)組中，數(shù)組中每個(gè)元素指向一個(gè)塊的36維HOG特征向量。

3）以大小為64*64，步長(zhǎng)為8個(gè)像素的檢測(cè)窗口遍歷待檢圖像，此時(shí)不需獨(dú)立計(jì)算每個(gè)檢測(cè)窗口的HOG特征，只要對(duì)二維數(shù)組進(jìn)行正確的索引找到該區(qū)域所對(duì)應(yīng)塊的HOG特征向量。

4）加載訓(xùn)練得到的腿部識(shí)別分類(lèi)器，對(duì)檢測(cè)窗口進(jìn)行判別。

3 基于模板匹配的頭部檢測(cè)

經(jīng)過(guò)分析可知，無(wú)論行人呈現(xiàn)出何種不同的姿態(tài)，行人頭部輪廓變動(dòng)性很小，且呈現(xiàn)出一定的形狀，而且行人的頭部不易被遮擋，在檢測(cè)過(guò)程中很容易被檢測(cè)出來(lái)。因此本文采用模板匹配對(duì)頭部進(jìn)行檢測(cè)。其檢測(cè)過(guò)程如下：

1）針對(duì)頭部輪廓構(gòu)建一個(gè)“Ω”形位圖模板，將頭部輪廓模板與Sobel邊緣圖像做乘積，將分?jǐn)?shù)計(jì)算的最大值視為符合頭部區(qū)域。

2）由于現(xiàn)實(shí)場(chǎng)景有復(fù)雜的背景[5]存在，對(duì)圖像進(jìn)行邊緣檢測(cè)時(shí)可能會(huì)干擾模板匹配過(guò)程，采用Canny算子和形態(tài)學(xué)邊緣檢測(cè)算子融合的方法實(shí)現(xiàn)頭部邊緣檢測(cè)。

3）通過(guò)計(jì)算模板與待檢測(cè)窗口的距離變換圖像的Chamfer[3]距離來(lái)衡量?jī)烧咧g的相似程度，如果待匹配的圖像中沒(méi)有頭部，則求得的Chamfer距離通常會(huì)遠(yuǎn)大于在圖像中有頭部的Chamfer距離。

4 基于部位組合特征的行人檢測(cè)

在本文的行人檢測(cè)過(guò)程中，首先對(duì)腿部進(jìn)行檢測(cè)并實(shí)現(xiàn)對(duì)腿部的初步定為，然后進(jìn)一步使用模板匹配對(duì)候選行人頭部檢測(cè)，只有當(dāng)頭部和腿部同時(shí)存在該區(qū)域中，才能認(rèn)為所識(shí)別的目標(biāo)為行人。

為了驗(yàn)證部位組合檢測(cè)方法的有效性，本文對(duì)樣本集中的圖像進(jìn)行了處理分析，主要比較了本文的部位組合算法與HOG算法在樣本集的檢測(cè)性能，其中HOG算法的檢測(cè)率為76.1%，本文部位組合算法檢測(cè)率達(dá)到了96.7%。

5 總結(jié)

本文提出了一種基于部位組合特征的行人檢測(cè)方法，首先對(duì)腿部進(jìn)行檢測(cè)，定位出候選行人區(qū)域，再根據(jù)頭部輪廓不易變動(dòng)的特點(diǎn)，利用模板匹配的方法對(duì)行人頭部進(jìn)一步檢測(cè)。實(shí)驗(yàn)表明，本文的方法能夠有效地檢測(cè)出現(xiàn)實(shí)場(chǎng)景中的行人。

［1］蘇松志.行人檢測(cè)若干關(guān)鍵技術(shù)研究[D].廈門(mén):廈門(mén)大學(xué)，2011.

［2］郭烈.利用腿部區(qū)域HOG特征的行人檢測(cè)方法[J].計(jì)算機(jī)工程與應(yīng)用，2013，49（1）:217-221.

［3］杜友田.基于視覺(jué)的人的運(yùn)動(dòng)識(shí)別綜述[J].電子學(xué)報(bào)，2007，35(1):84-90.

［4］黃茜.基于梯度向量直方圖的行人檢測(cè)[J].科學(xué)技術(shù)與工程，2009，9(13):3646-3651.

［5］潘鋒.基于支持向量機(jī)的復(fù)雜背景下的人體檢測(cè)[J].中國(guó)圖像圖像學(xué)報(bào),2005，10(2):183-186.