基于共生概率特征量的行人檢測

巨志勇,黃 凱

(上海理工大學 光電信息與計算機工程學院,上海 200093)

基于共生概率特征量的行人檢測

巨志勇,黃 凱

(上海理工大學 光電信息與計算機工程學院,上海 200093)

人體目標檢測研究是近年來計算機視覺領(lǐng)域的研究熱點。針對行人檢測中出現(xiàn)的檢測精度較低的問題,文中提出了一種有效的行人檢測算法。具體而言,選取不同類型的局部特征量HOG與LBP,通過第一段的Real AdaBoost算法進行特征的篩選,篩選后的特征通過兩兩配對計算共生概率特征量;最終通過第二段的Real AdaBoost 算法將弱識別器轉(zhuǎn)化為強識別器來進行行人檢測。實驗以O(shè)penCV和VS2010為測試環(huán)境,通過與OpenCV自帶的算法程序比較得出該算法能更好的檢測行人,從而提高了行人檢測的準確率與魯棒性。

HOG;LBP;共生概率特征量;Real AdaBoost算法;OpenCV+VS2010

人體目標檢測[1]是近年來計算機視覺領(lǐng)域的研究熱點,其在基于內(nèi)容的圖像檢索、智能交通、智能視頻監(jiān)控、高級人機交互等領(lǐng)域具有廣泛的應用前景。為了提高檢測目標的準確性,近些年來許多行人檢測[2-3]方法被提出。本論文采用HOG[4]特征量與LBP[5-6]特征量的兩兩配對來計算共生概率特征量。通過Real AdaBoost[7-8]算法進行學習,生成共生概率特征量[9-10]來進行目標檢測,提高目標檢測率。

1 HOG特征量的提取

在本文的研究中,采取Histogram of Oriented Gradients作為局部特征量之一。HOG特征是Dalal于2005年針對行人檢測問題提出的特征,能大體描述行人的輪廓。HOG特征是目前行人檢測領(lǐng)域最常用的特征。對于其他非行人目標的檢測,HOG特征也取得了突出結(jié)果,可以說是目標檢測領(lǐng)域,單一特征中效果最佳的特征。此外,HOG特征還被應用到姿態(tài)估計、人臉識別、表情識別、場景分類等問題。

HOG特征的提取流程如下所示:

(1)伽馬校正。使用伽馬變換對圖像預處理,增強圖像暗區(qū)的對比度。Dalal的實驗結(jié)果表明,使用Gamma變換后,在FFPW為10-4的條件下誤檢率可降低1%。

(2)計算梯度。以I(x,y)表示圖像某一通道中(x,y)處的顏色值,其(x,y)處的水平方向梯度記為Gx(x,y),垂直方向梯度記為,計算式如下

Gx(x,y)=I(x+1,y)-I(x-1,y)

(1)

Gy(x,y)=I(x,y+1)-I(x,y-1)

(2)

則(x,y)處的梯度幅值G(x,y)梯度方向θ(x,y)計算公式如下

(3)

(4)

實際計算時,分別使用模板[-1,0,1]和[-1,0,1]T對圖像卷積到Gx(x,y)和Gy(x,y),對于多通道圖像,選擇梯度幅值最大的通道的梯度作為該像數(shù)點的梯度。

(3)統(tǒng)計梯度方向。這一步驟是HOG特征計算的核心,將64×128大小的圖片劃分為8×8的單元(Cell),2×2個單元組成一個塊(Block)每個單元都統(tǒng)計一個梯度方向直方圖。梯度方向沒有符號區(qū)分,即將梯度方向在0°～180°范圍內(nèi)等間隔劃分為9個區(qū)間(Bin)。每一個像素點的梯度方向都采用線性插值,即對梯度方向相鄰的兩個區(qū)間投票。此外,還要對該像素點周圍的單元進行雙線性插值投票。像素點對某一個單元的某一個梯度方向的權(quán)重,為該點的梯度方向在該梯度方向和該單元插值后,再經(jīng)過高斯加權(quán)后的值。

(4)歸一化。為克服光照不均勻以及前景與背景的對比差異,有必要采用局部歸一化。HOG特征首先對每一個塊的36維向量v進行L2-norm歸一化,即v(i)=min(v(i),0.2),然后使用α=0.2截斷,即v(i)=min(v(i),0.2),最后再重新進行一次L2-norm歸一化。HOG特征量經(jīng)過歸一化表示為

由于塊與其周圍的塊有重疊,使得每個單元對其周圍的塊都有貢獻,但歸一化的塊并不一樣。這樣雖然會造成信息冗余,但是能顯著提升算法精度。

(5)向量化。最終,將檢測窗口內(nèi)的特征組成一維向量,Dalal設(shè)定的步長為8個像素,因此相鄰之間會有1～2個重疊的單元,而每個單元對其周圍的4個塊都有貢獻。對于128×64的檢測窗口最終組成[(128-8)/8]×[(64-8)/8]×4×9=15×7×36=3 780維的特征向量。

2 LBP特征的提取

LBP(LocalBinaryPattern)是一種用來描述圖像局部紋理特征的算子;其具有旋轉(zhuǎn)不變性和灰度不變性等優(yōu)點,是一種簡單、有效的紋理分類的特征提取算法。在本文中也是考慮的一種局部特征,提取算法如下

(1)將檢測窗口劃分為16×16或其他尺寸的較小區(qū)域(稱為Cell)。

(2)對于每個Cell中的每一個像素,將相鄰的8個像素的灰度值與其進行比較,若周圍像素值大于中心像素值,則該像素點的位置被標記為1,否則為0。這樣,3×3領(lǐng)域內(nèi)的8個點經(jīng)比較可產(chǎn)生一個8位二進制數(shù),即該像素點的LBP值。

(3)計算每個Cell的直方圖,即每個數(shù)字(假定是十進制數(shù)LBP值)出現(xiàn)的頻率;并對該直方圖進行歸一化處理。

(4)將得到的每個Cell的統(tǒng)計直方圖進行連接形成一個特征向量,即是整幅圖像的LBP紋理特征向量。

3 共生概率特征量

若輸入的一個特征由于一些因素很難分配到正確的二進制代碼中,為解決該問題,本文提出了一種共生概率特征量。采用HOG特征量與LBP特征量的兩兩配對來計算共生概率特征量。

3.1 第一段RealAdaBoost

(1)將樣本空間X按照特征值的大小進行區(qū)間劃分,得到x1,x2,x3,…,xm共m個區(qū)間。對于同一個區(qū)間,分別計算正樣本的權(quán)重和與負樣本的權(quán)重和

(5)

(6)

其中,Dt(i)是樣本的權(quán)重;y∈(+1,-1)分別代表正負樣本。

(2)特征的篩選,通過正負樣本權(quán)重和的比較,得到權(quán)重分布情況,再求出特征參數(shù)

(7)

(3)當e值最小時,可確定該輪訓練產(chǎn)生的弱分類器是

(8)

xi∈xj,v為輸入的局部特征,為防止產(chǎn)生極值,令式中∈為一個無窮小的正數(shù)。

(4)生成共生概率特征量(CPF)。使用加法運算符表示共生的特征之間的微弱關(guān)系和乘法運算符代表共生的特征之間的強烈關(guān)系。共生概率特征量結(jié)合弱分類器通過加法運算符可全面地捕獲兩個特征量。因此,若一個特征被堵塞或受到外部的干擾,但另一個特征恰好能在較大程度上表征目標對象,則最終的共生概率特征量就能很好的表征目標對象。另一方面,共生概率特征量結(jié)合弱分類器通過乘法運算符可同時捕獲兩個特征的特性。只有當兩個特征均較高時,才將是一個較好地捕獲目標的特征。其表達式如下

(9)

或

(10)

或

(11)

而

(12)

或

(13)

或

(14)

兩兩配對計算共生概率特征量,此時選取的兩個特征可能為同一類型圖像中不同部位的特征,也可能為不同類型的特征。

3.2 第二段RealAdaBoost算法

訓練:調(diào)用RealAdaBoost訓練算法,T輪訓練后,產(chǎn)生T個弱分類器ht,t=1,…,T。通過第一段式選擇共生概率特征量(CPF),在共生概率特征量的基礎(chǔ)上訓練弱分類器ht(x)。最后,將所有權(quán)重進行歸一化得

(15)

式中,Zt是歸一化因子。訓練結(jié)束后,最終的強分類器即為每一輪唯一的弱分類器疊加而成

H(x)=sign[ht(x)]

(16)

4 實驗結(jié)果

經(jīng)實驗驗證得出本文的方法確實是有效的。本文采用INRIA提供的圖片進行實驗,該行人庫分為測試集與訓練集。訓練集中含有2 416張行人圖片和1 218張不含行人的背景圖片;而測試集中則含有1 127張行人圖片和454張背景圖片。由于該庫中行人的外觀各異,因此是一個相當復雜的行人庫。先將正樣本降采樣縮放至64×128pixel大小,然后隨機選擇不同大小尺寸的共生概率特征進行訓練。整個訓練過程在一臺Intel(R)Core(TM)i5-3320MCPU@2.60GHz以及4GB內(nèi)存的PC上,同時本文收集了400張其他各式各樣的行人圖片對改進算法檢測,并與OpenCV自帶的peopledetector中算法的效果進行對比。測試得出檢測效果比OpenCV自帶peopledetector算法效果好。下圖為OpenCV2.4.8自帶的peopledetector檢測效果。

圖1 誤檢和漏檢圖

圖2 檢測交叉圖

圖中出現(xiàn)一些漏檢和誤檢情況,如圖1所示,諸多行人未被檢出,還有如圖2所示檢測的行人矩形框出現(xiàn)交叉,不能完整的圈出一個行人。經(jīng)過實驗,本文的算法檢測效果如圖3～圖5所示。

圖3 行人檢測(3人)

圖4 行人檢測(7人)

圖5 行人檢測(3人)

與前面的檢測圖片相比,明顯檢測效果要好,且檢測率得到了明顯提高,檢測圖片的矩形框也基本能完整圈出一個行人,各矩形框之間的交叉現(xiàn)象也較少。

5 結(jié)束語

本文提出了一種基于共生概率特征量以及AdaBoost算法的行人目標檢測方法。研究工作主要包括特征提取和機器學習兩個方面。其中特征主要是研究HOG特征和LBP特征,因為實驗證明兩種特征能較好地表征行人。機器學習方面主要研究了Real AdaBoost 算法,通過第一段的Real AdaBoost算法進行特征篩選,篩選后的特征組合計算生成共生概率特征量;最后通過第二段的Real AdaBoost算法將弱識別器轉(zhuǎn)化為強識別器來進行行人檢測。下一步研究的重點應在AdaBoost基礎(chǔ)理論上有所創(chuàng)新,從弱分類器層面上提高性能。在特征方面,試圖尋找更多的適合表征行人的特征,或進行對現(xiàn)有特征進行融合或者組合。研究行人非站立、被遮擋、黑夜和背景相似情況下的行人檢測,力爭解決這些問題,提高行人檢測系統(tǒng)的魯棒性。

[1] 楊林.基于Kinect 的人體目標檢測與跟蹤[D].大連:大連海事大學,2013.

[2] 周生輝.基于區(qū)域約束 HOG-LBP 特征的人體檢測算法研究[D].武漢:武漢理工大學,2012.

[3] 蘇松志,李紹滋,陳淑媛,等.行人檢測技術(shù)綜述[J].電子學報,2012,40(4):814-820.

[4] 田仙仙,鮑泓,徐成.一種改進 HOG 特征的行人檢測算法[J].計算機科學,2014,41(9):320-324.

[5] 袁寶華,王歡,任明武.基于完整 LBP 特征的人臉識別[J].計算機應用研究,2012,29(4):1557-1559.

[6] Wang X,Han T X,Yan S.An HOG-LBP human detector with partial occlusion handling[C].Computer Vision,2009 IEEE 12th International Conference on IEEE,2009:32-39.

[7] 胡將勝.基于 AdaBoost 和 SVM 的人體檢測[D].武漢:中南民族大學,2011.

[8] 朱誼強,張洪才,程詠梅,等.基于 Adaboost 算法的實時行人檢測系統(tǒng)[J].計算機測量與控制,2007,14(11):1462-1465.

[9] Yamauchi Y,Takaki M,Yamashita T,et al.Feature co-occurrence representation based on boosting for object detection[C].Computer Vision and Pattern Recognition Workshops(CVPRW),2010 IEEE Computer Society Conference on IEEE,2010:31-38.

[10]Mita T,Kaneko T,Stenger B,et al.Discriminative feature co-occurrence selection for object detection[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2008,30(7):1257-1269.

Pedestrian Detection Based on Co-occurrence Probability Feature

JU Zhiyong,HUANG Kai

(School of Optical-Electrical and Computer Engineering,University of Shanghai for Science and Technology,Shanghai 200093,China)

The human body target detection research is a research hotspot in the field of computer vision in recent years.In view of the poor pedestrian detection accuracy,this paper presents an efficient pedestrian detection algorithm.Different types of local features HOG and LBP are selected and filtered by the first stage Real AdaBoost algorithm,after which the co-occurrence probability features are generated by pairwise.Finally,weak classifiers are transformed into a strong recognizer to detect pedestrians through the second stage of the Real AdaBoost algorithm.Experiment in OpenCV and VS2010 shows that the algorithm can better detect pedestrian and improve the pedestrian detection accuracy and robustness compared with the OpenCV buit-in algorithm.

HOG;LBP;co-occurrence probability feature;Real AdaBoost;OpenCV+VS2010

2015- 05- 06

巨志勇(1975—),男,副教授。研究方向:計算機應用等。E-mail:13248218037@163.com。黃凱(1991—),男,碩士研究生。研究方向:圖像處理等。

10.16180/j.cnki.issn1007-7820.2015.11.037

TP391.41

A

1007-7820(2015)11-139-04