使用稀疏表達(dá)和機(jī)器學(xué)習(xí)的行人檢測(cè)技術(shù)探討

摘 要：機(jī)器學(xué)習(xí)是現(xiàn)在一個(gè)很熱門的研究方向，利用機(jī)器深度學(xué)習(xí)來(lái)進(jìn)行行人的檢測(cè)是一個(gè)科學(xué)有效的辦法。文章通過(guò)對(duì)于圖像提取與壓縮的方案探討，結(jié)合信號(hào)的稀疏表達(dá)的技術(shù)，對(duì)行人的檢測(cè)方法進(jìn)行了分析，結(jié)果表明，機(jī)器學(xué)習(xí)的檢測(cè)方案是準(zhǔn)確而有效的。

關(guān)鍵詞：機(jī)器學(xué)習(xí)；稀疏表達(dá)；行人檢測(cè)

1 圖像提取的方法

1.1 分割

在計(jì)算機(jī)視覺中，圖像分割是將數(shù)字圖像分割成多個(gè)片段或者像素集合的過(guò)程，分割的目標(biāo)是將圖像的表示簡(jiǎn)化和改變?yōu)楦幸饬x和更容易分析的東西。圖像分割通常用于定位圖像中的對(duì)象和邊界。更精確地，圖像分割是向圖像中的每個(gè)像素分配標(biāo)簽，使得具有相同標(biāo)簽的像素共享某些特性的過(guò)程。圖像分割的結(jié)果是集合地覆蓋整個(gè)圖像或從圖像提取的一組輪廓的集合的片段。區(qū)域中的每個(gè)像素相對(duì)于某些特性或計(jì)算的屬性是相似的。相對(duì)于相同的特征，相鄰區(qū)域是不同的。當(dāng)應(yīng)用于成像中的圖像堆疊時(shí)，在圖像分割之后產(chǎn)生的輪廓可以采用插值算法生成。常見的是閾值分割，使用這種成像技術(shù)可以精確地進(jìn)行黑白和彩色圖像的自適應(yīng)圖像分割。

1.2 濾波

迭代過(guò)濾算法是用于對(duì)觀察的圖像進(jìn)行最大似然推斷的工具，對(duì)未知參數(shù)的隨機(jī)擾動(dòng)用于探索參數(shù)空間。將順序蒙特卡羅粒子濾波器應(yīng)用于該擴(kuò)展模型導(dǎo)致選擇與數(shù)據(jù)更一致的參數(shù)值。適當(dāng)構(gòu)造的程序，迭代與連續(xù)減少的擾動(dòng)，收斂到最大似然估計(jì)。迭代過(guò)濾方法迄今為止被廣泛用于研究圖像的提取與濾波。首先，它們平滑了似然面，使算法能夠克服全局搜索早期階段可能出現(xiàn)的小規(guī)模特征。其次，蒙特卡羅變化允許搜索從局部最小值逃脫。第三，迭代過(guò)濾更新使用擾動(dòng)的參數(shù)值來(lái)構(gòu)建最大似然的導(dǎo)數(shù)近似值，即使該量通常不是以閉合形式可用。第四，參數(shù)擾動(dòng)有助于克服在順序蒙特卡羅期間可能出現(xiàn)的數(shù)值估計(jì)困難。

2 基于稀疏表達(dá)的圖像特征壓縮

稀疏表達(dá)可以理解為將一個(gè)原始信號(hào)用一組字典元素的線性組合進(jìn)行表示，將一段時(shí)間內(nèi)的信號(hào)中的每一個(gè)作為一個(gè)向量輸入到矩陣中，進(jìn)行矩陣分解，可以得到其低秩部分、稀疏部分和噪聲部分。信號(hào)的稀疏表示近年來(lái)引起了研究人員相當(dāng)大的興趣，假設(shè)自然信號(hào)（例如圖像）允許在冗余字典上進(jìn)行稀疏分解，導(dǎo)致處理這種數(shù)據(jù)源的有效算法。特別地，用于圖像的良好適應(yīng)的字典的設(shè)計(jì)已經(jīng)是一個(gè)主要的挑戰(zhàn)。K-SVD最近已經(jīng)被提出用于這個(gè)任務(wù)并且被示為對(duì)于各種灰度圖像處理任務(wù)執(zhí)行得很好。為解決學(xué)習(xí)彩色圖像的字典的問(wèn)題，并擴(kuò)展基于K-SVD的灰度圖像去噪算法。來(lái)自稀疏信號(hào)表示的技術(shù)通常在非傳統(tǒng)應(yīng)用上開始在計(jì)算機(jī)視覺中看到顯著影響，其中目標(biāo)不僅是獲得觀察信號(hào)的高保真表示，而且還提取語(yǔ)義信息。詞典的選擇在彌合這種差距中起著關(guān)鍵作用，由訓(xùn)練樣本組成或從訓(xùn)練樣本本身學(xué)習(xí)的非常規(guī)詞典是獲得最先進(jìn)結(jié)果和將語(yǔ)義含義附加到稀疏信號(hào)表示的關(guān)鍵。理解這種非常規(guī)字典的良好性能又需要新的算法和分析技術(shù)，這項(xiàng)工作提出了處理非均勻噪聲和丟失信息的方法，為如彩色圖像去噪、去馬賽克和修復(fù)等應(yīng)用中的最先進(jìn)的結(jié)果鋪平了道路。

由于提取到的圖像特征數(shù)據(jù)的維數(shù)過(guò)高、數(shù)量過(guò)大，不利于存儲(chǔ)和進(jìn)一步的機(jī)器學(xué)習(xí)，因此需要進(jìn)行相應(yīng)的壓縮。對(duì)于特征提取，我們顯示如果識(shí)別問(wèn)題中的稀疏性正確利用，特征的選擇不再是關(guān)鍵。然而，關(guān)鍵的是特征的數(shù)量是否足夠大以及稀疏表示是否被正確地計(jì)算。非常規(guī)特征，例如下采樣圖像和隨機(jī)投影，以及常規(guī)特征，例如特征面和拉普拉斯面，只要特征空間的維度超過(guò)某一閾值，由稀疏表示的理論預(yù)測(cè)。該框架可以通過(guò)利用這些誤差相對(duì)于標(biāo)準(zhǔn)（像素）基礎(chǔ)常常是稀疏的事實(shí)來(lái)統(tǒng)一地處理由于遮擋和破壞引起的錯(cuò)誤。稀疏表示的理論有助于預(yù)測(cè)識(shí)別算法可以處理多少遮擋以及如何選擇訓(xùn)練圖像以最大化遮擋的魯棒性。

3 基于機(jī)器學(xué)習(xí)的行人檢測(cè)

3.1 機(jī)器學(xué)習(xí)技術(shù)

機(jī)器學(xué)習(xí)是計(jì)算機(jī)科學(xué)的子領(lǐng)域，它使計(jì)算機(jī)能夠?qū)W習(xí)而不用明確編程。從模式識(shí)別和計(jì)算學(xué)習(xí)理論在人工智能的研究演變而來(lái)，機(jī)器學(xué)習(xí)探索學(xué)習(xí)對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)算法的研究和構(gòu)建，這樣的算法克服了嚴(yán)格的靜態(tài)程序指令數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)或決策，通過(guò)從樣本輸入來(lái)建立一個(gè)模型。機(jī)器學(xué)習(xí)在一系列計(jì)算任務(wù)中使用，其中有著明確算法的設(shè)計(jì)和編程是不可行的，比如垃圾郵件過(guò)濾、檢測(cè)網(wǎng)絡(luò)入侵者或惡意內(nèi)部人員、光學(xué)字符識(shí)別、搜索引擎和計(jì)算機(jī)視覺，這些方面都沒有明確的算法表示。機(jī)器學(xué)習(xí)與計(jì)算統(tǒng)計(jì)密切相關(guān)，并且經(jīng)常與計(jì)算統(tǒng)計(jì)重疊，計(jì)算統(tǒng)計(jì)也集中在通過(guò)使用計(jì)算機(jī)的預(yù)測(cè)中。它與數(shù)學(xué)優(yōu)化有著緊密的聯(lián)系，它將方法、理論和應(yīng)用領(lǐng)域傳遞到現(xiàn)場(chǎng)。機(jī)器學(xué)習(xí)有時(shí)與數(shù)據(jù)挖掘相結(jié)合，后者的子領(lǐng)域更側(cè)重于探索性數(shù)據(jù)分析。機(jī)器學(xué)習(xí)也可以是全自動(dòng)化的，用來(lái)學(xué)習(xí)和建立各種實(shí)體的行為預(yù)測(cè)，然后用于發(fā)現(xiàn)有價(jià)值的異常情況。在數(shù)據(jù)分析領(lǐng)域，機(jī)器學(xué)習(xí)是一種用于設(shè)計(jì)適合預(yù)測(cè)的復(fù)雜模型和算法的方法，在商業(yè)應(yīng)用中，這被稱為預(yù)測(cè)分析。這些分析模型允許研究人員、數(shù)據(jù)科學(xué)家、工程師和分析師通過(guò)學(xué)習(xí)數(shù)據(jù)中的歷史關(guān)系和趨勢(shì)來(lái)產(chǎn)生可靠的、可重復(fù)的決策和結(jié)果并揭示隱藏的規(guī)律。

3.2 支持向量機(jī)技術(shù)

支持向量機(jī)（SVM）表示一組從訓(xùn)練數(shù)據(jù)創(chuàng)建函數(shù)的受監(jiān)督學(xué)習(xí)技術(shù)，訓(xùn)練數(shù)據(jù)通常包括輸入對(duì)象（通常是向量）和期望輸出的對(duì)象。學(xué)習(xí)的函數(shù)可以用于預(yù)測(cè)新對(duì)象的輸出。SVM通常用于其中函數(shù)輸出有限類之一的分類。SVM也用于回歸和偏好學(xué)習(xí)，為此他們分別稱為支持向量回歸SVR和排名SVM。SVM屬于一類廣義線性分類器，其中分類（或邊界）函數(shù)是特征空間中的超平面。SVM的特殊性質(zhì)是SVM可以實(shí)現(xiàn)高度的泛化，泛化表示學(xué)習(xí)函數(shù)對(duì)測(cè)試數(shù)據(jù)或在訓(xùn)練中排除的未知數(shù)據(jù)的性能。

將表征圖像梯度特征的HOG特征和圖像紋理特征的LTP特征相結(jié)合，發(fā)揮二者的優(yōu)勢(shì)，并利用稀疏表達(dá)的方法進(jìn)行特征數(shù)據(jù)的壓縮，利用二者相結(jié)合訓(xùn)練的SVM分類器進(jìn)行了行人檢測(cè)的測(cè)試。檢測(cè)時(shí)，首先對(duì)圖像進(jìn)行預(yù)處理，例如圖像仿射糾正幾何形變、圖像去噪、曝光過(guò)度圖像的濾除；然后進(jìn)行前景提取，因?yàn)樾腥嗽趫D像中是以前景的形式出現(xiàn)，所以可以得到行人的候選區(qū)域；再對(duì)輸入圖片進(jìn)行尺度縮放，對(duì)于每一層圖像，采用大小為128×64的窗口進(jìn)行滑動(dòng)計(jì)算，提取出每個(gè)滑動(dòng)窗口的HOG特征和LTP特征，并利用SVM分類器進(jìn)行判別，可以得到該窗口中是否有目標(biāo)。如果當(dāng)前窗口符合行人的HOG特征和LTP特征，就將其存儲(chǔ)作為目標(biāo)區(qū)域；如果沒有，則檢測(cè)下一個(gè)窗口。

4 結(jié)束語(yǔ)

本文利用基于HOG特征和LTP特征相結(jié)合訓(xùn)練的SVM分類器進(jìn)行行人檢測(cè)，該方法可以應(yīng)用于靜止攝像頭的監(jiān)控場(chǎng)景中，將前景圖像、背景圖像和噪聲分離，理論意義和實(shí)際應(yīng)用價(jià)值都比較高。前景提取方法可以很好地抵抗噪聲，并將圖像的3個(gè)組成部分：低秩部分、稀疏部分和噪聲部分進(jìn)行有效地分離。實(shí)驗(yàn)結(jié)果表明提出的算法有精度高、速度快等優(yōu)點(diǎn)。然而，實(shí)驗(yàn)中的前景提取和行人檢測(cè)是相分離的，如何將二者進(jìn)行結(jié)合將是下一步的研究方向。

參考文獻(xiàn)

[1]李紫微.淺析計(jì)算機(jī)圖像處理技術(shù)的應(yīng)用[J].通訊世界，2016（06）.

[2]閆鳳，石磊，張國(guó)英，等.計(jì)算機(jī)圖像處理技術(shù)的應(yīng)用[J].電子技術(shù)與軟件工程，2016（20）.

作者簡(jiǎn)介：徐政超（1984，12-），男，漢族，籍貫：河南沁陽(yáng)，當(dāng)前職務(wù)：實(shí)驗(yàn)技術(shù)人員，當(dāng)前職稱：助理工程師，學(xué)歷：碩士，研究方向：計(jì)算機(jī)科學(xué)與應(yīng)用。