杜文璐

摘要：該文在闡述行人檢測(cè)方法改進(jìn)的主要思路、范圍和方法的基礎(chǔ)上，進(jìn)一步對(duì)行人檢測(cè)所使用的統(tǒng)計(jì)方法和特征進(jìn)行了分析比較，提出了基于融合分類器的行人檢測(cè)算法，并在檢測(cè)前先進(jìn)行前景標(biāo)注，然后再在帶標(biāo)注的圖像上進(jìn)行行人檢測(cè)。

關(guān)鍵詞：計(jì)算機(jī)視覺；行人檢測(cè)方法；改進(jìn)；級(jí)聯(lián)分類器

中圖分類號(hào)：TP391.41文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)22-5341-03

Computer Vision—Improvement in Pedestrian Detection

DU Wen-lu

(Colledge of Japanese & Software Engineering, Dalian Jiaotong University, Dalian 116052, China)

Abstract: This passage is about pedestrian detection and its improvement concerning its main idea, scope and method. The pedestrian detection based on statistical methods are analyzed and combined with the characteristics. The method of merged classifiers which can improve the detection rate on the condition that the performance will not decrease is used in this experiment. A marking foreground method is proposed that the foreground is extracted and marked, so that only the foreground pixels are detected instead of all of the image at the detection stage, which can improve the accuracy of detection, and make the detection speed more faster.

Key words: computer vision; pedestrian detection; improvement; merged classifiers

計(jì)算機(jī)視覺對(duì)于人類的影響是重大的，它伴隨著計(jì)算機(jī)的蓬勃發(fā)展成為了一個(gè)不可或缺的分支。毫無疑問視覺信息在我們的日常生活中具有重要的地位。如果計(jì)算機(jī)能夠像人類那樣理解攝像機(jī)捕捉到的視覺信息，則會(huì)給我們的生活帶來巨大的影響和幫助。然而目前對(duì)于計(jì)算機(jī)視覺的研究還不是很成熟的，比如小孩到了4、5歲的時(shí)候就能在輕易地分辨出圖像卡片中的樹、人、車等不同類別的物體，還能區(qū)別不同的樹，如楊樹、柳樹、果樹等，在這方面，計(jì)算機(jī)明顯還存在著巨大的不足之處。

該文針對(duì)計(jì)算機(jī)視覺中的行人檢測(cè)部分做了深入的研究，力求能讓計(jì)算機(jī)能夠高速高質(zhì)量的辨別一段視頻中的人。下面詳細(xì)的對(duì)所做的實(shí)驗(yàn)的方法以及結(jié)果做以介紹。

1行人檢測(cè)方法改進(jìn)的主要思路

實(shí)驗(yàn)的主要思路為在行人檢測(cè)研究時(shí)，根據(jù)現(xiàn)有的級(jí)聯(lián)分類器的不足之處，提出了融合兩個(gè)級(jí)聯(lián)分類器來進(jìn)行行人檢測(cè)的方法。具體采用了表觀特征向量來描述人體，并結(jié)合統(tǒng)計(jì)學(xué)習(xí)的分類方法來檢測(cè)視頻中的行人。為了保證融合分類器的檢測(cè)性能和實(shí)時(shí)性，融合的兩個(gè)分器分別選取了類Haar特征分類器和Shapelet特征分器，前者作為第一級(jí)分類器，后者作為第二級(jí)分類器。提出了使用Haar-like結(jié)合人體頭肩的特征和Shapelet結(jié)合人體頭肩的特征來描述人體；在分類器訓(xùn)練時(shí)，采用的是Gentle-Adaboost機(jī)器學(xué)習(xí)算法；并且為提高分類器檢測(cè)速度，首先對(duì)視頻序列進(jìn)行了前景標(biāo)注，采用背景差分將前景點(diǎn)標(biāo)注出來，這樣在檢測(cè)時(shí)只需檢測(cè)前景點(diǎn)即可，減少了大量背景上的檢測(cè)時(shí)間。該文檢測(cè)方法的具體流程如圖所示。

圖1行人檢測(cè)具體流程圖

2研究的范圍與方法

2.1本實(shí)驗(yàn)主要研究的是靜態(tài)背景下的行人檢測(cè)

根據(jù)拍攝的攝像頭的情況，可以將運(yùn)動(dòng)目標(biāo)檢測(cè)的研究主要分為兩大類：動(dòng)態(tài)背景情況下的目標(biāo)檢測(cè)與靜態(tài)背景下的目標(biāo)檢測(cè)。前者主要是在拍攝的過程中，攝像頭是跟著目標(biāo)前進(jìn)，后退等方式移動(dòng)的，背景環(huán)境因此也是不斷變化的；后者情況下，攝像頭是固定的，相對(duì)于目標(biāo)場(chǎng)景來說是靜止的，因此背景環(huán)境是相對(duì)不變的。而視頻監(jiān)控系統(tǒng)中使用的大多數(shù)方式便是固定攝像頭，所以本實(shí)驗(yàn)主要研究的是靜態(tài)背景下的目標(biāo)檢測(cè)。

另外此實(shí)驗(yàn)是基于統(tǒng)計(jì)方法的行人目標(biāo)檢測(cè)。采用統(tǒng)計(jì)分類學(xué)習(xí)來研究目標(biāo)檢測(cè)問題。該方法通過統(tǒng)計(jì)學(xué)習(xí)獲得的分類器某個(gè)類別目標(biāo)的檢測(cè)器（例如人臉、汽車和行人等），然后根據(jù)得到的檢測(cè)器來進(jìn)行目標(biāo)檢測(cè)。基于統(tǒng)計(jì)方法的目標(biāo)檢測(cè)方法一般被分為兩個(gè)階段：離線檢測(cè)模型的訓(xùn)練和在線目標(biāo)檢測(cè)階段，在離線訓(xùn)練階段，首先要收集大量的樣本，包括與正樣本和負(fù)樣本，正樣本指包含著目標(biāo)類別的圖像，負(fù)樣本指不包含目標(biāo)類別的圖像；接著對(duì)收集好的正負(fù)樣本做標(biāo)記（用y表示），與正樣本標(biāo)為+1，負(fù)樣本標(biāo)為-1；然后對(duì)樣本進(jìn)行配準(zhǔn)、對(duì)齊和大小歸一化；再接著在歸一化后的正負(fù)樣本上提取出特征向量x (x∈R^d)，和對(duì)應(yīng)的標(biāo)簽 y一起組成最終用以統(tǒng)計(jì)訓(xùn)練學(xué)習(xí)的特征向量集合S={(x₁,y₁),…(x_N,y_N)}；最后使用選定的統(tǒng)計(jì)學(xué)習(xí)方法根據(jù)訓(xùn)練數(shù)據(jù)集S訓(xùn)練分類器的參數(shù)以供檢測(cè)階段使用。

在線檢測(cè)階段首先需要在待檢測(cè)圖像上提取得到與訓(xùn)練階段使用的相同的特征向量，然后與離線階段的分類器對(duì)該特征向量進(jìn)行分類差別。由于不知道目標(biāo)在圖像中的大小和位置，因此在檢測(cè)時(shí)需要在不同的尺度和位置對(duì)目標(biāo)進(jìn)行檢測(cè)，即需要在不同的尺度位置空間中逐窗口進(jìn)行遍歷判斷。。尺度空間通過對(duì)圖像逐級(jí)縮放做金字塔分解（Pyramid decomposition）實(shí)現(xiàn)；位置空間通過遍歷每個(gè)尺度下圖像中的每個(gè)空間位置實(shí)現(xiàn)。因此檢測(cè)目標(biāo)時(shí)某個(gè)尺度下對(duì)于目標(biāo)大小為w×h，圖像尺寸為W×H時(shí)，需要分類判斷的窗口數(shù)目約是WH個(gè)，數(shù)量巨大。在不同的尺度與位置空間進(jìn)行窗口遍歷時(shí)，如果該窗口被判別為目標(biāo)類別，則記錄其位置和當(dāng)前的尺度，否則丟棄，最后將不同尺度和位置上得到的檢測(cè)結(jié)果進(jìn)行聚類或者最大化抑制輸出最終的檢測(cè)結(jié)果。

2.2本實(shí)驗(yàn)采用的是基于部件的行人檢測(cè)方法

行人統(tǒng)計(jì)學(xué)習(xí)算法根據(jù)檢測(cè)方式的不同基本可以分為兩類：基于人體整體的統(tǒng)計(jì)學(xué)習(xí)方法和基于人體部件的統(tǒng)計(jì)學(xué)習(xí)方法。前者將整個(gè)人體作為特征進(jìn)行分類器訓(xùn)練，對(duì)于待檢測(cè)圖像，其進(jìn)行整個(gè)人體的特征提取，然后再用分類器進(jìn)行分類即可，而后者則將人體的各個(gè)部件均看作是人體的一個(gè)特征，然后分別進(jìn)行分類器訓(xùn)練，得到各自的分類器，在檢測(cè)時(shí)，先檢測(cè)各個(gè)部件，然后根據(jù)分析各個(gè)部件的相互約束關(guān)系來最終做出判決。

本采用的便是第二種方式，基于部件的行人檢測(cè)方法，但區(qū)別于以上的方法，該文采用的是用兩種不同的特征分別訓(xùn)練相同的一個(gè)部件的方法，最后綜合兩個(gè)分類器的結(jié)果做出決策

人體檢測(cè)中的特征是對(duì)目標(biāo)的描述，是用來有效的區(qū)分目標(biāo)與非目標(biāo)的，是目標(biāo)檢測(cè)的基礎(chǔ)，在檢測(cè)目標(biāo)的過程中，如果能夠提取出有效區(qū)分目標(biāo)類與非目標(biāo)類的特征，那么檢測(cè)的性能就會(huì)有巨大的提升，相反，如果一個(gè)特征不能區(qū)分目標(biāo)類與非目標(biāo)類，那么有檢測(cè)時(shí)，便不能與待檢測(cè)的目標(biāo)很好的匹配，或是與其他物體相似，便可能造成誤檢。所以，提取什么樣的特征來描述目標(biāo)是目標(biāo)檢測(cè)中和首要問題。接下來介紹的是該文主要使用的是類Haar特征和Shapelet特征。

Shapelet特征是通過先局部，后整體的思想，先在局部提取小特征集作為最基本的低層特征，然后通過統(tǒng)計(jì)學(xué)習(xí)算法得出中層特征，最后再由中層特征構(gòu)成分類器，層層進(jìn)行篩選，把分類能力較弱的特征一層層篩掉，最后得到包含更多有用信息的特征用來分類，特征的維數(shù)相對(duì)來說是非常低的，計(jì)算也簡(jiǎn)單；而且特征是由低層特征訓(xùn)練而來，類間的區(qū)別能力更強(qiáng)，在基于行人的檢測(cè)方面，性能尤其卓越，比Dalel的HOG特征算法的誤檢測(cè)率降低了整整10倍。實(shí)驗(yàn)已經(jīng)證明，通過自適應(yīng)學(xué)習(xí)而來的Shapelet特征相比其他的固定特征來說，能捕捉到更多有用的用于判別的信息，因而訓(xùn)練出的檢測(cè)器性能可以達(dá)到非常優(yōu)秀的水平。類Haar特征可以快速的進(jìn)行行人檢測(cè)，但是在檢測(cè)的過程中，由于該特征主要描述的是行人與背景之間的差異性，對(duì)于人體內(nèi)部的差異性描述的精度不夠，所以該文采用融合分類器進(jìn)行行人檢測(cè)時(shí)，先使用類Haar特征訓(xùn)練人體頭肩生成的分類器進(jìn)行檢測(cè)，可以快速的對(duì)非人體目標(biāo)進(jìn)行排除。

對(duì)于級(jí)聯(lián)分類器來說，級(jí)聯(lián)分類器在檢測(cè)率，漏檢率，虛警率，和時(shí)間等性能上的變化，通過一系列實(shí)驗(yàn)我們可得知隨著分類器級(jí)數(shù)的增加，在分類器的后面幾級(jí)中被過濾掉的樣本中正樣本所占的比率呈直線上升的方式增加。

3行人檢測(cè)方法改進(jìn)具體步驟

該文的設(shè)計(jì)方法均是在OpenCV的基礎(chǔ)上，采用Visual Studio 2010實(shí)現(xiàn)的。本實(shí)驗(yàn)的參數(shù)設(shè)置如下：正樣本和負(fù)樣本在級(jí)聯(lián)Adaboost分類器中的單級(jí)通過率分別為99%和50%。分類器在尺度空間上對(duì)檢測(cè)窗口搜索的步長(zhǎng)設(shè)定為1.05（經(jīng)驗(yàn)值）。在實(shí)驗(yàn)過程中，Haar特征級(jí)聯(lián)分類器和Shapelet特征級(jí)聯(lián)分類器分別采用了900張正樣本和2000張負(fù)樣本，并對(duì)人體的頭肩部分做了人工標(biāo)注，作為訓(xùn)練數(shù)據(jù)集，訓(xùn)練數(shù)據(jù)集的歸一化大小為20*20。為了增加訓(xùn)練數(shù)據(jù)集，該文對(duì)標(biāo)準(zhǔn)數(shù)據(jù)庫中的正樣本進(jìn)了豎直方向的鏡像對(duì)稱，使正樣本的數(shù)量增倍。Haar特征級(jí)聯(lián)分類器由20級(jí)Adaboost分類器構(gòu)成，Shapelet特征分類器由10級(jí)Adaboost分類器構(gòu)成。

3.1本實(shí)驗(yàn)采用一種新的級(jí)聯(lián)分類器的融合方式

筆者提出一種新的級(jí)聯(lián)分類器的融合方式，以期隨著分類器級(jí)數(shù)的增加，檢測(cè)率不斷提升的前提下，能有效的遏制正樣本被過濾掉的概率的增加，以此來增強(qiáng)分類器的性能，使分類器的檢測(cè)率更加提升。

根據(jù)之前的分析類Haar特征運(yùn)算簡(jiǎn)單，快速，采用它訓(xùn)練的分類器可以在分類器的前幾級(jí)快速的排除掉大量的背景區(qū)域，但是類Haar特征描述的主要是人體與背景之間的差異性，因此在分類器隨著性能的增加，分類器復(fù)雜度提高的情況下，在分類器的后幾級(jí)，類Haar特征對(duì)區(qū)別與行人輪廓類似的物體時(shí)，非常不敏感，很容易將這二者混淆，將行人誤判為非行人，或?qū)⒎切腥苏`判為行人，導(dǎo)致分類器的虛警率和漏檢率的增加；而Shapelet特征在基于行人的檢測(cè)方面，性能則尤其卓越，通過自適應(yīng)學(xué)習(xí)而來的Shapelet特征相比其他的固定特征來說，能捕捉到更多有用的用于判別的信息，特別是人體的頭肩部分，Shapelet的描述更加的精確，對(duì)于區(qū)分與行人非常類似的物體，具有很高的性能。

為此，我們采用基于人體頭肩部件的類Haar特征和Shaplet特征來訓(xùn)練分類器，根據(jù)二者各自的性能，該文先用類Haar特征級(jí)聯(lián)分類器對(duì)檢測(cè)窗口進(jìn)行分類，在分類器的前面就快速的排除掉大量的背景區(qū)域，然后，在分類器的后面幾級(jí)，對(duì)于分類器的排除掉的樣本，再用Shapelet分類器來進(jìn)行分類，將在Haar特征分類器中被漏掉的目標(biāo)區(qū)域檢測(cè)出來。最后根據(jù)兩個(gè)分類器的結(jié)果進(jìn)行決策。這樣就對(duì)那些在Haar特征分類器中被錯(cuò)誤過濾掉的目標(biāo)樣本進(jìn)行了二次分類，降低了分類器漏檢率的增加。

3.2本實(shí)驗(yàn)采用前景標(biāo)注的方法為了提高分類器的檢測(cè)速度

我們會(huì)在待檢測(cè)的視頻圖像上對(duì)前景進(jìn)行標(biāo)注，在檢測(cè)的過程中根據(jù)標(biāo)注只需要在前景部分進(jìn)行行人檢測(cè)即可，不必在全局圖像中進(jìn)行搜索匹配，這樣既可以減少檢測(cè)的數(shù)量，又可以節(jié)約檢測(cè)計(jì)算時(shí)占用的空間，對(duì)于視頻分析中時(shí)間和空間進(jìn)行了雙重的優(yōu)化。該文的前景標(biāo)注的過程主要是：采用背景差分法得到圖像的前景，然后對(duì)于得到的前景建立一張標(biāo)注表，與原圖像進(jìn)行對(duì)應(yīng)，在檢測(cè)時(shí)，標(biāo)注為前景的像素點(diǎn)則在原圖像上進(jìn)行目標(biāo)檢測(cè)，若標(biāo)注為背景，則不進(jìn)行檢測(cè)。

圖2低分辨率監(jiān)控視頻下的部分實(shí)驗(yàn)結(jié)果：上層為行走的行人，下層為騎車的行人

4結(jié)論

該文通過對(duì)行人檢測(cè)所使用的統(tǒng)計(jì)方法和特征進(jìn)行了分析比較，并分析了級(jí)聯(lián)分類器的特點(diǎn)，得出級(jí)聯(lián)分類器級(jí)數(shù)越高，在最后幾級(jí)中被排除掉的樣本中正樣本的比率上升很快，會(huì)引起分類器漏檢率的急劇增高，因此，該文提出了基于融合分類器的行人檢測(cè)算法，該融合方法選擇兩個(gè)級(jí)聯(lián)分類器（分別為類Haar特征分類器和Shapelet特征分類器）進(jìn)行級(jí)聯(lián)融合；根據(jù)監(jiān)控視頻領(lǐng)域中一般情況下都是靜態(tài)背景，而且為了提高檢測(cè)的速度與避免背景的干擾，該文提出了在檢測(cè)前先進(jìn)行前景標(biāo)注的方法，然后再在帶標(biāo)注的圖像上進(jìn)行行人檢測(cè)。

參考文獻(xiàn)：

[1]賈慧星,章毓晉.車輛輔助駕駛系統(tǒng)中基于計(jì)算機(jī)視覺的行人檢測(cè)研究綜述[J].自動(dòng)化學(xué)報(bào), 33(1):84-90, 2007.

[2] Xu Fengliang,Fujimura K. Pedestrian detection and tracking with night vision. Proceeding of IEEE Intelligent Vehicles Symposium[M]. Versailles, France: IEEE Press, 2002: 21-30.

[3] Munder S, Gavrila D M. An experimental study on pedestrian classification[J].IEEE Trans. Pattern Analysis and Machine Intelligence, 2006,28 (11):1863-1868.