基于SLBH 特征的行人檢測算法研究

張祎蔚

摘要：受韋伯局部描述子和LBP特征的啟發(fā)，針對Haar特征維度高、冗余度大以及對光照變化適應性差等缺點，提出了一種于顯著性的局部二值化Haar特征。首先將8種Haar特征組合形成一個3*3的塊，利用局部二值化思想得到二值化Haar特征；然后根據(jù)韋伯定律求取該塊的顯著性因子；最后把顯著性因子作為權重將二值化Haar特征統(tǒng)計成直方圖而得到SLBH特征。通過在INRIA行人樣本庫上實驗，表明該特征具有較好的魯棒性、較高的檢測率和較低的虛警率。

關鍵詞：韋伯局部描述子；LBP特征；SLBH特征；顯著性因子；行人檢測

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2015）09-0202-03

近年來，基于計算機視覺的行人檢測技術一直是智能交通系統(tǒng)領域研究的熱點問題[1]，而可行且高效的行人特征提取算法是其中的關鍵部分，為此，許多專家學者對此進行了深入研究。

Haar特征由Viola等學者首次提出并用于人臉識別領域，取得了良好的檢測效果[2，3]，而后被許多學者改進和擴展，使其更加適合于行人檢測領域。Abramson Y[4]在標準haar特征的基礎上進行了擴展，以增強對運動行人姿態(tài)的描述和檢測。但該特征仍然易受光照變化、環(huán)境遮擋等因素的影響，適應場景變化的能力較差，魯棒性不高。HOG特征是行人檢測特征提取領域的另一經(jīng)典算法，與haar特征不同，HOG特征屬于矢量特征范疇[5]。Lazebnik S等人[6]為了提升了HOG特征提取速度提出了PHOG特征。SIFT特征[7]由于其優(yōu)異的不變性也被廣泛到應用到目標檢測特征提取的應用中。HOG特征和SIFT特征都是比較典型的矢量特征提取算法，但是由于特征維數(shù)較高，實時性難以保證，必須經(jīng)過特征降維處理。再就是Edgelet特征[8-9]，與其他行人檢測特征提取算法不同，該特征著力于描述行人輪廓特征，能有效處理環(huán)境復雜且目標被遮擋情況較為嚴重條件下的行人檢測，但是由于計算較為復雜，實時性較低。Ojala T等人提出的LBP特征因其具有維度低、計算速度快、能很好的刻畫圖像的紋理信息而被廣泛應用，并且出現(xiàn)了許多的變體[10，11]。Chen等人[12]根據(jù)韋伯定理提出了韋伯局部描述算子，該特征雖然對光照和噪聲干擾具有一定的魯棒性，但是其特征提取仍比較復雜，計算量較大。

本文在分析上述特征的基礎上，針對Haar特征維度高、冗余度大，而LBP特征又無法刻畫人眼的視覺敏感度，提出了一種基于顯著性的局部二值化Haar特征（Saliency Local Binary Haar，SLBH）提取算法。該特征維度低，對平移、縮放和噪聲具有一定的魯棒性，并能顯現(xiàn)特征的局部顯著性，從而提高了行人檢測的準確率。本文結構安排如下：SLBH特征將在第2節(jié)詳細介紹，第3節(jié)給出實驗與結果分析，最后是總結。

1 SLBH特征

1.1 顯著性因子

顯著因子是對局部特征顯著性的描述，韋伯定律指出，在發(fā)散的局部特征中，局部顯著性不能由差別閾限的絕對值來進行比較，而應由其相對值進行確定。根據(jù)韋伯定律[12]，可以利用式（1）計算出中心像素點在其鄰域內的顯著性因子。其中[Ic]表示中心像素點的灰度值，p為鄰域個數(shù)，[Ii]為對應鄰域像素點的灰度值。

[S（Ic）=arctani=0p（Ii-Ic）Ic] （1）

其中，[S（Ic）∈-π2，π2]。 為了方便后續(xù)計算，本文再通過增加一個值為[π2]的偏置項將[S（Ic）]值域轉換至轉換[0，π]。[S（Ic）]是對局部特征顯著性的描述，其值越大表明顯著性越強。

1.2 加權LBP特征

局部二元模式（LBP）是一種描述圖像局部紋理的算子，因其具有計算簡單，對光照變化不敏感等優(yōu)點而被廣泛應用于計算機視覺領域。LBP特征計算如式（2）所示，其中[gc]為中心像素點的灰度值，[gi]為[gc]的八個鄰域像素點灰度值，[s（?）]為閾值比較函數(shù)，其定義如式（3）所示。

[LBP（gc）=i=07s（gi-gc）?2i] （2）

[s（x，y）=0，if x-y≤T1，otherwise] （3）

在計算出整幅圖像的LBP特征值后，根據(jù)式（4）統(tǒng)計LBP特征直方圖，其中判斷函數(shù)[f（?）]定義如式（5）所示。

[H（k）=x，yf（LBP（x，y），k），k∈[0，K]] （4）

[ f（x，y）=1，if x=y0，otherwise] （5）

LBP特征僅利用了中心像素與其鄰域內像素間的差異，而缺乏對物體顯著性的描述。如圖1所示，雖然兩個矩形區(qū)域具有相同LBP特征值，但是其顯著性因子相差卻很大。根據(jù)韋伯定律，顯著因子越大，其顯著性越強，其所描述的信息也就越重要，而LBP特征并不能描述這些顯著性信息。Cao Y等人[11]利用中心像素與鄰域像素差的絕對值之和作為權值，來增加像素間差異在LBP特征直方圖中的影響，如式（6）所示，其中K為最大的LBP特征值，判斷函數(shù)與式（5）相同，權值函數(shù)如式（7）所示。

[H（k）=x，yw（x，y）*f（LBP（x，y），k），k∈[0，K]] （6）

[w（gc）=i=07|gi-gc|] （7）

Cao Y等提出的加權LBP直方圖雖然考慮到了像素鄰域間差異的影響，但是它也沒能很好描述特征的局部顯著性。此外，由于在加權直方圖統(tǒng)計過程中不斷累積權重，使得各維度之間相差較大。受韋伯定理的啟發(fā)，本文使用更接近人類視覺差異的顯著性因子作為權重來統(tǒng)計加權LBP直方圖。直方圖統(tǒng)計函數(shù)如下：

[H（k）=x，yS（x，y）*f（LBP（x，y），k），k∈[0，K]] （8）

1.3 SLBH特征

Viola等人[3]最先提出并將Haar特征應用于行人檢測中。但隨著研究的深入，學者們發(fā)現(xiàn)原始的Haar特征對于檢測靜止的、對稱的物體比較有效，而對于行人這類非剛性物體，則需要在其它方向上增加能夠描述行人運動特點的特征。Lienhart R等人在Viola提出的標準Haar特征的基礎上進行了擴展，本文使用了圖2所示的這8種擴展的Haar特征。

將上述8種Haar特征構成了一個3*3的矩形區(qū)域，為了方便描述，我們稱Haar特征的黑色或者白色矩形區(qū)域為一個cell，而3*3的矩形區(qū)域稱為一個block。如果對3*3區(qū)域從上到下，順時針編號，分別表示為[c0]，[c1]， [c2]， [c3]， [c4]， [c5]， [c6]，[c7]， 中心黑色區(qū)域表示為[cc]，如圖3所示。然后按照式（1）進行計算，得到的結果為局部二值化Haar特征（Local Binary Haar，LBH）。

其中，[I（k，l）]表示圖像[I]在點[（k，l）]處像素值，w表示cell的寬度，h表示cell的高度。考慮到LBP模式缺乏對顯著性描述的缺陷，因此本文利用式（8）來統(tǒng)計局部二值化Haar特征直方圖，即SLBH特征。該特征計算步驟如下：

Step 1：將輸入圖像轉換到灰度空間。

Step 2：利用積分圖技術求取每個cell的像素灰度值之和。

Step 3：將8個cell按照圖3所示結構組成一個block。

Step 4：根據(jù)式（9）計算每個block內的LBH值，根據(jù)式（1）計算每個block的顯著性因子。

Step 5：按照式（8）統(tǒng)計直方圖，即為該圖像的SLBH特征。

與傳統(tǒng)Haar特征相比，SLBH特征增加了顯著性因子計算，其計算復雜度雖高于傳統(tǒng)Haar特征，但該特征在刻畫行人紋理信息時需要的特征數(shù)量較少，故此特征實時性較好。由于引入加權局部二元模式的思想使SLBH特征擁有傳統(tǒng)的Haar特征無法比擬的光照不變性，可以有效的提高系統(tǒng)的魯棒性，這在下面的試驗中可以看到SLBH特征優(yōu)越的檢測效果。

2 實驗與結果分析

為了驗證本文算法的有效性與優(yōu)越性，設計了兩組實驗進行特征性能評估和檢測性能對比。所有的實驗樣本均采集于INRIA行人樣本庫，其中訓練集中正樣本2416幅行人圖像，負樣本為3070幅，測試集中正樣本1126幅，負樣本3070幅。圖4為本文算法的實現(xiàn)流程圖。為了能夠直觀的顯示出各種特征的檢測性能，本文使用檢測率（detection rate， DR）、虛警率（False Positive Rate， FPR）和識別率（recognize rate， RR）以及平均每幅圖像特征提取時間（Average Extraction Cost， AEC）4種評價指標，其計算公式如式（11）、式（12）和式（13）所示。其中TP表示行人檢測為行人（true positive），F(xiàn)P表示是非行人檢測為行人（false positive），F(xiàn)N表示行人檢測為非行人（false negative）。

2.1特征性能評估

為了測試本文對Haar特征改進的性能，實驗選用了Haar、LBH和SLBH特征做對比實驗，并且選擇SVM作為分類器。實驗統(tǒng)計結果如表1所示，從表1中可以發(fā)現(xiàn)本文提出的SLBH特征雖然特征提取時間略高于其它兩種特征，但是在其它3種評價指標上都優(yōu)于Haar和LBH特征。

2.2 檢測性能對比

本文在相同的實驗條件下選擇PHOG特征[6]、加權LBP特征[11]、WLD特征[12]、HOG-LBP特征[13]和本文算法進行對比實驗。其實驗結果如表2所示，可以看出，本文提出的SLBH特征的各項評價指標均高于其它方法的實驗效果。圖5是在Detect Human行人樣本測試集上測試的部分實驗結果圖。

3 總結

本文針對Haar特征維度高、冗余大以及對光照敏感等不足提出了一種顯著性的局部二值化Haar特征，該特征結合了視覺顯著性和加權LBP的思想，能減少Haar特征的維數(shù)，并增強了紋理描述能力。通過在INRIA行人樣本庫中實驗，結果表明本文所提方法的檢測率與誤檢率都優(yōu)于其它方法。

參考文獻：

[1] Dollar P， Wojek C， Schiele B， et al. Pedestrian detection： An evaluation of the state of the art[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2012， 34（4）： 743-761.

[2] Viola P.， Jones M. Robust real-time face detection [J]. International Journal of Computer Vision， 2004， 52（2）：137-154.

[3] Viola P， Jones MJ， Snow D. Detecting pedestrians using patterns of motion and appearance [J]. International Journal of Computer Vision， 2005， 63（2）：153-161.

[4]Abramson Y.， Rabinovich A..Decidability of split equivalence [J].Information and Computation，2002，173（1）：15-39.

[5]Pang Yanwei， Yuan Yuan， Li Xuelong， Pan Jing.Efficient HOG human detection [J].Signal Processing，2011.91（4）：773-781.

[6]Lazebnik S，Schmid C，Ponce J.Beyond Bags of Features：Spatial Pyramid Matching for Recognizing Natural Scene Categories [C]//Prac of the IEEE Computer Seciety Conference on Computer Vision and Pattern Recognition， 2006：2169-2178.

[7]Lowe D M.. Distinctive image features from scale-invariant keypoints [J]. International Journal of Computer Vision， 2004， 60（2）：91-110.

[8]Wu Bo， Nevatia Ram.Detection and tracking of multiple， partially occluded humans by Bayesian combination of edgelet based part detectors [J].International Journal of Computer Vision，2007，75（2）：247-266

[9]Hu Bin， Wang Shengjin， Ding Xiaoqing.Multi features combination for pedestrian detection [J].Journal of Multimedia，2010，5（1）：79-84

[10]Thanh Nguyen D， Ogunbona P O， Li W. A novel shape-based non-redundant local binary pattern descriptor for object detection[J]. Pattern Recognition， 2013，46（5）：1485-1500.

[11]Cao Y， Pranata S， Nishimura H. Local Binary Pattern features for pedestrian detection at night/dark environment[C]//18th IEEE International Conference on. IEEE， 2011： 2053-2056.

[12] Chen J， Shan S， He C， et al. WLD： A robust local image descriptor[J]. Pattern Analysis and Machine Intelligence， IEEE Transactions on， 2010，32（9）：1705-1720.

[13]Gan G， Cheng J. Pedestrian detection based on hog-lbp feature[C]//Computational Intelligence and Security （CIS）， 2011 Seventh International Conference on. IEEE， 2011： 1184-1187.