李玲 李艷樂(lè)

DOI：10.19392/j.cnki.16717341.201720002

摘要：針對(duì)行人檢測(cè)系統(tǒng)自身實(shí)時(shí)性和魯棒性的需要，提出一種多種特征融合的行人特征提取算法。該算法對(duì)Haarlike特征易受光照影響魯棒性差的不足進(jìn)行改進(jìn)，并結(jié)合Edgelet特征能夠有效處理行人遮擋的優(yōu)勢(shì)，通過(guò)特征融合提高系統(tǒng)的檢測(cè)精度和效率。

關(guān)鍵詞：行人檢測(cè)；Haarlike特征；Edgelet特征

智能交通系統(tǒng)是一個(gè)全面綜合的交通運(yùn)輸管理系統(tǒng)，目的是為了減少交通事故、提高交通效率等?；谝曈X(jué)的行人檢測(cè)技術(shù)是智能交通系統(tǒng)發(fā)展應(yīng)用的核心技術(shù)之一，是開(kāi)展行人行為理解、交通參數(shù)提取等后續(xù)工作的基礎(chǔ)和前提。由于行人自身的非剛體性和交通環(huán)境的復(fù)雜性，使得建立一個(gè)成熟的、實(shí)用化的行人檢測(cè)系統(tǒng)非常困難，主要面臨的問(wèn)題是：（1）檢測(cè)場(chǎng)景自身復(fù)雜性的問(wèn)題；（2）行人的姿勢(shì)不確定問(wèn)題；（3）行人檢測(cè)實(shí)時(shí)性的問(wèn)題。因此，建立一套適用的行人檢測(cè)系統(tǒng)還有很多的提升空間，其中對(duì)行人檢測(cè)算法進(jìn)行改進(jìn)是解決問(wèn)題最有效的方法。

1 行人檢測(cè)原理及方法

基于視覺(jué)的行人檢測(cè)技術(shù)一般是通過(guò)攝像頭對(duì)監(jiān)控區(qū)域進(jìn)行拍攝，再通過(guò)圖像處理、模式識(shí)別等技術(shù)把行人從視頻中提取出來(lái)。行人檢測(cè)方法主要有：（1）基于背景差分的檢測(cè)方法。（2）基于幀間差分的檢測(cè)方法。（3）基于模板匹配的檢測(cè)方法。（4）基于光流的檢測(cè)方法。（5）基于機(jī)器學(xué)習(xí)的檢測(cè)方法。行人檢測(cè)特征提取算法都具有各自的優(yōu)點(diǎn)，同時(shí)也存在各自的不足，單獨(dú)使用往往不能滿足場(chǎng)景自身的復(fù)雜性和時(shí)不變性的要求，為此，本文通過(guò)使用兩種特征提取算法，在保留并改進(jìn)原算法優(yōu)點(diǎn)的基礎(chǔ)上，通過(guò)相互融合，彌補(bǔ)兩種算法的不足，使該算法能更好地實(shí)現(xiàn)行人檢測(cè)。

2 多種特征融合算法

本文主要對(duì)Haarlike特征和Edgelet特征進(jìn)行特征融合，如下圖所示。首先使用Haarlike特征進(jìn)行行人檢測(cè)，在保留Haarlike特征實(shí)時(shí)性好的優(yōu)點(diǎn)下，通過(guò)引入局部二元模式減弱易受光照影響的弱點(diǎn)，使其能夠適應(yīng)復(fù)雜場(chǎng)景的變化，得到較高的行人檢測(cè)率，但同時(shí)產(chǎn)生了較高的虛警率。為了進(jìn)一步降低系統(tǒng)檢測(cè)的虛警率，對(duì)使用Haarlike特征進(jìn)行行人檢測(cè)后的候選人進(jìn)行Edgelet特征檢測(cè)，充分發(fā)揮了Edgelet特征檢測(cè)的優(yōu)勢(shì)。通過(guò) Edgelet特征對(duì)已檢測(cè)的候選行人進(jìn)行再判別，不僅降低了Edgelet特征計(jì)算量龐大的缺點(diǎn)，而且消除虛警率并實(shí)現(xiàn)較高精度的快速行人檢測(cè)。

多種特征融合算法行人檢測(cè)系統(tǒng)圖

（1）基于 Haarlike 特征的行人檢測(cè)。

Haarlike 特征是行人檢測(cè)領(lǐng)域中的一種常用標(biāo)量特征，其優(yōu)點(diǎn)是算法簡(jiǎn)單并容易實(shí)現(xiàn)，實(shí)時(shí)性較好，適用于行人較為稀少，遮擋情況不嚴(yán)重的行人檢測(cè)環(huán)境。主要計(jì)算公式如下：

F（r）=α∑（x，y）∈SBi（x，y）-β∑（x，y）∈SWi（x，y）

其中SB表示深色區(qū)域，SW表示淺色區(qū)域，i（x，y）表示像素點(diǎn)（x，y）的值，α，β分別表示黑色區(qū)域和白色區(qū)域的數(shù)量。

針對(duì)Haarlike 特征容易受到光照變化、環(huán)境遮擋等因素的影響，為了加強(qiáng)其光照不變性，將Haarlike 特征進(jìn)行二值化，對(duì)其加以改進(jìn)，計(jì)算方式如下：

bj（x）=1（s1）j-（s2）j>00otherwise

（s1）j和（s2）j分別是黑色區(qū)域和白色區(qū)域內(nèi)像素點(diǎn)的亮度值之和。通過(guò)對(duì)傳統(tǒng)Haarlike 特征進(jìn)行二值化改進(jìn)，使得Haarlike 特征只含有標(biāo)志信息，減少光照的影響，不會(huì)因?yàn)橥獠抗庹盏淖兓鹛卣髦档母淖儭?/p>

（2）Edgelet 特征。

Edgelet 特征主要對(duì)人體的各個(gè)部分（頭、身體、胳膊和腿）進(jìn)行識(shí)別，并結(jié)合聯(lián)合概率進(jìn)行判斷檢測(cè)的物體是否為行人。該算法的優(yōu)點(diǎn)是能夠在行人相互遮擋的情況下取得良好的檢測(cè)效果，但是缺點(diǎn)也很突出，需要和圖像中大量的相似形狀邊緣進(jìn)行匹配，計(jì)算量相當(dāng)大。如果能夠提前縮小檢測(cè)范圍，減少計(jì)算量，該方法的可行性和實(shí)用性將得到大大提高。該特征由一組邊緣點(diǎn)組成特征算子，再將其與圖像相似形狀邊緣特征進(jìn)行匹配得到響應(yīng)值，響應(yīng)值越大，表示形狀相似度越高，反之則越低。響應(yīng)值計(jì)算公式為：

S（x，y）=1k∑ki=1Ie（x+ui，y+vi）

式中，k為點(diǎn)的數(shù)量，（ui，vi）為該點(diǎn)的Edgelet中的位置，Ie（x+ui，y+vi）為圖像中對(duì)應(yīng)點(diǎn)（ui，vi）的邊緣強(qiáng)度，Ne（x+ui，y+vi）為圖像中點(diǎn)（x+ui，y+vi）的梯度法向量，ni為該點(diǎn)的法向量的內(nèi)積。

3 實(shí)驗(yàn)分析

為了驗(yàn)證Haarlike特征和Edgelet特征融合算法的有效性和實(shí)用性，進(jìn)行如下實(shí)驗(yàn)。首先從行人樣本庫(kù)里提取樣本，并利用本文提出的特征融合算法及其它方法分別進(jìn)行實(shí)驗(yàn)，比較行人檢測(cè)的最終效果。為了能夠定性定量的對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析，在實(shí)驗(yàn)中選擇檢測(cè)率、虛警率及檢測(cè)時(shí)間等指標(biāo)來(lái)分析檢測(cè)結(jié)果。由下表可知，特征融合算法在檢測(cè)率和檢測(cè)速度上比其他行人檢測(cè)算法有所提高，但是在虛警率上仍然存在不足。

4 總結(jié)

本文提出了一種Haarlike特征和Edgelet特征融合的行人檢測(cè)方法，該方法在檢測(cè)率和檢測(cè)速度方面都得到了提高，但是該方法還存在虛警率過(guò)高的問(wèn)題，針對(duì)文中工作的不足，下一步研究將使用更好的方法來(lái)降低虛警率。

參考文獻(xiàn)：

[1]田仙仙，鮑泓，徐成.一種改進(jìn)HOG特征的行人檢測(cè)算法[J].計(jì)算機(jī)科學(xué)，2014.

[2]陳超，宣士斌，徐俊格.復(fù)雜背景下的行人檢測(cè)與分割[J].計(jì)算機(jī)工程與應(yīng)用，2012.

[3]許言午，曹先彬，喬紅.行人檢測(cè)系統(tǒng)研究新進(jìn)展及關(guān)鍵技術(shù)展望[J].電子學(xué)報(bào)，2008.

課題：本課題受衡水學(xué)院校級(jí)課題“智能交通的行人檢測(cè)系統(tǒng)關(guān)鍵技術(shù)研究”支撐，課題編號(hào)：2016L018

作者簡(jiǎn)介：李玲（1982），女，講師，碩士，主要從事數(shù)字圖像處理的研究；李艷樂(lè)（1984），男，講師，碩士，主要從事智能控制的研究。