范國(guó)娟1，范國(guó)卿2，柳絮青3

　?。?.山東傳媒職業(yè)學(xué)院，山東 濟(jì)南 250200；2.絲路衛(wèi)星通信有限公司，江蘇 南京 210012；3.江南大學(xué)，江蘇 無(wú)錫 214122）

       摘要：針對(duì)實(shí)際監(jiān)控中人體目標(biāo)輪廓的多尺度特性，提出一種用于人體目標(biāo)檢測(cè)的多尺度方向特征描述子(HOGG)。首先采用Gabor濾波器提取人體圖像對(duì)應(yīng)不同尺度、不同方向的多個(gè)Gabor幅值域圖譜，然后將相同尺度不同方向的幅值域圖譜融合以降低特征維數(shù)，并對(duì)每幅融合圖像提取梯度方向直方圖(HOG)特征，最后將這些HOG特征聯(lián)合起來(lái)作為人體圖像表征。利用支持向量機(jī)(SVM)對(duì)描述特征進(jìn)行分類(lèi)，在CAVIAR數(shù)據(jù)庫(kù)中進(jìn)行了實(shí)驗(yàn)，結(jié)果表明，該算法對(duì)人體目標(biāo)檢測(cè)具有較好的性能。

　　關(guān)鍵詞：人體檢測(cè)；Gabor變換；分塊直方圖；多尺度

0引言

　　人體檢測(cè)被廣泛地用于計(jì)算機(jī)視覺(jué)領(lǐng)域，如公共安全、智能機(jī)器人、視覺(jué)監(jiān)控、行為分析等［1］。目前人體檢測(cè)多采用基于統(tǒng)計(jì)分類(lèi)的方法，常用Gabor小波變換和Haar小波變換提取人體特征。DALAL N［2］等人提出梯度直方圖(Histograms of Oriented Gradient，HOG)，利用圖像塊內(nèi)的方向統(tǒng)計(jì)進(jìn)行人體檢測(cè)，對(duì)解決局部形變與視角變化等問(wèn)題，該檢測(cè)算法具有較高的精度。Mu Yadong［3］等人將局部二值模式(Local Binary Patterns，LBP)作為人體特征描述算子，具有旋轉(zhuǎn)不變性和光照不變性，是一種有效的描述特征。Wang Xiaoyu［4］等人提出了HOG與LBP相結(jié)合的算法，達(dá)到兩種特征互補(bǔ)的效果，對(duì)解決人體檢測(cè)中部分遮擋問(wèn)題有顯著的提高。

　　上述輪廓特征一般都是在固定尺度上計(jì)算，沒(méi)有考慮實(shí)際監(jiān)控中復(fù)雜背景下人體目標(biāo)輪廓的多尺度特性，當(dāng)這些算法應(yīng)用到真實(shí)場(chǎng)景中時(shí)，其性能會(huì)急劇下降。本文提出一種Gabor變換與HOG特征相結(jié)合的人體檢測(cè)算法(簡(jiǎn)稱(chēng)HOGG)，利用Gabor變換多方向多尺度的特性，增強(qiáng)了人體的輪廓信息。該方法首先對(duì)圖像進(jìn)行規(guī)一化處理，然后使用Gabor濾波器提取圖像多尺度、多方向的幅值域圖譜，并將同尺度不同方向幅值域圖譜融合以降低特征維數(shù)，最后按順序提取各個(gè)尺度上融合圖譜的HOG特征，串接組成整幅圖像的描述特征。在CAVIAR數(shù)據(jù)庫(kù)下的大量實(shí)驗(yàn)表明，該方法能較好地提取人體描述特征，有較高的檢測(cè)率。

1Gabor特征提取

　　在提取人體Gabor特征之前需要對(duì)圖像進(jìn)行規(guī)一化處理，本文實(shí)驗(yàn)中所用人體圖像為灰度圖像，大小為32×64像素。為了獲取多尺度的Gabor特征，選取5個(gè)尺度和8個(gè)方向的Gabor濾波器組，則一幅人體圖像的多尺度、多方向特征表示為：

　　通過(guò)Gabor變換后，每幅圖像會(huì)轉(zhuǎn)化成40個(gè)不同尺度與方向的圖像，特征維數(shù)為原圖像的40倍，造成特征數(shù)據(jù)冗余，增加了計(jì)算的復(fù)雜度。本文將Gabor特征同一尺度不同方向的特征進(jìn)行融合，有效地降低了Gabor特征間的數(shù)據(jù)冗余，保持了有效的決策信息，并可以對(duì)人體圖像進(jìn)行多尺度分析。

2HOGG描述子

　　本文對(duì)融合圖像進(jìn)一步提取HOG特征，并將其聯(lián)合起來(lái)作為人體圖像的HOGG表征。HOGG的構(gòu)建過(guò)程主要分為以下幾個(gè)步驟:

　　(1)計(jì)算梯度幅值和方向

　　利用一階模板算子(-1,0,1)分別從橫向和縱向?qū)θ诤蠄D像進(jìn)行梯度提取操作，求得融合圖像的梯度圖像。

　　(2)構(gòu)建梯度方向直方圖

　　把梯度圖像分成同等大小的正方形小塊(block)，這些小塊是相互重疊的并且每個(gè)小塊被分為更小的正方形單元(cell，n×n像素)。利用梯度幅值和梯度方向在每個(gè)單元中進(jìn)行直方圖投票，其中梯度方向作為直方圖投票區(qū)間，而梯度幅值作為直方圖投票權(quán)重，這樣對(duì)于每個(gè)小塊(block)都能得到一個(gè)維度為m×m×b的直方圖向量。

　　(3)梯度強(qiáng)度歸一化

　　以block為單位進(jìn)行L2norm標(biāo)準(zhǔn)化，減少局部光照以及前景、背景對(duì)比度的變化對(duì)直方圖特征的影響。設(shè)vn是對(duì)應(yīng)的block向量，則標(biāo)準(zhǔn)化的向量fn為：

　　其中：ξ為接近0的正數(shù)。

　　(4)形成特征向量

　　把一幅融合圖像的所有塊中的HOG特征連接起來(lái)就得到了該融合圖像的HOG特征。再將各尺度融合圖像的HOG順接起來(lái)作為一幅人體圖像的HOGG描述子。

3實(shí)驗(yàn)分析

　　3.1實(shí)驗(yàn)環(huán)境與數(shù)據(jù)庫(kù)

　　在Core(TM)2.00 GHz的CPU，2.00 GB內(nèi)存，Windows下MATLAB R2010a的計(jì)算機(jī)上進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)采用MIT和INRIA數(shù)據(jù)庫(kù)作為訓(xùn)練集，包括1 126個(gè)正樣本與1 218個(gè)負(fù)樣本；采用CAVIAR［5］數(shù)據(jù)庫(kù)作為測(cè)試集。

　　3.2實(shí)驗(yàn)步驟

　　本文采用滑動(dòng)窗口方式獲取檢測(cè)窗口，用HOGG描述子對(duì)檢測(cè)窗口進(jìn)行描述，再利用支持向量機(jī)［6］進(jìn)行判別。由于在檢測(cè)過(guò)程中，對(duì)同一個(gè)人體進(jìn)行多重檢測(cè)會(huì)直接導(dǎo)致計(jì)算效率下降。為此，本文將檢測(cè)窗口從大到小進(jìn)行遍歷。在遍歷過(guò)程中，如果待測(cè)區(qū)域已經(jīng)被標(biāo)記為人體，則跳過(guò)該區(qū)域。

　　3.3實(shí)驗(yàn)結(jié)果與分析

　　Gabor能對(duì)圖像進(jìn)行多尺度、多方向的分解，實(shí)驗(yàn)首先研究不同尺度數(shù)對(duì)檢測(cè)算法的影響。從CAVIAR四個(gè)序列中各隨機(jī)選取200張圖片作為測(cè)試集。實(shí)驗(yàn)結(jié)果如表1所示。

　　實(shí)驗(yàn)中采用綜合評(píng)價(jià)指標(biāo)(F1measure，F(xiàn))［7］評(píng)估算法的性能，其中：precision為準(zhǔn)確率，recall為查全率；tp表示被正確檢測(cè)人數(shù)，fp表示錯(cuò)誤檢測(cè)的人數(shù)，fn表示漏檢的人數(shù)。

　　由于不同尺度子帶間冗余信息較大，簡(jiǎn)單地增加尺度數(shù)不一定能提高性能，由表1可以看出，取尺度數(shù)為4效果最佳。

　　為了進(jìn)一步驗(yàn)證本文提出的算法，選取Gabor尺度為4，在CAVIAR行人數(shù)據(jù)庫(kù)上提取HOGG特征，參照文獻(xiàn)［4］與HOG、LBP+HOG算法做了對(duì)比實(shí)驗(yàn)，如表2所示。

　　從圖1可以看出，本文算法的Fmeasure優(yōu)于當(dāng)前其他方法，具有較好的性能，證明了HOGG方法的有效性。

4結(jié)論

　　本文提出了一種基于Gabor變換和HOG的人體目標(biāo)檢測(cè)的新特征表達(dá)，可以多層次、多分辨率地表征人體目標(biāo)。在CAVIAR數(shù)據(jù)庫(kù)中的實(shí)驗(yàn)數(shù)據(jù)表明，Gabor多尺度的變換能夠增強(qiáng)HOG算子對(duì)人體紋理細(xì)節(jié)特征和全局特征的表示能力，有效地提高了人體檢測(cè)的性能。

　　參考文獻(xiàn)

　?。?］ HARITAOGLU I，HARWOOD D，DAVIS L S. W4:realtime surveillance of people and their activities ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，(S01628828)，2000，22(8) : 809-830.

　?。?］ DALAL N， TRIGGS B. Histograms of oriented gradients for human detection ［C］. In: IEEE Computer Society Conference on Computer Vision and Pattern Recognition，CVPR IEEE 2005:886-893.

　　［3］ Mu Yadong，Yan Shuicheng， Liu Yi，et al. Discriminative local binary patterns for human detection in personal album ［C］. Computer Vision and Pattern Recognition，Anchorage，AK，2008:1-8.

　?。?］ Wang Xiaoyu，HAN T X，Yan Shuicheng. An HOGLBP human detector with partial occlusion handling ［C］. Computer Vision, Kyoto，2009:32-39.

　?。?］ CAVIAR. Benchmark Data ［EB/OL］.［2016-07-01］. http://homepages.inf.ed.ac.uk/rbf/CAVIAR/.

　?。?］ KIM S K，PARK Y J，TOH K A, et al. SVM based feature extraction for face recognition ［J］. Pattern Recognition，2010，43(8): 2871-2881.

　　［7］ bluepoint2009. 準(zhǔn)確率（Precision）、召回率（Recall）以及綜合評(píng)價(jià)指標(biāo)（F1 Measure）［EB/OL］.（2012-09-18）［2015-06-21］.http://www.cnblogs.com/bluepoint2009/archive/2012/09/18/precisionrecallf_measures.html.