一种基于HOG行人检测算法.docVIP

一种基于HOG的行人检测算法 　　摘要：提出一种基于梯度方向直方图与AdaBoost+SVM的行人检测算法。方向梯度直方图用于描述和提取行人的外观及运动特征，并使得外观、运动特征实现相互融合。在分类器的选择上使用SVM作为AdaBoost的弱分类器对行人检测器进行分类训练，最终得到分类效果好的行人检测器，实现更好的检测性能。 　　关键词：行人检测；HOG算法；AdaBoost算法；支持向量机 　　DOIDOI：10.11907/rjdk.171991 　　中图分类号：TP312文献标识码：A文章编号2017）010006804 　　0引言 　　行人检测是指对所需检测的图像采用一定的方法从而确定行人存在与否，若存在，则返回样本并给予精确定位（包括行人的位置、大小、形态等）。近年来，随着科学技术蓬勃发展，电子商务在人们生活中的应用逐渐深入，行人检测在人脸识别、智能交通、身份确认、内容检索等方面具有重要价值。虽然行人检测技术已经相当成熟，并且应用也十分广泛，但该技术依然面临着巨大挑战。这些挑战来自于多个方面：一是图像的复杂程度，比如一张图像里每个行人的行为动作各不相同，有的跳，有的蹲，动作各异，在特征提取时难度和工作量就会增加，动作差异所带来的影响较大；二是图像里行人穿戴的衣服和头饰，穿的衣服是宽松还是紧身、有没有戴帽子等因素都会对特征的提取产生较大影响；三是图像背景的不同对检测结果造成差异，不同背景可能会造成误检，比如，行人和雕像或者人形树（或者外观类似人的一些物体）一起拍摄，则很有可能造成误检。还有一些其它外在因素，比如摄像头拍摄角度、光照强弱等。但随着科学技术的不断发展，行业专家学者对行人检测核心算法也在逐渐完善和改进，并取得了一系列突破，使得行人检测技术的应用领域更加宽广。 　　2005年，Dalal和Triggs[1]提出了一种基于梯度方向直方图（Histograms ofOriented Gradients， HOG）的方法，对特征提取有很好效果。HOG算法主要思想是：先将一张待检测的图像分成64个像素块，每个像素块都被简称为一个单元，每个单元形成9个方向（bin）上的直方图，每4个单元构成一个block，在处理过程中使每个block间存在重叠部分，最终在滑动检测窗口（由几个block构成）会得到空间上的特征向量。这就是特征提取基本原理，如图1、图2所示。 　　本方案采用的方法是：在特征提取部分采用基于自适 　　应的滑动窗口HOG。梯度直方图特征提取基本思想是：即使没有确切的相关梯度或者边缘位置信息，物体局部外观和形状也往往深受局部强度梯度或者边缘方向的影响。在实际应用中，其通过将图片窗口划分成小的空间区域（细胞元）实现，对于每一个胞元，都要对其中像素的一维梯度方向直方图或是边缘方向进行累积统计，合并后的直方图就构成了被检测物的特征。为了使其对光照、阴影等条件更加不敏感，在使用它们之前进行对比度归一化尤为必要。此归一化是指通过对更大的空间区域（块）中某一特征的局部直方图的“能量”进行累积统计，进而对块上的每一个胞元进行归一化实现，将归一化之后的描述子块作为方向梯度直方图（HOG）描述子。在分类器选择上，本文对AdaBoost级联分类器算法[2]加以改进创新，将SVM[3]作为AdaBoost的弱分类器，将SVM和AdaBoost各自优点进行融合，然后选择适宜的核函数参数（该核函数和参数下文会给出），从而提高特征分类的精准度，直接去除一部分非人形区域，进而减少了实验训练时间。实验结果表明，这种行人检测方法性能好，且准确性、误检率和漏检率等均优于传统行人检测方法。 　　1方向梯度直方图 　　HOG算法是基于表面局部信息统计的特征描述子，在特征提取部分采用滑动窗口机制，如图1所示。HOG算法的核心思想是将一幅图中局部目标的形状及表象通过梯度或边缘的方向密度分布描述出来。首先将一幅图片均匀划分为多个互不重叠的单元cell（细胞），每一个cell的大小为n×n，然后分别计算出每一个像素的梯度，并且使用直方图统计每个cell的梯度，最后将多个cell进行合并，组成一个block（块），将每个细胞的直方图组合起来就可以构成特征描述器。该算法原理如图3所示。 　　HOG算法包含5个步骤[4]： 　　（1）图像标准化。前人经过大量的实验得出结论，图像颜色所提供的信息作用不大，可先转化为灰度图，一方面便于处理，减少工作量，再者可以减少光照因素的影响，提高检测器对光照的鲁棒性。将图像进行压缩处理转化为灰度图可以使原本某些局域光线亮度和阴影部分的反差不那么明显，因此处理图片信息的第一步是将图像转化为灰度图，如?D4所示。 　　（2）计算梯度。图像中像素点（x，y）的梯度为： 　　Gx（x，y）