“LOG颜色空间不变性用于行人识别”研发文档3.docVIP

LOG颜色空间不变性用于行人识别 郭涛 今日任务： 测试对于黑白灰目标，采用减小取形状上下文时的角度划分量来进行搜索的效果。 对于上述方法产生的大量误检，大多为背景区域，其纹理与原始目标（行人）会有差异，因此采用梯度方向直方图（HOG）的方法来提取目标和检测结果的纹理特征，通过对比HOG纹理特征来区分行人和背景，从而滤除大部分目标。 实验一： 对于如下目标： 之前在取形状上下文特征时，角度量化为16份，检测效果如下： 出现误检或者检测效果不好，这是由于光照的变化使随机点在LOG颜色空间中区域发生了旋转，因此减小角度量化为8份之后，可以检测到目标，但是误检很多，如下图所示： HOG特征： 从上面的实验结果可以发现，误检大多数集中在背景区域，其纹理与原始目标（行人）会有差异，可以采用梯度方向直方图（HOG）的方法来提取目标和检测结果的纹理特征。 HOG特征优点是它是在图像的局部细胞单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，这两种形变只会出现在更大的空间领域上。其次，它在粗的空域抽样、精细的方向抽样以及较强的局部光学归一化，可以保证只要行人大体上能够保持直立的姿势，就容许行人有一些细微的肢体动作，这些细微的动作可以被忽略而不影响检测效果。 使用HOG特征滤除误检，我的做法是首先提取原始目标和误检区域的HOG特征，然后使用HOG特征间的欧氏距离来区分，这里没有使用一般常用的SVM方法，实验发现，检测效果也很明显，如下图所示： A、 原始搜索结果： HOG特征滤除误检： B、 原始搜索结果： HOG特征滤除误检： C、 原始搜索结果： HOG特征滤除误检： D、 原始搜索结果： HOG特征滤除误检： E、 原始搜索结果： HOG特征滤除误检： F、 原始搜索结果： HOG特征滤除误检： G、 原始搜索结果： HOG特征滤除误检： 上面实验可以发现，HOG特征确实可以有效的滤除误检，但A、B中仍会有部分误检，影响搜索结果，需要对HOG特征进行优化，得到更好的滤除误检效果。 HOG特征的一些问题： 对于行人比较密集的图像，使用HOG特征会检测出许多与原始目标形状相似的行人，如果这些行人的颜色特征与原始目标很相似，理论上还是会有许多误检。 添加HOG特征仍不能区分形状相似的黑白灰行人。 郭涛 今日任务： 优化提取的HOG特征，增加block数目；优化提取形状上下文时的角度量化值，对于上下颜色相似的目标，角度量化为10份； 尝试使用Matlab并行计算工具箱提升图像搜索效率； 算法优化： 之前将一幅目标图像划分为3*3个block，现在划分为6*3个，排除一些背景纹理与行人相似的目标； 对于上下颜色相似的目标，之前角度量化为8份，现在增加到10份，减少部分误检。 下面为优化后的算法图像搜索结果，相比之前的算法，搜索效果有所提升，但提升不大： 目标为： HOG特征筛选前： HOG特征筛选后： HOG特征筛选前： HOG特征筛选后： Matlab 并行工具箱： 搜索时使用parfor语句代替for语句，将搜索过程分到2个进程中执行，可以充分利用CPU资源，之前程序运行时CPU占用率为52%左右，使用并行工具箱后，CPU占用率达到100%，理论上来说可以提升效率约2倍，实际执行耗时与之前耗时相比相差不大。 Parfor语句要求每一次循环都是相互独立的，需要特殊的变量定义方式，在将普通for语句转化为parfor语句时，增加和修改了许多变量，这可能是造成效率不高的一个原因，需要改善。 郭涛 今日任务： 提升LOG颜色空间不变性行人识别算法执行效率，使用测试机（4核）执行，新算法耗时仅为原算法的1/5； 使用更多样本测试新算法的图像搜索效果。 效率提升： 所做的优化： 优化for循环，Matlab中将二重循环转化为单重循环； 使用Matlab并行计算工具箱，用parfor代替for，在测试机（4核心）上执行； 下表为搜索一张图片，用四种方法的耗时对比，可见，“for循环优化+并行”执行效率最高，耗时仅为原算法的1/5。 　 第一次 第二次 第三次 平均 与原始算法对比 原始算法 49.21259 37.42866 32.5097 39.71698 100% for循环优化 27.6833 17.60857 23.99575 23.09587 58.15% 原始算法+并行 8.4708 10.77365 12.21079 10.48508 26.40% for循环优化+并行 8.373357 6.494756 7.415887 7.428 18.70% 实验结果： 分别对以下目标进行搜索： A1、近 A2、遮挡 A3、远 B1、近 B2、较大形