旋轉(zhuǎn)角可變的人體檢測算法

1、旋轉(zhuǎn)角可變的人體檢測算法摘要：常用的人體檢測算法多應(yīng)用于無旋轉(zhuǎn)角的情況，而在旋轉(zhuǎn)角可變的情況下檢測性能有限，為此提出了一種適用于有旋轉(zhuǎn)角的人體檢測算法。首先，通過徑向梯度轉(zhuǎn)換RGT獲得具有旋轉(zhuǎn)不變性的梯度；其次，使用類似于梯度方向直方圖HOG特征中互相重疊塊的組合方式，獲取多個帶有旋轉(zhuǎn)角信息的特征描繪子，按旋轉(zhuǎn)角大小將它們一維線性連接成具有旋轉(zhuǎn)不變性的特征描繪子組；最后，利用基于支持向量機(jī)SVM的二級級聯(lián)分類器實(shí)現(xiàn)了帶旋轉(zhuǎn)角的人體檢測?；贗NRIA行人數(shù)據(jù)庫的144個不同旋轉(zhuǎn)角的人體測試集檢測率都不低于86%，144個不同旋轉(zhuǎn)角的非人體樣本誤檢率均低于10%。實(shí)驗(yàn)證明了該算法可用于在任意旋轉(zhuǎn)

2、角圖像上進(jìn)展人體檢測。關(guān)鍵詞：旋轉(zhuǎn)不變；梯度方向直方圖；徑向梯度變換；級聯(lián)分類器；支持向量機(jī)；人體檢測中圖分類號： TP391.41 文獻(xiàn)標(biāo)志碼：A英文摘要Abstract：Prevalent human detection methods are usually applied in cases without rotation angle， and their detection rates are poor when rotation angle varies. In order to solve the issue， an algorithm which could identify

3、human with variable rotation angle was proposed. Firstly， Radial Gradient Transform RGT method was adopted to obtain the rotationinvariance gradient. Then， adopting the method similar to the way that blocks were overlapped in the Histogram of Oriented GradientHOG feature， a plurality of descriptors

4、with rotation angle information were obtained and connected linearly into a descriptor group with rotation invariance feature， according to the descriptors rotation angle. Finally， the human detection algorithm was conducted with the support of a twolevel cascaded classifier based on Support Vector

5、Machine SVM. The recognition rate of the proposed algorithm achieves more than 86% for a human test set with 144 different rotation angles based on the INRIA pedestrian database. In the meantime， the false detection rate is less than 10% for a nonhuman test set with 144 different rotation angles. Th

6、e experiments indicate that the proposed algorithm can be used for human detection in an image with arbitrary rotation angle.英文關(guān)鍵詞Key words：rotationinvariance； Histogram of Oriented Gradient HOG； Radial Gradient Transform RGT； cascaded classifier； Support Vector Machine SVM； human detection0 引言Takac

7、s等13提出一種低維度并具有旋轉(zhuǎn)不變性的快速旋轉(zhuǎn)不變特征RotationInvariant Fast Feature，RIFF，該特征使用徑向梯度轉(zhuǎn)換Radial Gradient Transform，RGT算法和壓縮梯度方向直方圖Compressed Histogram of Gradients，CHoG特征14。RIFF特征的檢測窗是一個直徑為40個像素的圓形，將檢測窗等分成4個同心圓環(huán)，對每個圓環(huán)提取CHoG特征。雖然RIFF特征擁有高速、旋轉(zhuǎn)不變性等優(yōu)點(diǎn)，但由于其特征維度少，許多人體的特征細(xì)節(jié)難以得到很好的表達(dá)，不適用于人體的檢測。為了抑制拍攝視角給人體檢測的應(yīng)用帶來的局限性，本文使用

8、具有旋轉(zhuǎn)不變性的梯度方向直方圖，結(jié)合Dalal提出的HOG特征中可互相重疊塊的方法，提出徑向梯度轉(zhuǎn)換梯度方向直方圖Radial Gradient TransformHistogram of Oriented Gradient，RGTHOG特征描繪子組，該特征描繪子組具有多角度旋轉(zhuǎn)不變性。互相重疊塊的方法對旋轉(zhuǎn)角有較好的魯棒性，在旋轉(zhuǎn)角度小于兩個相鄰的旋轉(zhuǎn)不變角差值的情況下仍然能較好地刻畫出人體的特征。配合以線性核支持向量機(jī)Support Vector Machine，SVM為根底設(shè)計(jì)的二級級聯(lián)分類器，實(shí)現(xiàn)了適用于旋轉(zhuǎn)角可變場景的RGTHOG人體檢測算法，RGTHOG檢測算法流程如圖1所示。由于

9、行人具有一般人體檢測中服飾變化、姿態(tài)變化等特點(diǎn)，因此本文將行人作為人體檢測對象，利用INRIA行人數(shù)據(jù)庫驗(yàn)證本文提出的人體檢測算法。1 RGTHOG特征描繪子組1.1 概述1得到圓形待檢測圖像；2使用Gamma校正對圖像歸一化，減弱環(huán)境光照對人體目的識別的影響；3計(jì)算圖像梯度；4使用RGT算法對圖像梯度進(jìn)展變換，得到具有旋轉(zhuǎn)不變性的RGT梯度；5將圖像分成假設(shè)干個單元格Cell，每個單元格中所有像素的RGT梯度向直方圖通道Bin做加權(quán)投影；6將相鄰的單元格組合成塊Block，一維線性鏈接塊內(nèi)單元格的加權(quán)投影結(jié)果，并對加權(quán)投影結(jié)果進(jìn)展歸一化，歸一化結(jié)果作為Block的特征向量；7位置旋轉(zhuǎn)角一樣的

10、Block組合成扇區(qū)Sector，每個扇區(qū)中所有Block的特征向量一維線性鏈接得到Sector的特征向量；8選擇任一個位置旋轉(zhuǎn)角的扇區(qū)作為起點(diǎn)，按位置旋轉(zhuǎn)角大小以升序的方式依次鏈接所有扇區(qū)，得到帶有位置旋轉(zhuǎn)角信息的RGTHOG特征描繪子；9將所有帶有不同位置旋轉(zhuǎn)角信息的RGTHOG特征描繪子無序組合，得到RGTHOG特征描繪子組。1.3 單元格Dalal等6在提出HOG時通過實(shí)驗(yàn)證明使用線性核SVM和高斯核SVM可有效地對人體與非人體進(jìn)展分類，在檢測效果上高斯核SVM要比線性核SVM好，但也帶來了大量的運(yùn)算時間?？紤]到高斯核SVM運(yùn)算量太大，本文將采用兩個線性核SVM級聯(lián)的方式對人體目的進(jìn)展

11、分類，其中第一級分類器用于粗略判斷檢測窗中是否有人體，并確定人體在圖片中的旋轉(zhuǎn)角度；第二級分類器用于準(zhǔn)確判斷第一級分類器的結(jié)果。2.1 第一級分類器其中I1對應(yīng)的人體旋轉(zhuǎn)角1為檢測窗中的人體旋轉(zhuǎn)角。這個4類分類器可看作為3個兩類分類器的疊加，這種疊加會使得負(fù)類的誤檢率增加，因此需要一個兩類分類器作準(zhǔn)確判斷。2.2 第二級分類器基于兩類的線性核SVM作為第二級分類器，通過 =0正訓(xùn)練樣本和無人體負(fù)訓(xùn)練樣本進(jìn)展訓(xùn)練，得到一個高精度的兩類分類器。通過第一級分類器判斷出檢測窗中存在人體并獲得人體旋轉(zhuǎn)角1，不通順，未完？與下一句矛盾“特征描繪子D1后多了“，把“，刪除即可將1所對應(yīng)的特征描繪子D1通過式

12、8計(jì)算得到人體旋轉(zhuǎn)角為0的特征描繪子D，將D 送入第二級分類器中作準(zhǔn)確分類，得到檢測窗中人體檢測的最終結(jié)果。3 仿真實(shí)驗(yàn)本文的實(shí)驗(yàn)平臺：Intel Core i7 2.4GHz，8GB內(nèi)存，Matlab R2021a。3.1 實(shí)驗(yàn)參數(shù)由1.3節(jié)可知，同心圓環(huán)數(shù)N越大，每個圓環(huán)M等分的Cell越多，具有旋轉(zhuǎn)不變性的角度越多，但每個Cell中人體細(xì)節(jié)越少，影響人體的檢測率；而M、N過少，每個Cell包含的人體特征過多，細(xì)節(jié)將難以表達(dá)。級聯(lián)分類器使用Lin等16開發(fā)的LIBSVM軟件包中的SVM算法，兩個級聯(lián)分類器均采用線性核函數(shù)。3.2 實(shí)驗(yàn)結(jié)果在實(shí)驗(yàn)過程中，將正測試集和負(fù)測試集在0，360的區(qū)間

13、內(nèi)以2.5的步長旋轉(zhuǎn)，共得到144個不同人體旋轉(zhuǎn)角的測試集和144個不同旋轉(zhuǎn)視角的非人體測試集。第一級分類器和第二級分類器在正負(fù)測試集上的檢測率和誤檢率分別如圖6、圖7所示。圖8將第一級分類器與分類結(jié)果進(jìn)展了比照，分類結(jié)果與第一級分類器的曲線相似。參加了第二級分類器雖然降低了平均2%的人體檢測率，但卻有效降低平均8%的非人體誤檢率。 本文對提出的檢測算法中特征提取和分類所消耗的時間如表1所示，其中分類時間是特征提取時間的5到6倍。由于第一類分類器在進(jìn)展人體和角度判斷時，使用了線性核SVM進(jìn)展了M次預(yù)測，加上第二級分類器的準(zhǔn)確判斷，本算法共使用了M+1次線性核SVM進(jìn)展預(yù)測，因此大幅度地增加了分

14、類時間。3.3 與HOG檢測算法的比較HOG是目前行人檢測中使用最廣泛的算法，而本文的測試樣本使用的是INRIA行人數(shù)據(jù)庫，因此將HOG檢測算法與本文提出的RGTHOG檢測算法進(jìn)展比較。由圖9a的比較結(jié)果得，HOG檢測算法在旋轉(zhuǎn)角為-10，10區(qū)間內(nèi)擁有高檢測率，但隨著旋轉(zhuǎn)角的增大，檢測率那么不斷下降，而RGTHOG檢測算法那么在測試旋轉(zhuǎn)角范圍內(nèi)保持這良好的識別率。圖9b中HOG檢測算法誤檢率在-45，45范圍低于本文提出的檢測算法。4 結(jié)語RGTHOG檢測算法的可行性。使用線性核SVM作為級聯(lián)分類器的處理時間較長，對實(shí)時應(yīng)用帶來一定影響，如何進(jìn)步級聯(lián)分類器的處理速度仍有待研究。參考文獻(xiàn)：2D

15、OLLAR P， WOJEK C， SCHIELE B， et al. Pedestrian detection： an evaluation of the state of the art J. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 344： 743-761.5ANDRILUKA M， SCHNITZSPAN P， MEYER J， et al. Vision based victim detection from unmanned aerial vehicles C/ Proceeding

16、s of the 2000 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2021： 1740-1747.6DALAL N， TRIGGS B. Histograms of oriented gradients for human detection C / CVPR 2005： Proceedings of the 2005 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2005， 1： 886-893.7MU Y， YAN S， LIU