行人檢測(cè)和跟蹤算法理論

1、行人檢測(cè)和跟蹤算法理論行人檢測(cè)和跟蹤算法理論行人檢測(cè)是一個(gè)復(fù)雜的過(guò)程，行人檢測(cè)框架包含多個(gè)組成部分， 本章對(duì)其中的關(guān)鍵技術(shù)進(jìn)行分析，如行人檢測(cè)中的特征提取，對(duì)行人 特征進(jìn)行分類的分類器的選擇以及主要的行人跟蹤方法進(jìn)行介紹。了 解行人檢測(cè)和跟蹤方面的相關(guān)技術(shù)，為本文提出的行人檢測(cè)及跟蹤的 方法提供理論依據(jù)。2.1行人檢測(cè)關(guān)鍵技術(shù)行人檢測(cè)技術(shù)主要包含兩個(gè)部分，行人檢測(cè)時(shí)的特征提取和對(duì)行 人進(jìn)行識(shí)別分類的分類器。選取能夠?qū)π腥藴?zhǔn)確描述的特征算子對(duì)快 速準(zhǔn)確的檢測(cè)到行人至關(guān)重要，是行人檢測(cè)中的關(guān)鍵技術(shù)，也是能夠 高效準(zhǔn)確檢測(cè)到行人的前提。選取合適的分類器對(duì)提取到的特征進(jìn)行 快速判別，準(zhǔn)確的區(qū)分出行人與

2、非行人并將行人識(shí)別出來(lái)又是行人檢 測(cè)技術(shù)的關(guān)鍵部分。2.1.1行人檢測(cè)特征描述行人檢測(cè)特征描述是從圖像中獲取信息并進(jìn)行信息分析的前期 關(guān)鍵步驟。主要體現(xiàn)在特征描述子是否能夠高效的描述被檢測(cè)目標(biāo)。 特征一般是對(duì)圖像的基本特征如顏色、紋理、邊緣等進(jìn)行組合分析， 構(gòu)建出更具表達(dá)能力的高級(jí)特征。1. Haar-like特征Haar-like特征是一種常用的特征描述算子，在計(jì)算機(jī)視覺(jué)領(lǐng)域 有廣泛的應(yīng)用。它是由Papageorigiou等人提出用于人臉檢測(cè)的描述 特征，后又延伸到諸如行人檢測(cè)等許多方面都有不錯(cuò)的檢測(cè)效果。常 用的Haar-like特征主要有線性特征、邊緣特征、點(diǎn)特征、對(duì)角線特 征。如下圖所

3、示：Haar-like特征只是選取了一些簡(jiǎn)單特征對(duì)目標(biāo)特征進(jìn)行描述， 不能夠?qū)δ繕?biāo)的特征全面表達(dá)，因此其識(shí)別程度不高。但haar特征 可以使用積分圖進(jìn)行快速計(jì)算，檢測(cè)速度比較快，因此被廣泛應(yīng)用到檢測(cè)檢測(cè)行人等其他目標(biāo)方面。2. HOG特征方向梯度直方圖(Histogram of Oriented Gradient, HOG)是由 Dalal在2005提出的，特征通過(guò)計(jì)算和統(tǒng)計(jì)圖像局部區(qū)域的梯度方 向直方圖來(lái)構(gòu)成，在計(jì)算機(jī)圖像處理中常作為描述物體的特征算子。 HOG特征描述算子的思想是：設(shè)定訓(xùn)練樣本圖像的大小為64*128 像素，首先將訓(xùn)練樣本分成小的連通區(qū)域，即細(xì)胞單元;cell)，細(xì)胞單 元

4、的大小為8*8像素，這樣在樣本圖像中細(xì)胞單元的個(gè)數(shù)為 8x16 = 128個(gè)。然后分別采集細(xì)胞單元中各像素點(diǎn)的梯度或邊緣的方 向直方圖。最后將這些直方圖進(jìn)行組合構(gòu)成特征描述算子。計(jì)算圖像橫坐標(biāo)和縱坐標(biāo)方向的梯度，并據(jù)此計(jì)算每個(gè)像素位置 的梯度方向值，圖像中像素點(diǎn)(x,y)的梯度為：Gx(x,y)?H(x?1,y)?H(x?1,y)Gy(x,y)?H(x,y?1)?H(x,y?1)G(x,y)?Gx(x,y)?Gy(x,y )2G(x,y)?(x,y)?tan(y)Gx(x,y)?12其中 Gx(x,y)，Gy(x,y)，H(x,y)，G(x,y)和?(x,y)表示對(duì)原圖像(x,y)像素點(diǎn)處的水

5、平方向梯度，垂直方向梯度和該像素點(diǎn)的像素值，該 像素點(diǎn)的梯度幅度值以及該點(diǎn)的梯度方向。對(duì)于劃分后的每個(gè)細(xì)胞單元，細(xì)胞的大小為8x8像素。采用9 個(gè)bin的直方圖來(lái)統(tǒng)計(jì)這8x8個(gè)像素的梯度信息，也就是將細(xì)胞單 元的梯度方向360度分成9個(gè)方向塊。對(duì)細(xì)胞單元內(nèi)每個(gè)像素用梯 度方向在直方圖中進(jìn)行加權(quán)投影(映射到固定的角度范圍)，就得到 了這個(gè)細(xì)胞單元的梯度方向直方圖，就是該細(xì)胞單元對(duì)應(yīng)的9維特 征向量，如圖2.6所示。最后把各個(gè)細(xì)胞單元組合成大的、空間上連通的區(qū)間(blocks)。 這樣，一個(gè)block內(nèi)所有cell的特征向量串聯(lián)起來(lái)便得到該block 的HOG特征。每一個(gè)單元格的特征會(huì)以不同的結(jié)果

6、多次出現(xiàn)在最后 的特征向量中，將歸一化之后的塊描述符就稱之為HOG特征描述算子。與其他的特征描述方法相比，HOG有很多優(yōu)點(diǎn)。首先，由于HOG 是在圖像的局部方格單元上操作，所以它對(duì)圖像幾何的和光學(xué)的形變 都能保持很好的不變性，這兩種形變只會(huì)出現(xiàn)在更大的空間領(lǐng)域上。 其次，在粗的空域抽樣、精細(xì)的方向抽樣以及較強(qiáng)的局部光學(xué)歸一化 等條件下，只要行人大體上能夠保持直立的姿勢(shì)，可以容許行人有一 些細(xì)微的肢體動(dòng)作，這些細(xì)微的動(dòng)作可以被忽略而不影響檢測(cè)效果。 因此HOG特征是特別適合于做圖像中的人體檢測(cè)的。因?yàn)镠OG是一個(gè)局部特征，因此對(duì)一大幅圖片直接提取特征， 不能夠得不較好的效果。3. LBP特征LB

7、P(Local binary patterns 局部二值模式)首先由 T. Ojala 和 D. Harwood在1994年提出，用于紋理特征提取，是計(jì)算機(jī)視覺(jué)中用于 圖像特征分類的一種方法。原始的LBP算子定義為在3*3的窗口內(nèi)， 以窗口中心像素為閾值，將相鄰的8個(gè)像素的灰度值與其進(jìn)行比較， 若周圍像素值大于中心像素值，則該像素點(diǎn)的位置被標(biāo)記為1，否則 為0。這樣，3*3領(lǐng)域內(nèi)的8個(gè)點(diǎn)可產(chǎn)生8bit的無(wú)符號(hào)數(shù)(二進(jìn)制 編碼)，將二進(jìn)制編碼轉(zhuǎn)換成十進(jìn)制，即得到該窗口的LBP值，并用 這個(gè)值來(lái)反映該區(qū)域的紋理信息。如圖2.9所示：原始的LBP由于 其僅利用3*3鄰域去描述圖像的信息，導(dǎo)致信息量過(guò)

8、少進(jìn)而容易受 到噪聲的干擾。針對(duì)這種情況，學(xué)者們對(duì)原始的LBP算子進(jìn)行改進(jìn)， 提出了以中心點(diǎn)為圓心，半徑為任意距離R的LBP算子，即半徑為 R的圓內(nèi)含有P個(gè)像素點(diǎn)，然后以中心點(diǎn)的灰度值作為閾值對(duì)周圍 P個(gè)點(diǎn)進(jìn)行閾值化，得到相應(yīng)的LBP特征編碼，如圖2.10所示。*-*-*-* (*-*)2LBP=60 圖 2 LBP 算子 示意圖4. HSV特征HSV(hue,saturation,value)顏色空間的模型對(duì)應(yīng)于圓柱坐標(biāo)系中 的一個(gè)圓錐形子集，圓錐的頂面對(duì)應(yīng)于V=1.它包含RGB模型中的 R=1, G = 1, B=1三個(gè)面，所代表的顏色較亮。色彩H由繞V軸的旋 轉(zhuǎn)角給定。紅色對(duì)應(yīng)于 角度0

9、，綠色對(duì)應(yīng)于角度120，藍(lán)色對(duì)應(yīng)于 角度240。在HSV顏色模型中，每一種顏色和它的補(bǔ)色相差180。 飽和度S取值從0到1，所以圓錐頂面的半徑為1。HSV顏色模型所 代表的顏色域是CIE色度圖的一個(gè)子集，這個(gè)模型中飽和度為百分之 百的顏色，其純度一般小于百分之百。在圓錐的頂點(diǎn)(即原點(diǎn))處， V=0,H和S無(wú)定義，代表黑色。圓錐的頂面中心處S=0，V=1,H無(wú) 定義，代表白色。從該點(diǎn)到原點(diǎn)代表亮度漸暗的灰色，即具有不同灰 度的灰色。對(duì)于這些點(diǎn)，S=0,H的值無(wú)定義。可以說(shuō)，HSV模型中的 V軸對(duì)應(yīng)于RGB顏色空間中的主對(duì)角線。在圓錐頂面的圓周上的顏 色，V=1，S=1,這種顏色是純色。HSV模型

10、對(duì)應(yīng)于畫(huà)家配色的方法。 畫(huà)家用改變色濃和 色深的方法從某種純色獲得不同色調(diào)的顏色，在 一種純色中加入白色以改變色濃，加入黑色以改變色深，同時(shí) 加入 不同比例的白色，黑色即可獲得各種不同的色調(diào)。HSV色輪HSV的圓錐模型圖2.3 HSV色彩空間模型Haar、HOG、LBP和HSV等特征有各自的優(yōu)缺點(diǎn)，概括如下：HOG是比較經(jīng)典的行人檢測(cè)特征，具有良好的光照不變性 和尺度不變性，能夠較強(qiáng)的描述行人的特征，對(duì)環(huán)境適應(yīng)性較強(qiáng)， 但同時(shí)特征維數(shù)過(guò)高和計(jì)算量較大，實(shí)時(shí)性難以保證，有待進(jìn)一步研 究。Haar特征容易理解，計(jì)算簡(jiǎn)單，特別是引入積分圖后，計(jì) 算量大大降低，在稀疏行人且遮擋不嚴(yán)重的情況下檢測(cè)效果較好， 實(shí)時(shí)性較高，但它對(duì)光