行人探測(cè)特征選擇和提取

行人探測(cè)特征選擇和提取李林201022610003摘要目標(biāo)探測(cè)計(jì)算機(jī)視覺中一項(xiàng)重要切有挑戰(zhàn)性的課題。該文借鑒了簡化了的APCF特征值[3]，簡化了的稱為JRoG特征（JointRankingofGranules），這些特征值是由圖像中每一塊相比較的一系列離散的二值結(jié)果組成。本文采用了模擬退火（SA）和漸進(jìn)式特征選擇模型（incrementalfeatureselectionmodule）協(xié)作學(xué)習(xí)算法，這兩個(gè)互補(bǔ)的協(xié)作算法能有效從大量的JRoG特征值中選出有代表性的特征值（這些特征值將用在目標(biāo)探測(cè)上）。AbstractObjectdetectionremainsanimportantbutchallengingtaskincomputervision.Wepresentamethodthatcombineshighaccuracywithhighef?ciency.Weadoptsimpli?edformsofAPCFfeatures[3],whichwetermJointRankingofGranules(JRoG)features;thefeaturesconsistsofdiscretevaluesbyunitingbinaryrankingresultsofpairwisegranulesintheimage.WeproposeanovelcollaborativelearningmethodforJRoGfeatures,whichconsistsofaSimulatedAnnealing(SA)moduleandanincrementalfeatureselectionmodule.Thetwocomplementarymodulescollaboratetoef?cientlysearchtheformidablylargeJRoGfeaturespacefordiscriminativefeatures,whicharefedintoaboostedcascadeforobjectdetection.引言目標(biāo)探測(cè)是計(jì)算機(jī)視覺中一個(gè)基礎(chǔ)性的任務(wù)。雖然這些年來取得一定的進(jìn)步，但目標(biāo)探測(cè)在實(shí)時(shí)性應(yīng)用當(dāng)中仍有一定的挑戰(zhàn)。這篇文章是關(guān)于行人檢測(cè)中的特征值的選擇和提取的?，F(xiàn)實(shí)生活中，由于人群的擁擠和行人之間的相互阻擋，這些對(duì)探測(cè)都是不小的困難，所以在探測(cè)的初始環(huán)節(jié)，就應(yīng)該慎重選取提取特征的方法。關(guān)于行人檢測(cè)方面的研究文獻(xiàn)有很多?；趯W(xué)習(xí)的方法占大多數(shù)，而這個(gè)方法中最重要的是特征值和學(xué)習(xí)算法的選取。特征有全局的和局部的。全局的特征，像邊緣模版（edgetemplates）[6]和形狀模型（shapemodels）[5]有很好的識(shí)別能力但由于阻擋和非剛性因數(shù)對(duì)物體呃形狀變化很敏感的。局部的特征，小波描述符（waveletdescriptors）[12，11]，尺度不變特征變換特征（SIFT）[10]和方向梯度直方圖（HistogramofOrientedGradient，HOG）[2]具有更好的應(yīng)用性但是這些特征值需要經(jīng)過精心挑選和重新組合。也有文獻(xiàn)采用多種特征組合，像Wu和Nevatia的非均勻局部特征（HeterogeneousLocalFeatures）[21]，Schwartz等人的edge-basedfeaturesaugmentedbytextureandcolor以及Wang等人[9]HOG聯(lián)合局部二進(jìn)制模式（LocalBinaryPattern，LBP）通過一種自頂向底的概率分割(aprobabilistictop-downsegmentation).另一方面，這些成功的方法都是建立在Viola和Jones人臉探測(cè)[16]的方法之上。從這方面發(fā)展起來的有Haar特征[17]，邊緣集（edgelet）特征[19]和協(xié)方差矩陣表述（covariancematrixdescriptors）[15]。分類器也超過了原來的級(jí)聯(lián)分類器比如[20]樹狀結(jié)構(gòu)。本文提出了一種新的方法，雖然的遵從原先的思想但是使用了不同的特征，也就需要不一樣的學(xué)習(xí)算法了。在最近的文獻(xiàn)中，Duan等人[3]引進(jìn)一種叫聯(lián)合塊比較特征值提取法（AssociatedPairingComparisonFeatures，APCF），這個(gè)方法是建立在已經(jīng)被人臉檢測(cè)驗(yàn)證了的早期顆粒特征值（granulefeature）上面[7]。APCF特征是比較搜索窗口中某個(gè)小區(qū)域（granule）的顏色或梯度的大小得到的。然而APCF特征是由一系列沒有任何約束的顆粒比較而得，因此這個(gè)空間很大，不利于一般的AdaBoost學(xué)習(xí)，所以Duan等人使用啟發(fā)式學(xué)習(xí)算法進(jìn)行特征選擇。本文的工作建立在APCF的基礎(chǔ)上，但采用了一種特殊的APCF，我們稱呼為JRoG（JointRankingofGranules），這是將閾值設(shè)為0。?；贒uan等人的啟發(fā)式算法，本文提出了模擬圖1.3-bitJRoG特征。彩色圖片轉(zhuǎn)成灰度圖片，選取其中的3對(duì)小塊。1表示實(shí)心的那一塊灰度值高于空心的那一塊，0則相反。最后這3個(gè)二進(jìn)制數(shù)輸出作為JRoG的特征。退火（SA）和漸進(jìn)式特征選擇相結(jié)合的特征選擇算法。這篇文章其余部分安排如下：第2部分概述本文的方法；第3部分引進(jìn)JRoG特征；第4部分詳細(xì)論述了用在JRoG上面的協(xié)作學(xué)習(xí)算法。概方法述這篇文章中的JRoG特征就是將APCF特征中的梯度特征剔除并且將每個(gè)塊比較的閾值設(shè)為0。圖1所示，JRoG特征是在很多灰度級(jí)的顆粒中通過一些顆粒進(jìn)行比較所得到的二值的聯(lián)合[7]。這樣選取的特征空間很大，不利于分類器的訓(xùn)練，并且也會(huì)使計(jì)算時(shí)間加大。來自APCF特征啟發(fā)式算法[3]的的靈感，本文提出一種協(xié)作學(xué)習(xí)算法來減輕這樣的困難，這算法就是SA和漸進(jìn)式特征選擇相結(jié)合。SA是一種概率方法，漸進(jìn)式特征選擇是則能過濾出那些無效的特征。最后能選出一組最優(yōu)的特征值。這協(xié)作算法能找出有效的且辨識(shí)能力強(qiáng)的JRoG特征進(jìn)行Schapire和Singer[13]提出弱分類器的訓(xùn)練.JRoG特征JRoG特征就是一些帶有標(biāo)簽的離散的數(shù)字，他們的元素是來自灰度圖片的顆?？臻g。G表示顆?？臻g[7]（granularspace），這就是原始圖片X多層次的擴(kuò)展。某像素點(diǎn)x（u,v），x∈X。則某一顆粒（granule）可以表示為：4.2.SA模塊圖4所示是本文的SA算法，用于尋找辨識(shí)性好的JRoG特征。在實(shí)際應(yīng)用中，我們將θ1=1和θ2=8，G是由顆粒g周圍不超過8的顆粒組成。出于簡化和有效性，設(shè)N=1000×dim(g0)和r=0.01-N,SA的初始穩(wěn)定是0.01×T0.初試溫度的選擇對(duì)SA進(jìn)程至關(guān)重要。如果初始溫度過高，搜索就變的隨意性很大并且很難收斂的，如果初始溫度過低，在一開始搜索時(shí)就陷入了局部最小化狀態(tài)了。在AdaBoost算法中，每個(gè)弱分類器是由各自的訓(xùn)練樣本學(xué)習(xí)得到的，所以很難找個(gè)適用于全部的每個(gè)周期的開始溫度圖4用做搜索JRoG特征的模擬退火代碼4.3.JRoG特征的協(xié)作學(xué)習(xí)如圖5所示，對(duì)一個(gè)k-bitJRoG特征進(jìn)行k次迭代學(xué)習(xí)。在每次迭代中，通過增加一對(duì)顆粒到當(dāng)前特征g中（生長），將這個(gè)生長后的特征作為SA的初始值，然后尋找更新之后特征的鄰居。漸進(jìn)式特征選擇模塊應(yīng)用在特征的生長和鄰居的選擇上面的。在我們的實(shí)驗(yàn)中，定義候選顆粒對(duì)集合C=｛g:dim(g)=2,d(g0,g1)≤4｝,因此任何候選的特征之間都是相互緊湊的。一般來說，在SA進(jìn)程中增加/減少初始溫度T0會(huì)升高/降低跳轉(zhuǎn)/保持率η。這種關(guān)系提供一種思路，就是將η反饋回去給T0.理想的跳轉(zhuǎn)/保持率η。DangJRoG特征開始學(xué)習(xí)時(shí)，對(duì)應(yīng)的η也就被確定了，定義一個(gè)反饋函數(shù)這能調(diào)整下一輪的初始溫度，使得跳轉(zhuǎn)/保持率接近目標(biāo)值，這更加容易控制理想的跳轉(zhuǎn)/保持率。圖5k-bitJRoG特征的協(xié)作學(xué)習(xí)代碼總的來說，一方面，SA能夠脫離陷入局部最小化但在有限的時(shí)間里難以收斂；另一方面，漸進(jìn)式特征選擇模型能夠減少找到最優(yōu)特征的時(shí)間。這兩個(gè)相互協(xié)作學(xué)習(xí)算法能夠減少以上的這些困難。參考文獻(xiàn)[1]http://www.elec.qmul.ac.uk/staf?nfo/andrea/avss2007d.html.[2]N.DalalandB.Triggs.Histogramsoforientedgradientsforhumandetection.CVPR,2005.[3]G.Duan,C.Huang,H.Ai,andS.Lao.Boostingassociatedpairingcomparisonfeaturesforpedestriandetection.NinthIEEEInternationalWorkshoponVisualSurveillance,2009.[4]A.Ess,B.Leibe,andL.V.Gool.Depthandappearanceformobilesceneanalysis.ICCV,2007.[5]P.Felzenszwalb.Learningmodelsforobjectrecognition.CVPR,2001.[6]D.Gavrila.Pedestriandetectionfromamovingvehicle.ECCV,2000.[7]C.Huang,H.Ai,Y.Li,andS.Lao.Learningsparsefea-turesingranularspaceformulti-viewfacedetection.Proc.SeventhIntlConf.AutomaticFaceandGestureRecognition,2006.[8]S.Kirkpatrick,C.D.Gelatt,andM.P.Vecchi.Optimizationbysimulatedannealing.Science,1985.[9]B.Leibe,E.Seemann,andB.Schiele.Pedestriandetectionincrowdedscenes.CVPR,2005.[10]C.Mikolajczyk,C.Schmid,andA.Zisserman.Humande-tectionbasedonaprobabilisticassemblyofrobustpartde-tectors.ECCV,2004.[11]A.Mohan,C.Papageorgiou,andT.Poggio.Example-basedobjectdetectioninimagesbycomponents.PAMI,2001.[12]C.Papageorgiou,T.Evgeniou,andT.Poggio.Atrainablepedestriandetectionsystem.InProceedingofIntelligentVe-hicles,1998.[13]R.E.SchapireandY.Singer.Improvedboostingalgo-rithmsusingcon?dence-ratedpredictions.MachineLearn-ing,1999.[14]W.R.Schwartz,A.Kembhavi,D.Harwood,andL.S.Davis.Humandetectionusingpartialleastsquaresanalysis.ICCV,2009.[15]O.Tuzel,F.Porikli,andP.Meer.Humandetectionviaclas-si?cationonriemannianmanifolds.CVPR,2007.[16]P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR,2001.[17]P.Viola,M.Jones,andD.Snow.Detectingpedestriansusingpatternsofmotionandappearance.ICCV,2003.[18]X.Wang,T.X.Han,andS.Yan.Anhog-lbphumandetectorwith