行人检测分类器的与设计

摘 要：行人检测的重点在于分类器的设计,分类器的性能直接决定了行人检测的精度.选定样本特征和分类器类型之后,设计的关键就在于建立合适的行人和非行人样本库.因此,建立样本库并训练形成分类器是非常重要的工作.自建行人样本库,提取样本的梯度向量直方图特征,利用支持向量机获得行人分类器,并对分类器的性能进行测试.

关 键 词：行人检测,梯度向量直方图,支持向量机

中图分类号：TP391文献标识码：A文章编号：1009-3044(2012)29-7068-05

随着国民经济的快速发展和机动车辆的迅猛增加,我国城市交通问题日益严峻.在混合交通系统环境中,行人和车辆是交通的主要组成部分.对车辆前方的行人进行检测[1-3],及时告知驾驶员车辆前方存在行人,并进行安全预警,对减少或避免车辆与行人发生碰撞事故有着重大的意义.因此行人检测非常重要[4-7].

行人检测的重点在于分类器的设计,其性能决定了行人检测的精度.一般而言,在选定样本特征和分类器类型之后,设计的关键在于建立合适的行人和非行人样本库.本文采用支持向量机对交通视频中的行人进行检测,重点是设计行人检测分类器.首先建立行人样本库,提取样本的梯度直方图特征,然后利用支持向量机获得行人分类器,并对分类器的性能进行测试,针对分类器的不足,改善样本库,重新训练得到性能较好的分类器.

1梯度向量直方图特征

2001年,Dalal提出了一种基于梯度方向直方图（HistogramofOrientedGradients,简称HOG）的人体检测算法,该方法通过计算局部区域上的梯度方向直方图来构成人体特征[6].虽然行人图像具有各种复杂的背景,行人本身的姿态也各不相同,但是图像梯度的平均效果却可以明显反映出行人的大致轮廓.因此,从理论上讲利用图像的梯度特征可以有效检测出行人.

HOG特征是在单元（cel1）和块（block）的网格内进行密集计算而得到,cell由8×8个像素点构成,block由4个相邻的cell组成,如图1所示.其计算方法如下：

3多尺度融合

由于待检测图像较大（本文采集到的视频图像为640×480像素）,应把整幅图像划分成一个个与训练样本大小一致（64×128）的小区域进行逐一检测.然而,由于行人距离相机远近不同,在同一幅图像里,行人的大小往往会相差很大,有的可能远远超出64×128像素.因此需要考虑检测目标与样本尺寸匹配问题[6],必须采用多尺度的检测算法,才能检测出各个尺度的行人.具体而言,检测时应按照一定比例逐层缩小原始图像,然后在缩小后的多幅图像中用64×128的窗口进行穷举搜索和判别,提取每个窗口内的HOG特征向量,利用训练好的分类器检测子图像,判断此窗口中是否有行人,最后将所有尺度下的检测结果进行融合.

45结论

本文设计了两个行人检测分类器并分析了其检测性能.在自建样本库的基础上,选择HOG特征表征行人,利用支持向量机分类技术训练行人分类器,实现了混合交通视频的行人检测.实验中的训练样本均来自自己制作的真实交通道路上的行人视频图像,其中包含了姿态、服装各异的行人,还包含被物体遮挡导致行人信息不完整的情况.实验结果表明,对于信息完整的行人,本文设计的分类器能取得理想的检测效果.此外,根据检测需要重新选择样本库后,分类器的性能可以得到大幅提高,虚警率和漏检率都能有很大的改善.