摘  要： 為解決HOG行人檢測(cè)過(guò)程緩慢的問(wèn)題,，在梯度向量直方圖HOG中引入block權(quán)重的概念,，通過(guò)合理篩選block，組成行人的特征向量,，然后使用線性SVM作為分類器,，重新進(jìn)行學(xué)習(xí)，達(dá)到減少信息冗余,、提高檢測(cè)效率的目的,。在INRIA庫(kù)上進(jìn)行實(shí)驗(yàn)，結(jié)果表明,，通過(guò)合理選擇block,，能夠在不影響檢測(cè)效果的情況下，顯著減少block的數(shù)目,，達(dá)到提高檢測(cè)速度的目的,。
關(guān)鍵詞： HOG；行人檢測(cè),；SVM分類器,；block權(quán)重

　計(jì)算機(jī)視覺(jué)處理是計(jì)算機(jī)人工智能的一個(gè)重要研究方向，它的最終目標(biāo)是通過(guò)計(jì)算機(jī)模擬人類視覺(jué),，實(shí)現(xiàn)對(duì)現(xiàn)實(shí)場(chǎng)景的理解和推理,。其中，對(duì)于輸入場(chǎng)景通過(guò)計(jì)算機(jī)實(shí)現(xiàn)目標(biāo)的自動(dòng)識(shí)別分類,，即目標(biāo)識(shí)別,，是實(shí)現(xiàn)計(jì)算機(jī)視覺(jué)的一個(gè)基礎(chǔ)部分，也是目前的一個(gè)研究熱點(diǎn),。比較成功的商業(yè)化應(yīng)用實(shí)例是人臉識(shí)別系統(tǒng)，它是通過(guò)計(jì)算機(jī)對(duì)人臉的智能識(shí)別,，實(shí)現(xiàn)對(duì)不同人身份的確認(rèn),。在人體識(shí)別方面，由于人體自身姿態(tài),、衣著的多樣性以及人體外觀變化大,，目前尚沒(méi)有較為成熟的算法,。
　目前，人體識(shí)別主要有基于多模板匹配[1],、基于邊緣輪廓特征[2]和基于運(yùn)動(dòng)特征[3]等各種方法,。然而，從實(shí)際效果來(lái)看,，目前最好的是DALAL N和TRIGGS B提出的基于HOG特征的人體檢測(cè)方法[4],。DALAL N等人通過(guò)使用16×16大小的塊在檢測(cè)窗口中滑動(dòng)，然后按一定方式統(tǒng)計(jì)塊中的梯度向量直方圖,，將各個(gè)塊的梯度向量直方圖串聯(lián),，組成特征向量，最終利用SVM對(duì)獲取的特征向量進(jìn)行訓(xùn)練,，獲取分類器,。按照該方法，如果選擇檢測(cè)窗口大小是128×64,，block大小為16×16,，cell大小為4×4，bin分為9個(gè)方向,，每次block移動(dòng)8,，那么獲得的向量大小為3 780維，檢測(cè)效果雖然理想,，但是耗時(shí),，難以達(dá)到實(shí)時(shí)性的要求。
　本文通過(guò)對(duì)基于HOG特征的人體檢測(cè)算法進(jìn)行分析,，提出了一種基于感興趣區(qū)域進(jìn)行HOG提取的算法,。該算法在適當(dāng)影響檢測(cè)效果的條件下，能夠較好地減少計(jì)算量,，達(dá)到提高計(jì)算速度的目的,。
1 行人檢測(cè)算法
1.1 特征選取
　HOG是DALAL N等人在2005年提出的一種基于梯度的特征提取過(guò)程，它的內(nèi)容主要有4點(diǎn)：（1）使用梯度作為特征提取對(duì)象,，將梯度向量劃分為統(tǒng)計(jì)bin,；（2）將梯度向量圖劃分為網(wǎng)格狀的cell，以cell為單位統(tǒng)計(jì)梯度向量直方圖,；（3）以block為單位,，對(duì)cell進(jìn)行統(tǒng)計(jì)，得到三維梯度向量直方圖,，并進(jìn)行歸一化,，減少局部光照的影響；（4）收集所有的block,，合并成最終圖像的HOG特征向量,。




　分別利用3種不同的方法通過(guò)改變決策函數(shù)中的閾值b對(duì)測(cè)試樣本進(jìn)行檢測(cè),，得到漏警率和虛警率的關(guān)系如圖4所示。

　由圖4可以看出,，在3種檢測(cè)方式中,，原始HOG檢測(cè)方式檢測(cè)效果最好；通過(guò)人工選擇感興趣區(qū)域,，保留41個(gè)block后提取特征向量進(jìn)行分類,，檢測(cè)效果有一定的下降，這主要是由于人類主觀經(jīng)驗(yàn)的不足,，不能完全合理確定起主要作用的特征,，導(dǎo)致特征選擇不充分的原因。
二次block訓(xùn)練的方法通過(guò)引入block權(quán)重的概念,，利用原始訓(xùn)練得到的決策函數(shù)中的信息來(lái)確定感興趣block,，在選取的block數(shù)目減少到原始的1/5即20個(gè)時(shí)，在顯著提高計(jì)算速度的情況下仍然能夠得到較精確的分類器,。
　實(shí)驗(yàn)結(jié)果證明,，本文提出的兩種減少特征維數(shù)、提高分類效率的算法在實(shí)際的應(yīng)用中較為有效,。
HOG特征是目前在行人檢測(cè)過(guò)程中較為有效的一種方法,，在人體檢測(cè)過(guò)程中有著很高的識(shí)別率，然而HOG由于計(jì)算量較大,、檢測(cè)速度慢,，因此限制了HOG的應(yīng)用。本文通過(guò)對(duì)HOG的分析,，發(fā)現(xiàn)可以通過(guò)減少HOG中冗余block,，從而減少計(jì)算量，提高檢測(cè)速度,。
參考文獻(xiàn)
[1] 呂治國(guó),，徐昕，賀漢根.基于可變模板和支持向量機(jī)的人體檢測(cè)[J].計(jì)算機(jī)應(yīng)用,，2007（9）：2258-2261.
[2] 陳實(shí),，馬天駿，黃萬(wàn)紅,，等.基于形狀上下文描述子的步態(tài)識(shí)別[J].模式識(shí)別與人工智能,，2007（6）：794-799.
[3] 韓鴻哲，王志良,，劉冀偉,，等.基于線性判別分析和支持向量機(jī)的步態(tài)識(shí)別[J].模式識(shí)別與人工智能，2005（2）：160-164.
[4] DALAL N,， TRIGGS B. Histograms of oriented gradients for human detection[C]. CVPR’05,， 2005.
[5] 焦李成，周偉達(dá),，張莉,，等. 智能目標(biāo)識(shí)別與分類[M].北京：科學(xué)出版社，2010.