摘  要： 近年來，伴隨著智能車輛的快速發(fā)展,，行人檢測在車輛輔助駕駛方面越來越受到重視,。提出一種二維顯著性紋理算子（Two-dimensional Significant Local Binary Pattern，TS-LBP）,，該算子能夠反映圖像的紋理特征,、顯著性特征同時具有較強的抗噪聲性能。首先提取感興趣的目標(biāo)區(qū)域,，再提取目標(biāo)區(qū)域顏色與紋理特征的融合特征對目標(biāo)進行特征描述,，最后采用Adaboost算法訓(xùn)練得到一個行人分類器對行人進行識別。實驗結(jié)果表明,，該方法檢測快速準(zhǔn)確,，具有較好的檢測效果。

　　關(guān)鍵詞： 行人檢測,；感興趣區(qū)域,；顏色特征；紋理特征,；特征融合

0 引言

　　行人檢測在車輛輔助駕駛系統(tǒng)中具有重要的應(yīng)用價值,。隨著全球機動車輛的快速增長，交通事故也逐年上升,，而大部分是由于車輛未及時采取避讓措施造成車輛與行人的碰撞,。因此，對行人進行檢測,，對有可能發(fā)生碰撞的行人提前做出預(yù)警將會很大程度上減少交通事故的發(fā)生,。然而，行人檢測一直是一個有難度,、富有挑戰(zhàn)性的課題[1],。

　　在過去的一段時間內(nèi),，許多學(xué)者提出了多種行人檢測方法。如基于運動信息的方法[2],、基于模板匹配的方法[3]等,，但是都不能夠取得較好的檢測效果。VIOLA P等人[4]采用級聯(lián)AdaBoost學(xué)習(xí)算法對人臉進行檢測,，后來被應(yīng)用到行人檢測上,，取得了不錯的檢測效果；DALAL N等人[5]提出了梯度方向直方圖（Histogram of Oriented Gradient,，HOG）特征能夠高效刻畫出人體的邊緣特征,，是目前廣泛使用的行人特征描述子，但是其維度過高,、計算速度較慢,，因此不能滿足車載檢測實時性的要求；WALK S等人[6]提出了顏色自相似性（Color Self-Similarity,，CSS）特征的行人檢測方法,，因其包含較多冗余信息，不能得到較滿意的效果,。

1 本文檢測方法

　　本文提出了一種在感興趣行人區(qū)域的基礎(chǔ)上將顏色特征與紋理特征相融合的算法,，該算法具有特征維數(shù)少，計算速度快的優(yōu)點,。該算法主要包括訓(xùn)練部分和檢測部分，算法框架如圖1所示,。

　　在車載視頻圖像中存在著大量的非行人區(qū)域,，可先確定行人可能存在的感興趣區(qū)域，再對感興趣區(qū)域的目標(biāo)進行重點檢測,，避免全局掃描圖像而消耗過多時間,。行人不管是站立還是行走，其垂直方向都具有很強的對稱性[7],?？梢岳眠@個特征，粗提取行人有可能存在的感興趣區(qū)域,。采用式（1）來計算圖像每列的邊緣對稱性,。

　　其中，wmin,、wmax為垂直邊緣點的搜索范圍,，Sv（k）為對應(yīng)第k列的對稱性測度，數(shù)值越大表示圖像越以k為對稱中心,。參考文獻[8]通過統(tǒng)計得出行人寬高比的平均值為0.4,，可適當(dāng)放寬比值,，提取出更多的候檢區(qū)域，避免漏檢,，同時可以排除大量的非行人區(qū)域,。

2 行人識別

　　2.1 顏色特征提取

　　顏色特征因其具有計算簡單、易于提取等優(yōu)點而在圖像處理方面被廣泛使用,。HSV（Hue,、Saturation、Value）對光線變化具有較強的適應(yīng)能力,。因此,，首先按式（2）將輸入的圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間中。根據(jù)人體視覺對顏色的感知特性對顏色進行非均勻量化,，從而將HSV顏色空間量化為72維直方圖特征向量,。

　　v=max

　　2.2 紋理特征提取

　　局部二值模式（Local Binary Pattern，LBP）是由OJALA T等人[9]提出的用于提取圖像局部紋理特征的算子,。以3×3模板為例,，按照式（3）即可以求得該窗口中心像素點的LBP值。LBP算子示意圖如圖2所示,。

　　在統(tǒng)計LBP直方圖時維數(shù)太多且具有較多冗余,。CS-LBP（Center-Symmetric Local Binary Pattern）具有中心對稱特性，同時能夠?qū)BP起到降維的作用,。CS-LBP算子計算公式如式（4）,，算子示意圖如圖3所示。

　　CS-LBP能夠?qū)D像進行降維,，但對噪聲的抗干擾性能不足,。為了提高算法的魯棒性，本文提出了帶有噪聲門限T的CS-LBP紋理特征如式（5）所示,。

　　帶有噪聲門限的CS-LBP的紋理特征具有傳統(tǒng)LBP的灰度不變性,、旋轉(zhuǎn)不變性，同時具有對稱型,、較好的抗噪聲性能,。為了能夠較好地反映圖像的顯著性特征，本文提出帶有閾值的顯著性算子（Local Significant Texture operator,，LST）使得對像素灰度值有更好的適應(yīng)性,，算子表示如式（6）所示。

　　將帶有噪聲門限的CS-LBP特征與帶有閾值的顯著性算子LST相結(jié)合,，構(gòu)成本文二維顯著性紋理算子（Two-dimensional Significant Local Binary Pattern,，TS-LBP）如式（7）所示。用此算子表示圖像的紋理特征既能反映圖形的紋理結(jié)構(gòu),，又能顯示其局部顯著性特征,，同時具有較好的抗噪聲性能,。

　　2.3 特征融合

　　首先按式（2）提取圖像感興趣區(qū)域的顏色直方圖，再按式（7）提取感興趣目標(biāo)區(qū)域紋理直方圖,，將兩種特征融合在一起形成融合特征直方圖,，如圖4所示。融合后的特征能夠反映目標(biāo)區(qū)域的紋理特征,、顯著性特征以及顏色特征,，同時具有較好的抗噪聲性能。

　　2.4 Adaboost算法介紹

　　Adaboost算法是一種迭代算法[10],，其核心思想是用同一個訓(xùn)練集通過訓(xùn)練得到分類性能一般的弱分類器,，把這些弱分類器級聯(lián)，構(gòu)成一個分類性能更好的強分類器,，由此利用強分類器來對行人進行分類,。算法的流程如下：

　　（1）給定訓(xùn)練集：F={（x1,，y1）,，…，（xN,，yN）},，其中yi∈{0，1},；

　?。?）訓(xùn)練樣本的初始分布：；

　?。?）for t=1,，…，T,，計算弱分類器ht:X→{0，1}在分布Dt上的誤差為：εt=P（ht（xi）≠yi）,，計算該弱分類器的權(quán)重：,；

　　（4）更新訓(xùn)練樣本的分布：,，其中Zt為歸一化常數(shù),；

　　（5）最后的強分類器為：,。

3 實驗結(jié)果及分析

　　本文實驗采用的數(shù)據(jù)來源于INRIA行人數(shù)據(jù)庫,、MIT數(shù)據(jù)庫和自行拍攝裁剪的照片。其中訓(xùn)練集包含 2 416幅行人圖像,、4 132幅非行人圖像,。測試集包含  1 236幅行人圖像,、1 039幅非行人圖像。實驗在MATLABR2008a上實現(xiàn),，Window XP操作系統(tǒng),，計算機環(huán)境配置為2.5 GHz CPU 和2 GB內(nèi)存。在INRIA數(shù)據(jù)庫提供的行人測試樣本上進行檢測實驗,。為了比較本算法的檢測性能,，在相同環(huán)境下實現(xiàn)參考文獻[7]的檢測算法，兩種算法比較結(jié)果如表1所示,。本文檢測算法比參考文獻[7]算法檢測率更高,，并且采取只對感興趣區(qū)域的行人進行檢測，因而大大減少了檢測所用時間,。部分檢測效果如圖5所示,。其中圖5（a）表示在相似的環(huán)境背景下對行人進行檢測識別，可以看出本文檢測算法對行人的區(qū)分能力強,，對行人有較好的識別能力,，但是由于光照和相似背景的干擾會出現(xiàn)“誤檢”的情況；圖5（b）表示在不同環(huán)境,、不同背景下對行人進行檢測識別,，可以看出本文檢測算法在復(fù)雜背景下同樣能夠?qū)π腥擞休^好的識別，但是由于人群密度過大,、人群遮擋等原因會出現(xiàn)“漏檢”的情況,。

4 結(jié)論

　　本文提出了一種基于感興趣區(qū)域內(nèi)顏色特征和顯著性紋理特征相融合的行人檢測算法，并通過Adaboost分類器進行行人檢測實驗,。這種檢測算法避免了對整幅圖像進行全局掃描,，運行速度快，魯棒性高,，且在INRIA行人庫上取得了比較滿意的結(jié)果,。但是，在夜間,、雨天以及光照劇烈,、行人密度過大的環(huán)境下檢測結(jié)果不是很理想，在后續(xù)會進一步改進和完善,。

　　參考文獻

　　[1] 張春鳳,，宋加濤，王萬良.行人檢測技術(shù)研究綜述[J].電視技術(shù),，2014,，38（3）：157-162.

　　[2] 賀琴，潘建壽，劉繼艷,，等.攝像機運動下基于背景匹配的運動目標(biāo)檢測[J].計算機工程與應(yīng)用,，2010，46（24）：179-181.

　　[3] 周晨卉,，王生進,，丁曉青.基于局部特征級聯(lián)分類器和模板匹配的行人檢測[J].中國圖象圖形學(xué)報，2010,，15（5）：824-829.

　　[4] VIOLA P,， JONES M. Robust real-time face detection. IJCV[J]. International Journal of Computer Vision， 2004,， 57（2）：137-154.

　　[5] DALAL N,， TRIGGS B. Histograms of oriented gradients for human detection[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition， CVPR 2005,， IEEE,， 2005：886-893.

　　[6] WALK S， MAJER N,， SCHINDLER K,， et al. New features and insights for pedestrian detection[J]. IEEE Conference on Computer Vision and Pattern Recognition， 2010,， 119（5）：1030-1037.

　　[7] 岳求生,，周書仁，李峰,，等.HSV與LBP特征融合的行人檢測方法研究[J].計算機工程與科學(xué),，2014，36（10）：1997-2001.

　　[8] 郭烈,，王榮本,，金立生，等.基于邊緣對稱性的車輛前方行人檢測方法研究[J].交通信息與安全,，2007,，25（1）：40-43.

　　[9] OJALA T， PIETIK?魧INEN M,， MENP T. Gray scale and rotation invariant texture classification with local binary patterns[J]. Proceedings of the Sixth European Conference On Computer Vision,， 2000，24（7）：404-420.

　　[10] 楊英,，劉衛(wèi)國，鐘令,，等.基于AdaBoost行人檢測優(yōu)化算法的研究[J].機電工程,，2014，31（10）：1347-1350.