范國娟1,，范國卿2，柳絮青3

　?。?.山東傳媒職業(yè)學(xué)院,，山東 濟南 250200；2.絲路衛(wèi)星通信有限公司,，江蘇 南京 210012,；3.江南大學(xué)，江蘇 無錫 214122）

       摘要：針對實際監(jiān)控中人體目標(biāo)輪廓的多尺度特性,，提出一種用于人體目標(biāo)檢測的多尺度方向特征描述子(HOGG),。首先采用Gabor濾波器提取人體圖像對應(yīng)不同尺度,、不同方向的多個Gabor幅值域圖譜，然后將相同尺度不同方向的幅值域圖譜融合以降低特征維數(shù),，并對每幅融合圖像提取梯度方向直方圖(HOG)特征,，最后將這些HOG特征聯(lián)合起來作為人體圖像表征。利用支持向量機(SVM)對描述特征進行分類,，在CAVIAR數(shù)據(jù)庫中進行了實驗,，結(jié)果表明，該算法對人體目標(biāo)檢測具有較好的性能,。

　　關(guān)鍵詞：人體檢測,；Gabor變換；分塊直方圖,；多尺度

0引言

　　人體檢測被廣泛地用于計算機視覺領(lǐng)域，如公共安全,、智能機器人,、視覺監(jiān)控、行為分析等［1］,。目前人體檢測多采用基于統(tǒng)計分類的方法,，常用Gabor小波變換和Haar小波變換提取人體特征。DALAL N［2］等人提出梯度直方圖(Histograms of Oriented Gradient,，HOG),，利用圖像塊內(nèi)的方向統(tǒng)計進行人體檢測，對解決局部形變與視角變化等問題,，該檢測算法具有較高的精度,。Mu Yadong［3］等人將局部二值模式(Local Binary Patterns，LBP)作為人體特征描述算子,，具有旋轉(zhuǎn)不變性和光照不變性,，是一種有效的描述特征。Wang Xiaoyu［4］等人提出了HOG與LBP相結(jié)合的算法,，達(dá)到兩種特征互補的效果,，對解決人體檢測中部分遮擋問題有顯著的提高。

　　上述輪廓特征一般都是在固定尺度上計算,，沒有考慮實際監(jiān)控中復(fù)雜背景下人體目標(biāo)輪廓的多尺度特性,，當(dāng)這些算法應(yīng)用到真實場景中時，其性能會急劇下降,。本文提出一種Gabor變換與HOG特征相結(jié)合的人體檢測算法(簡稱HOGG),，利用Gabor變換多方向多尺度的特性，增強了人體的輪廓信息,。該方法首先對圖像進行規(guī)一化處理,，然后使用Gabor濾波器提取圖像多尺度、多方向的幅值域圖譜，并將同尺度不同方向幅值域圖譜融合以降低特征維數(shù),，最后按順序提取各個尺度上融合圖譜的HOG特征,，串接組成整幅圖像的描述特征。在CAVIAR數(shù)據(jù)庫下的大量實驗表明,，該方法能較好地提取人體描述特征,，有較高的檢測率。

1Gabor特征提取

　　在提取人體Gabor特征之前需要對圖像進行規(guī)一化處理,，本文實驗中所用人體圖像為灰度圖像,，大小為32×64像素。為了獲取多尺度的Gabor特征,，選取5個尺度和8個方向的Gabor濾波器組,，則一幅人體圖像的多尺度、多方向特征表示為：

　　通過Gabor變換后,，每幅圖像會轉(zhuǎn)化成40個不同尺度與方向的圖像,，特征維數(shù)為原圖像的40倍，造成特征數(shù)據(jù)冗余,，增加了計算的復(fù)雜度,。本文將Gabor特征同一尺度不同方向的特征進行融合，有效地降低了Gabor特征間的數(shù)據(jù)冗余,，保持了有效的決策信息,，并可以對人體圖像進行多尺度分析。

2HOGG描述子

　　本文對融合圖像進一步提取HOG特征,，并將其聯(lián)合起來作為人體圖像的HOGG表征,。HOGG的構(gòu)建過程主要分為以下幾個步驟:

　　(1)計算梯度幅值和方向

　　利用一階模板算子(-1,0,1)分別從橫向和縱向?qū)θ诤蠄D像進行梯度提取操作，求得融合圖像的梯度圖像,。

　　(2)構(gòu)建梯度方向直方圖

　　把梯度圖像分成同等大小的正方形小塊(block),，這些小塊是相互重疊的并且每個小塊被分為更小的正方形單元(cell，n×n像素),。利用梯度幅值和梯度方向在每個單元中進行直方圖投票,，其中梯度方向作為直方圖投票區(qū)間，而梯度幅值作為直方圖投票權(quán)重,，這樣對于每個小塊(block)都能得到一個維度為m×m×b的直方圖向量,。

　　(3)梯度強度歸一化

　　以block為單位進行L2norm標(biāo)準(zhǔn)化，減少局部光照以及前景,、背景對比度的變化對直方圖特征的影響,。設(shè)vn是對應(yīng)的block向量，則標(biāo)準(zhǔn)化的向量fn為：

　　其中：ξ為接近0的正數(shù),。

　　(4)形成特征向量

　　把一幅融合圖像的所有塊中的HOG特征連接起來就得到了該融合圖像的HOG特征,。再將各尺度融合圖像的HOG順接起來作為一幅人體圖像的HOGG描述子,。

3實驗分析

　　3.1實驗環(huán)境與數(shù)據(jù)庫

　　在Core(TM)2.00 GHz的CPU，2.00 GB內(nèi)存,，Windows下MATLAB R2010a的計算機上進行仿真實驗,。實驗采用MIT和INRIA數(shù)據(jù)庫作為訓(xùn)練集，包括1 126個正樣本與1 218個負(fù)樣本,；采用CAVIAR［5］數(shù)據(jù)庫作為測試集,。

　　3.2實驗步驟

　　本文采用滑動窗口方式獲取檢測窗口，用HOGG描述子對檢測窗口進行描述,，再利用支持向量機［6］進行判別,。由于在檢測過程中，對同一個人體進行多重檢測會直接導(dǎo)致計算效率下降,。為此,，本文將檢測窗口從大到小進行遍歷。在遍歷過程中,，如果待測區(qū)域已經(jīng)被標(biāo)記為人體,，則跳過該區(qū)域。

　　3.3實驗結(jié)果與分析

　　Gabor能對圖像進行多尺度,、多方向的分解，實驗首先研究不同尺度數(shù)對檢測算法的影響,。從CAVIAR四個序列中各隨機選取200張圖片作為測試集,。實驗結(jié)果如表1所示。

　　實驗中采用綜合評價指標(biāo)(F1measure,，F(xiàn))［7］評估算法的性能,，其中：precision為準(zhǔn)確率，recall為查全率,；tp表示被正確檢測人數(shù),，fp表示錯誤檢測的人數(shù)，fn表示漏檢的人數(shù),。

　　由于不同尺度子帶間冗余信息較大,，簡單地增加尺度數(shù)不一定能提高性能，由表1可以看出,，取尺度數(shù)為4效果最佳,。

　　為了進一步驗證本文提出的算法，選取Gabor尺度為4,，在CAVIAR行人數(shù)據(jù)庫上提取HOGG特征,，參照文獻［4］與HOG、LBP+HOG算法做了對比實驗,，如表2所示,。

　　從圖1可以看出,，本文算法的Fmeasure優(yōu)于當(dāng)前其他方法，具有較好的性能,，證明了HOGG方法的有效性,。

4結(jié)論

　　本文提出了一種基于Gabor變換和HOG的人體目標(biāo)檢測的新特征表達(dá)，可以多層次,、多分辨率地表征人體目標(biāo),。在CAVIAR數(shù)據(jù)庫中的實驗數(shù)據(jù)表明，Gabor多尺度的變換能夠增強HOG算子對人體紋理細(xì)節(jié)特征和全局特征的表示能力,，有效地提高了人體檢測的性能,。

　　參考文獻

　　［1］ HARITAOGLU I,，HARWOOD D,，DAVIS L S. W4:realtime surveillance of people and their activities ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，(S01628828),，2000,，22(8) : 809-830.

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

　　［3］ Mu Yadong,，Yan Shuicheng,， Liu Yi，et al. Discriminative local binary patterns for human detection in personal album ［C］. Computer Vision and Pattern Recognition,，Anchorage,，AK，2008:1-8.

　?。?］ Wang Xiaoyu,，HAN T X，Yan Shuicheng. An HOGLBP human detector with partial occlusion handling ［C］. Computer Vision, Kyoto,，2009:32-39.

　?。?］ CAVIAR. Benchmark Data ［EB/OL］.［2016-07-01］. http://homepages.inf.ed.ac.uk/rbf/CAVIAR/.

　　［6］ KIM S K,，PARK Y J,，TOH K A, et al. SVM based feature extraction for face recognition ［J］. Pattern Recognition，2010,，43(8): 2871-2881.

　?。?］ bluepoint2009. 準(zhǔn)確率（Precision）、召回率（Recall）以及綜合評價指標(biāo)（F1 Measure）［EB/OL］.（2012-09-18）［2015-06-21］.http://www.cnblogs.com/bluepoint2009/archive/2012/09/18/precisionrecallf_measures.html.