基于DPM模型的行人檢測技術的研究

熊 聰，王文武

（武漢科技大學 信息科學與工程學院，湖北 武漢 430081）

行人檢測作為目標識別領域的很重要的課題，吸引了很多關注。它在智能車輛、自動導航、運動分析、高級人機接口等方面已經成為核心技術并且有著很廣泛的應用前景。行人檢測的挑戰在于當有多個行人在空間上靠得很近的時候。此時，由于行人靠得很近造成行人存在遮擋，單一的行人行人檢測器無法檢測到部分被遮擋的行人，從而產生了漏檢或誤檢。

然而，社會學家已經發現到相互靠近的行人在實際中表現出了特殊的空間模型，相互靠近的兩個行人在空間上存在一定特征[1-2]。本文基于這點，提出了基于可變形部件模型（DPM）[3]的行人檢測算法，利用這些特殊的空間模型訓練得到兩個行人的檢測器用于檢測行人，從而取得了良好的效果。

1 算法實現

本文提出基于DPM模型[3]的行人檢測主要包括樣本訓練和行人檢測兩個部分。其中圖像的局部描述子采用HOG特征[4]，訓練分類器采用在支持向量機基礎上添加潛在值的支持向量機(LatentSVM)[3]。

1.1 樣本訓練

樣本訓練的目的是為了得到行人檢測階段所需要的行人檢測器，包括單個行人檢測器、兩個行人檢測器和行人部件檢測器。其中，檢測器的實質是一個特征向量濾波器。在樣本訓練之前得做一些準備工作，準備訓練所需的樣本，包括單個行人的正負樣本，兩個行人的正負樣本。其中，樣本的大小固定。

樣本訓練的基本步驟如下：

1)分別在單個行人的正負樣本上提取單個行人的HOG特征向量和DPM模型下的特征向量 （如圖 1中 （a），（b）所示），然后將兩者串聯起來構成混合的DPM模型特征向量輸入LSVM分類器中訓練得到單個行人檢測器。

2)分別在兩個行人的正負樣本上提取左邊行人的HOG特征向量和右邊行人的HOG特征向量（如圖2中（c）所示），然后將兩組特征輸入SVM分類器[5]中訓練得到左邊行人部件和右邊行人部件的檢測器。

3)分別在兩個行人的正負樣本上提取兩個行人一起的HOG特征向量和兩個行人一起的DPM模型下的特征向量（如圖2中(a),(b)所示），將兩者和步驟2）中提取的右邊行人部件和左邊行人部件的特征向量都一起串聯起來構成混合的DPM模型特征向量輸入LSVM分類器中訓練得到兩個行人檢測器。

圖1 單個行人的HOG特征和DPM特征Fig.1 HOG vector and DPM vector for single human

圖2 兩行人的HOG特征和DPM特征Fig.2 HOGvector and DPM vector for two people

1.2 行人檢測

行人檢測是整個算法中關鍵的一步，由于所有的檢測器都是特征向量濾波器，于是可以計算分數為β·Φ(x)，其中β是濾波器，Φ(x)是圖像及指定的位置和尺度，是特征向量。計算得到分數越大，表示檢測窗口中行人的可能性越大。

行人檢測的基本步驟如下：

1）輸入待檢測圖像計算得到HOG特征圖。

2）將步驟1）中的得到HOG特征圖分別與單個行人檢測器、兩個行人檢測器和行人部件檢測器卷積得到單個行人檢測分數圖、兩個行人檢測分數圖、左邊行人分數圖和右邊行人分數圖。

3）將單個行人檢測分數圖、兩個行人檢測分數圖、左邊行人分數圖和右邊行人分數圖并聯得到混合分數圖[5-6]。

4）將混合分數圖與單個行人檢測分數對應位置相加得到最終的分數圖。

5）根據最終的分數圖標記出行人所在的位置。

1.3 實驗

實驗分為2個部分：第一部分，正負樣本的訓練。通過正負樣本的訓練得到單個行人檢測器、兩個行人檢測器和行人部件檢測器。第二部分，將第一部分得到的檢測器用于行人檢測，最終的得到如圖3中所示的最終檢測結果。相比于單一行人檢測結果，本文提出的算法最終檢測結果有明顯改善。

圖3 行人檢測結果Fig.3 The result of human detection

2 結論

本文提出的基于DPM模型[3]的行人檢測算法以HOG特征[4]作為圖像特征描述子，以DPM模型以及混合模型作為基礎得到改進的算法。實驗表明該算法具有很好檢測效果，能很好的解決行人相互靠近的情況下的行人檢測。同時，在更復雜的場景下，提高檢測效果是下一步的重點。

[1]Hare A.Handbook of small group research[M].Macmillan,1962.

[2]Moussaid M,Perozo N,Garnier S,et al.The walking behaviour of pedestrian social groups and its impact on crowd dynamics[R].PLoSONE,2010,5(4):e10047.

[3]Felzenszwalb P,GrishickR B，McAllister D,et al.Object detection with discriminatively trained partbased models[C]//IEEE Trans.Pattern Anal.Mach.Intell.，2010(32):1627-1645.

[4]Dalal N,Triggs B.Histograms of oriented gradients for human Detection[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition,San Diego,CA,2005：886-893.

[5]盧虎，李彥，肖穎.支持向量機理論及其應用[J].空軍工程大學學報，2003，4（4）：89-91.LU Hu，LI Yan，XIAO Ying.SVM theory and application[J].Journal of Air Force Engineering University，2003，4（4）：89-91.

[6]車志富.基于支持向量機的行人檢測[D].北京：北京交通大學，2010.