基于部位組合HOG特征的行人檢測

周佳敏

（武漢理工大學，湖北 武漢 430070）

行人檢測在視頻監控、虛擬現實技術等領域有廣泛的應用，也是計算機視覺和模式識別領域的重要研究方向。由于行人姿態、服飾的差異性增加了行人檢測的難度。而人體的輪廓受這種因素的干擾較少，可以提供描述行人較為魯棒的特征。Dalal[1]等提出的梯度方向直方圖特征，利用局部邊緣梯度分布特征來表征行人，具有優良的檢測性能。

盡管HOG特征表現出優異的檢測性能，其特征向量的維數過高使得特征計算和在線檢測時間過長。本文提出結合行人頭部與腿部圖像區域作為感興趣區域進行檢測，精確識別出行人目標。

1 HOG特征描述

將一副待檢圖像分成N個單元，稱為”Cell”，由若干個單元可組合成一個塊，稱為”Block”，整幅圖像由一定數目的塊組成，塊與塊之間允許重疊。通過統計各個塊內各單元在各個方向上的梯度分布，即構成了該圖像的HOG特征，其計算過程如下。

1.1 計算梯度

采用梯度算子計算圖像的水平方向梯度和垂直方向梯度。

1.2 構建梯度直方圖

將梯度方向分為若干個子區間，對單元內每個像素點，以各像素點的梯度值為權重，對其梯度方向所屬子區間進行投票加權。

1.3 梯度強度歸一化

對梯度強度在塊內做歸一化[4]處理，可以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。HOG特征就是塊中所有單元的直方圖所組成的一個向量。

1.4 形成特征向量將所有檢測窗口中所有重疊的塊中各HOG特征串聯起來就構成了最終的特征向量

2 基于HOG的腿部檢測

通過樣本圖像分析發現，行人腿部所在的圖像區域，背景通常是平坦的路面，并且腿部的輪廓邊緣具有明顯的垂直對稱性，其在某些梯度方向上會出現一定的峰值，其HOG特征與背景差別較大。因此，本文首先針對行人腿部采用HOG特征進行檢測。

由于行人腳與地面接觸，行人的腿部區域一般會出現在圖像的下半部分區域，因此本文主要對待檢圖像的下半部分進行掃描，具體檢測步驟如下：

1）獲取待檢圖像，并取圖像的下半部分區域作為行人腿部掃描區域；

2）按照大小為16*16個像素窗口遍歷待檢圖像，計算得到掃描區域內所有塊的HOG特征向量并存入一個14*39的二維數組中，數組中每個元素指向一個塊的36維HOG特征向量。

3）以大小為64*64，步長為8個像素的檢測窗口遍歷待檢圖像，此時不需獨立計算每個檢測窗口的HOG特征，只要對二維數組進行正確的索引找到該區域所對應塊的HOG特征向量。

4）加載訓練得到的腿部識別分類器，對檢測窗口進行判別。

3 基于模板匹配的頭部檢測

經過分析可知，無論行人呈現出何種不同的姿態，行人頭部輪廓變動性很小，且呈現出一定的形狀，而且行人的頭部不易被遮擋，在檢測過程中很容易被檢測出來。因此本文采用模板匹配對頭部進行檢測。其檢測過程如下：

1）針對頭部輪廓構建一個“Ω”形位圖模板，將頭部輪廓模板與Sobel邊緣圖像做乘積，將分數計算的最大值視為符合頭部區域。

2）由于現實場景有復雜的背景[5]存在，對圖像進行邊緣檢測時可能會干擾模板匹配過程，采用Canny算子和形態學邊緣檢測算子融合的方法實現頭部邊緣檢測。

3）通過計算模板與待檢測窗口的距離變換圖像的Chamfer[3]距離來衡量兩者之間的相似程度，如果待匹配的圖像中沒有頭部，則求得的Chamfer距離通常會遠大于在圖像中有頭部的Chamfer距離。

4 基于部位組合特征的行人檢測

在本文的行人檢測過程中，首先對腿部進行檢測并實現對腿部的初步定為，然后進一步使用模板匹配對候選行人頭部檢測，只有當頭部和腿部同時存在該區域中，才能認為所識別的目標為行人。

為了驗證部位組合檢測方法的有效性，本文對樣本集中的圖像進行了處理分析，主要比較了本文的部位組合算法與HOG算法在樣本集的檢測性能，其中HOG算法的檢測率為76.1%，本文部位組合算法檢測率達到了96.7%。

5 總結

本文提出了一種基于部位組合特征的行人檢測方法，首先對腿部進行檢測，定位出候選行人區域，再根據頭部輪廓不易變動的特點，利用模板匹配的方法對行人頭部進一步檢測。實驗表明，本文的方法能夠有效地檢測出現實場景中的行人。

［1］蘇松志.行人檢測若干關鍵技術研究[D].廈門:廈門大學，2011.

［2］郭烈.利用腿部區域HOG特征的行人檢測方法[J].計算機工程與應用，2013，49（1）:217-221.

［3］杜友田.基于視覺的人的運動識別綜述[J].電子學報，2007，35(1):84-90.

［4］黃茜.基于梯度向量直方圖的行人檢測[J].科學技術與工程，2009，9(13):3646-3651.

［5］潘鋒.基于支持向量機的復雜背景下的人體檢測[J].中國圖像圖像學報,2005，10(2):183-186.