摘  要： 近年來(lái)，伴隨著智能車輛的快速發(fā)展，行人檢測(cè)在車輛輔助駕駛方面越來(lái)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(shí)具有較強(qiáng)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(duì)目標(biāo)進(jìn)行特征描述，最后采用Adaboost算法訓(xùn)練得到一個(gè)行人分類器對(duì)行人進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法檢測(cè)快速準(zhǔn)確，具有較好的檢測(cè)效果。

　　關(guān)鍵詞： 行人檢測(cè)；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(cè)在車輛輔助駕駛系統(tǒng)中具有重要的應(yīng)用價(jià)值。隨著全球機(jī)動(dòng)車輛的快速增長(zhǎng)，交通事故也逐年上升，而大部分是由于車輛未及時(shí)采取避讓措施造成車輛與行人的碰撞。因此，對(duì)行人進(jìn)行檢測(cè)，對(duì)有可能發(fā)生碰撞的行人提前做出預(yù)警將會(huì)很大程度上減少交通事故的發(fā)生。然而，行人檢測(cè)一直是一個(gè)有難度、富有挑戰(zhàn)性的課題[1]。

　　在過(guò)去的一段時(shí)間內(nèi)，許多學(xué)者提出了多種行人檢測(cè)方法。如基于運(yùn)動(dòng)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(cè)效果。VIOLA P等人[4]采用級(jí)聯(lián)AdaBoost學(xué)習(xí)算法對(duì)人臉進(jìn)行檢測(cè)，后來(lái)被應(yīng)用到行人檢測(cè)上，取得了不錯(cuò)的檢測(cè)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(guò)高、計(jì)算速度較慢，因此不能滿足車載檢測(cè)實(shí)時(shí)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(cè)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(cè)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(jì)算速度快的優(yōu)點(diǎn)。該算法主要包括訓(xùn)練部分和檢測(cè)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(duì)感興趣區(qū)域的目標(biāo)進(jìn)行重點(diǎn)檢測(cè)，避免全局掃描圖像而消耗過(guò)多時(shí)間。行人不管是站立還是行走，其垂直方向都具有很強(qiáng)的對(duì)稱性[7]。可以利用這個(gè)特征，粗提取行人有可能存在的感興趣區(qū)域。采用式（1）來(lái)計(jì)算圖像每列的邊緣對(duì)稱性。

　　其中，wmin、wmax為垂直邊緣點(diǎn)的搜索范圍，Sv（k）為對(duì)應(yīng)第k列的對(duì)稱性測(cè)度，數(shù)值越大表示圖像越以k為對(duì)稱中心。參考文獻(xiàn)[8]通過(guò)統(tǒng)計(jì)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(shí)可以排除大量的非行人區(qū)域。

2 行人識(shí)別

　　2.1 顏色特征提取

　　顏色特征因其具有計(jì)算簡(jiǎn)單、易于提取等優(yōu)點(diǎn)而在圖像處理方面被廣泛使用。HSV（Hue、Saturation、Value）對(duì)光線變化具有較強(qiáng)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(jué)對(duì)顏色的感知特性對(duì)顏色進(jìn)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(diǎn)的LBP值。LBP算子示意圖如圖2所示。

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

　　CS-LBP能夠?qū)D像進(jìn)行降維，但對(duì)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(shí)具有對(duì)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(duì)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(shí)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(shí)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(gè)訓(xùn)練集通過(guò)訓(xùn)練得到分類性能一般的弱分類器，把這些弱分類器級(jí)聯(lián)，構(gòu)成一個(gè)分類性能更好的強(qiáng)分類器，由此利用強(qiáng)分類器來(lái)對(duì)行人進(jìn)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}；

　　（2）訓(xùn)練樣本的初始分布：；

　　（3）for t=1，…，T，計(jì)算弱分類器ht:X→{0，1}在分布Dt上的誤差為：εt=P（ht（xi）≠yi），計(jì)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(qiáng)分類器為：。

3 實(shí)驗(yàn)結(jié)果及分析

　　本文實(shí)驗(yàn)采用的數(shù)據(jù)來(lái)源于INRIA行人數(shù)據(jù)庫(kù)、MIT數(shù)據(jù)庫(kù)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(cè)試集包含  1 236幅行人圖像、1 039幅非行人圖像。實(shí)驗(yàn)在MATLABR2008a上實(shí)現(xiàn)，Window XP操作系統(tǒng)，計(jì)算機(jī)環(huán)境配置為2.5 GHz CPU 和2 GB內(nèi)存。在INRIA數(shù)據(jù)庫(kù)提供的行人測(cè)試樣本上進(jìn)行檢測(cè)實(shí)驗(yàn)。為了比較本算法的檢測(cè)性能，在相同環(huán)境下實(shí)現(xiàn)參考文獻(xiàn)[7]的檢測(cè)算法，兩種算法比較結(jié)果如表1所示。本文檢測(cè)算法比參考文獻(xiàn)[7]算法檢測(cè)率更高，并且采取只對(duì)感興趣區(qū)域的行人進(jìn)行檢測(cè)，因而大大減少了檢測(cè)所用時(shí)間。部分檢測(cè)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(duì)行人進(jìn)行檢測(cè)識(shí)別，可以看出本文檢測(cè)算法對(duì)行人的區(qū)分能力強(qiáng)，對(duì)行人有較好的識(shí)別能力，但是由于光照和相似背景的干擾會(huì)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(duì)行人進(jìn)行檢測(cè)識(shí)別，可以看出本文檢測(cè)算法在復(fù)雜背景下同樣能夠?qū)π腥擞休^好的識(shí)別，但是由于人群密度過(guò)大、人群遮擋等原因會(huì)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(cè)算法，并通過(guò)Adaboost分類器進(jìn)行行人檢測(cè)實(shí)驗(yàn)。這種檢測(cè)算法避免了對(duì)整幅圖像進(jìn)行全局掃描，運(yùn)行速度快，魯棒性高，且在INRIA行人庫(kù)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(guò)大的環(huán)境下檢測(cè)結(jié)果不是很理想，在后續(xù)會(huì)進(jìn)一步改進(jìn)和完善。

　　參考文獻(xiàn)

　　[1] 張春鳳，宋加濤，王萬(wàn)良.行人檢測(cè)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(jī)運(yùn)動(dòng)下基于背景匹配的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（24）：179-181.

　　[3] 周晨卉，王生進(jìn)，丁曉青.基于局部特征級(jí)聯(lián)分類器和模板匹配的行人檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào)，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(cè)方法研究[J].計(jì)算機(jī)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(duì)稱性的車輛前方行人檢測(cè)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(guó)，鐘令，等.基于AdaBoost行人檢測(cè)優(yōu)化算法的研究[J].機(jī)電工程，2014，31（10）：1347-1350.