范國娟1，范國卿2，柳絮青3

　　（1.山東傳媒職業學院，山東 濟南 250200；2.絲路衛星通信有限公司，江蘇 南京 210012；3.江南大學，江蘇 無錫 214122）

       摘要：針對實際監控中人體目標輪廓的多尺度特性，提出一種用于人體目標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，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數據庫中進行了實驗，結果表明，該算法對人體目標檢測具有較好的性能。

　　關鍵詞：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域，如公共安全、智能機器人、視覺監控、行為分析等［1］。目前人體檢測多采用基于統計分類的方法，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)，利用圖像塊內的方向統計進行人體檢測，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相結合的算法，達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，沒有考慮實際監控中復雜背景下人體目標輪廓的多尺度特性，當這些算法應用到真實場景中時，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，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數據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，每幅圖像會轉化成40個不同尺度與方向的圖像，特征維數為原圖像的40倍，造成特征數據冗余，增加了計算的復雜度。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特征間的數據冗余，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，并將其聯合起來作為人體圖像的HOGG表征。HOGG的構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)分別從橫向和縱向對融合圖像進行梯度提取操作，求得融合圖像的梯度圖像。

　　(2)構建梯度方向直方圖

　　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間，而梯度幅值作為直方圖投票權重，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標準化，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vn是對應的block向量，則標準化的向量fn為：

　　其中：ξ為接近0的正數。

　　(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實驗環境與數據庫

　　在Core(TM)2.00 GHz的CPU，2.00 GB內存，Windows下MATLAB R2010a的計算機上進行仿真實驗。實驗采用MIT和INRIA數據庫作為訓練集，包括1 126個正樣本與1 218個負樣本；采用CAVIAR［5］數據庫作為測試集。

　　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，如果待測區域已經被標記為人體，則跳過該區域。

　　3.3實驗結果與分析

　　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。實驗結果如表1所示。

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

　　由于不同尺度子帶間冗余信息較大，簡單地增加尺度數不一定能提高性能，由表1可以看出，取尺度數為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行人數據庫上提取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優于當前其他方法，具有較好的性能，證明了HOGG方法的有效性。

4結論

　　本文提出了一種基于Gabor變換和HOG的人體目標檢測的新特征表達，可以多層次、多分辨率地表征人體目標。在CAVIAR數據庫中的實驗數據表明，Gabor多尺度的變換能夠增強HOG算子對人體紋理細節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.

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

　　［5］ 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.

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