基于HOG和block权重的快速人体检测方法

摘  要： 为解决HOG行人检测过程缓慢的问题，在梯度向量直方图HOG中引入block权重的概念，通过合理筛选block，组成行人的特征向量，然后使用线性SVM作为分类器，重新进行学习，达到减少信息冗余、提高检测效率的目的。在INRIA库上进行实验，结果表明，通过合理选择block，能够在不影响检测效果的情况下，显著减少block的数目，达到提高检测速度的目的。
关键词： HOG；行人检测；SVM分类器；block权重

　计算机视觉处理是计算机人工智能的一个重要研究方向，它的最终目标是通过计算机模拟人类视觉，实现对现实场景的理解和推理。其中，对于输入场景通过计算机实现目标的自动识别分类，即目标识别，是实现计算机视觉的一个基础部分，也是目前的一个研究热点。比较成功的商业化应用实例是人脸识别系统，它是通过计算机对人脸的智能识别，实现对不同人身份的确认。在人体识别方面，由于人体自身姿态、衣着的多样性以及人体外观变化大，目前尚没有较为成熟的算法。
　目前，人体识别主要有基于多模板匹配[1]、基于边缘轮廓特征[2]和基于运动特征[3]等各种方法。然而，从实际效果来看，目前最好的是DALAL N和TRIGGS B提出的基于HOG特征的人体检测方法[4]。DALAL N等人通过使用16×16大小的块在检测窗口中滑动，然后按一定方式统计块中的梯度向量直方图，将各个块的梯度向量直方图串联，组成特征向量，最终利用SVM对获取的特征向量进行训练，获取分类器。按照该方法，如果选择检测窗口大小是128×64，block大小为16×16，cell大小为4×4，bin分为9个方向，每次block移动8，那么获得的向量大小为3 780维，检测效果虽然理想，但是耗时，难以达到实时性的要求。
　本文通过对基于HOG特征的人体检测算法进行分析，提出了一种基于感兴趣区域进行HOG提取的算法。该算法在适当影响检测效果的条件下，能够较好地减少计算量，达到提高计算速度的目的。
1 行人检测算法
1.1 特征选取
　HOG是DALAL N等人在2005年提出的一种基于梯度的特征提取过程，它的内容主要有4点：（1）使用梯度作为特征提取对象，将梯度向量划分为统计bin；（2）将梯度向量图划分为网格状的cell，以cell为单位统计梯度向量直方图；（3）以block为单位，对cell进行统计，得到三维梯度向量直方图，并进行归一化，减少局部光照的影响；（4）收集所有的block，合并成最终图像的HOG特征向量。




　分别利用3种不同的方法通过改变决策函数中的阈值b对测试样本进行检测，得到漏警率和虚警率的关系如图4所示。

　由图4可以看出，在3种检测方式中，原始HOG检测方式检测效果最好；通过人工选择感兴趣区域，保留41个block后提取特征向量进行分类，检测效果有一定的下降，这主要是由于人类主观经验的不足，不能完全合理确定起主要作用的特征，导致特征选择不充分的原因。
二次block训练的方法通过引入block权重的概念，利用原始训练得到的决策函数中的信息来确定感兴趣block，在选取的block数目减少到原始的1/5即20个时，在显著提高计算速度的情况下仍然能够得到较精确的分类器。
　实验结果证明，本文提出的两种减少特征维数、提高分类效率的算法在实际的应用中较为有效。
HOG特征是目前在行人检测过程中较为有效的一种方法，在人体检测过程中有着很高的识别率，然而HOG由于计算量较大、检测速度慢，因此限制了HOG的应用。本文通过对HOG的分析，发现可以通过减少HOG中冗余block，从而减少计算量，提高检测速度。
参考文献
[1] 吕治国，徐昕，贺汉根.基于可变模板和支持向量机的人体检测[J].计算机应用，2007（9）：2258-2261.
[2] 陈实，马天骏，黄万红，等.基于形状上下文描述子的步态识别[J].模式识别与人工智能，2007（6）：794-799.
[3] 韩鸿哲，王志良，刘冀伟，等.基于线性判别分析和支持向量机的步态识别[J].模式识别与人工智能，2005（2）：160-164.
[4] DALAL N， TRIGGS B. Histograms of oriented gradients for human detection[C]. CVPR’05， 2005.
[5] 焦李成，周伟达，张莉，等. 智能目标识别与分类[M].北京：科学出版社，2010.