陶春，陳淑榮

　?。ㄉ虾：Ｊ麓髮W 信息工程學院，上海 201612）

       摘要：針對雨天環(huán)境下監(jiān)控視頻因雨水噪聲、圖像的灰度值削弱使行人輪廓特征丟失而出現(xiàn)的目標行人漏檢誤檢情況，建立了一種基于HOG-SIFT特征稀疏表示的行人檢測算法。通過直方圖均衡化降低雨水噪聲；提取圖像HOG-SIFT融合特征表征視頻圖像中的行人信息，減少輪廓特征的丟失；利用稀疏表示降低融合特征的維數(shù)，減小計算量并保留有效的行人特征，結合AdaBoost分類器降低漏檢率和誤檢率。實驗結果表明，該算法在雨天環(huán)境下有效地提高了行人檢測的準確率。

　　關鍵詞：HOG特征；SIFT特征；稀疏表示；行人檢測

　　中圖分類號：TP317.4文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.07.012

　　引用格式：陶春，陳淑榮.雨天環(huán)境基于HOGSIFT特征稀疏表示的行人檢測［J］.微型機與應用，2017,36（7）：39-42.

　　0引言

　　行人檢測是計算機視覺領域備受關注的前沿方向和研究熱點。常用特征主要有方向梯度直方圖（HOG）［1］、Haar特征［2］、尺度不變特征（SIFT）［3］、加速魯棒特征（SURF）［4］等。參考文獻［5］利用非負矩陣分解和方向梯度直方圖生成HOGNMF特征的快速行人檢測方法，降低了特征維數(shù)，對線性支持向量機的分類效果提高顯著，但易受光照環(huán)境影響。文獻［6］提出一種顏色自相似度特征與AdaBoost級聯(lián)分類器結合的行人檢測方法，加快了檢測速度，但漏檢誤檢情況較高。文獻［7］采用快速SIFT算法匹配相鄰幀人的身體，結合AdaBoost級聯(lián)分類器檢測行人信息，該算法適用于復雜場景下的行人檢測但是實時性差。上述文獻中所提到的檢測方法能夠運用在較多場景，但在雨天環(huán)境下，監(jiān)控視頻圖像灰度值削弱導致行人輪廓特征丟失，出現(xiàn)大量行人漏檢誤檢情況。

　　在光線昏暗的雨天環(huán)境下，針對視頻圖像的灰度值削弱問題，本文采用圖像的HOGSIFT融合特征描述行人信息，可以減少其輪廓特征的丟失。利用稀疏表示對圖像HOGSIFT融合特征進行降維，得到強輪廓特征，通過AdaBoost分類器的級聯(lián)強分類性來提高雨天環(huán)境下行人檢測的準確率。

1算法原理

　　實驗中首先提取雨天環(huán)境下監(jiān)控視頻的每幀圖像，進行直方圖均衡化處理降低雨水噪聲影響，再變換為灰度圖像并歸一化。通過提取圖像HOG特征和SIFT特征，串行組合成HOGSIFT融合特征，表征圖像中的行人特征。利用稀疏表示降低融合特征維數(shù)，得到強輪廓特征，并減少弱噪聲影響。通過AdaBoost級聯(lián)分類器檢測目標行人。算法流程如圖1所示。

　　1.1HOG特征提取

　　HOG特征是圖像處理中檢測行人或物體的一種特征描述子。提取測試樣本圖像的HOG特征，需將圖像分成小的細胞單元（cell），采集cell中各像素點梯度和邊緣的方向直方圖，再組合起來構成測試樣本圖像的HOG特征。圖像中像素點(x,y)梯度為：

　　Gx(x,y)=H(x+1,y)－H(x－1,y)（1）

　　Gy(x,y)=H(x,y+1)－H(x,y－1)（2）

　　式中Gx(x,y)，Gy(x,y)，H(x,y)分別表示輸入圖像中像素點(x,y)處的水平方向梯度、垂直方向梯度和像素值。像素點(x,y)處的梯度幅值和梯度方向分別為：

　　G(x,y)=Gx(x,y)2+Gy(x,y)2（3）

　　α（x,y)=tan－1(Gy(x,y)/Gx(x,y))（4）

　　實驗中對樣本圖像進行HOG特征提取，圖像歸一化為64×128。將圖像分割成16×16像素的cell，每2×2個cell組成一個塊。將梯度方向平均劃分為9個區(qū)間，統(tǒng)計cell里每個區(qū)間中像素的梯度方向直方圖，得到一個9維的特征向量。計算出每個塊內(nèi)有4×9=36個特征向量，用塊對樣本圖像進行掃描，掃描步長為一個單元。將所有塊的特征串聯(lián)起來，構成完整的HOG特征。圖2是雨天視頻圖像HOG特征的提取。

　　圖2（a）為原始圖像，（b）為根據(jù)提取的HOG特征還原的圖像。HOG特征是統(tǒng)計每個cell中像素的梯度直方圖，而還原圖像的像素點受到雨天光線變暗、圖像灰度值削弱的影響，使圖2(b)中的行人輪廓出現(xiàn)明顯的丟失,在檢測時易造成漏檢誤檢情況。因此，利用單一HOG特征在雨天環(huán)境下檢測行人的準確率較低。

　　1.2SIFT特征提取

　　SIFT特征能保持圖像的尺度與旋轉(zhuǎn)不變性，對光照變化有較好的穩(wěn)定性。通過對樣本圖像分別提取HOG和SIFT特征，串聯(lián)組合成HOG-SIFT融合特征，能夠有效描述雨天視頻圖像中行人輪廓的特征信息，提高在雨天環(huán)境下的行人檢測準確率。提取SIFT特征首先要構造圖像的尺度空間，對每層尺度空間進行關鍵點檢測和方向分配，再通過歸一化生成關鍵點描述子。尺度空間和關鍵點的算法描述如式（5）～式(7)。

　　I(x,y)是輸入的圖像信號，G(x,y,σ)是尺度可變高斯函數(shù)，則函數(shù)L(x,y,σ)是一幅圖像的尺度空間，如式（5）：

　　L(x,y,σ)=G(x,y,σ)*I(x,y)（5）

　　其中，σ是尺度因子，σ越小，表征圖像的信息越多；σ越大，表征圖像的信息越少。關鍵點在(x,y)處梯度的模值和方向，其公式如式（6）和（7）：

　　m(x,y)=(L1－L2)2+(L3－L4)2（6）

　　θ(x,y)=atan2(L3－L4)/(L1－L2)（7）

　　式中各變量L1=L(x+1,y)，L2=L(x－1,y)，L3=L(x,y+1)，L4=L(x,y－1)。

　　實驗對樣本圖像進行SIFT特征提取，圖像歸一化為64×128，利用高斯函數(shù)對每一幅圖像構造尺度空間，通過高斯差分卷積對尺度空間中的關鍵點進行檢測。本文選用16×16大小的檢測窗口，每個窗口檢測到的關鍵點為4×4=16個，利用式（6）、（7）確定關鍵點的位置、尺度和方向后，用高斯窗口對其進行加權運算，得到具有8個方向的關鍵點，一個窗口有4×4×8=128維特征描述子，一幅64×128大小的圖像有128×32=4 096維SIFT特征。圖3是雨天視頻圖像中行人SIFT特征關鍵點的提取。

　　圖3（a）為原始圖像，（b）為SIFT特征關鍵點提取。SIFT特征通過高斯函數(shù)構造圖像中目標行人的多層尺度空間，利用檢測窗口檢測出人體輪廓的關鍵點，將關鍵點串聯(lián)得到人體的SIFT輪廓特征。在光線昏暗的雨天環(huán)境，SIFT特征通過關鍵點描述出行人輪廓特征，減少雨天環(huán)境下行人的局部輪廓特征丟失。因此，通過構造HOG-SIFT融合特征將有效提高雨天環(huán)境中行人目標檢測的準確率。

　　1.3HOG-SIFT特征的稀疏表示

　　稀疏表示能夠降低HOG-SIFT融合特征的維數(shù)、減少計算量，使HOG-SIFT融合特征有效表征行人輪廓信息，減少噪聲特征的影響。實驗首先對行人數(shù)據(jù)庫中選出的訓練樣本提取融合特征構造字典，將訓練樣本分為k類，提取到的特征向量為Si,j，第i類訓練樣本用特征向量表示為Ai，將Ai擴展到整個訓練樣本集，則可以構成字典A，如式（8）所示：

　　A=［A1,A2...Ak］=［S1,1,S1,2...Sk,n］∈R（8）

　　實驗中將行人結構與稀疏表示原理相結合建立稀疏算法模型。行人結構可以定義成一個層次為h的索引樹T，則Ti={Gi1,Gi2,...,Gini}包括了層次為i中所有的節(jié)點，其中n0=1，G01={1,2,...p}且ni≥1，i=1,2,...h。數(shù)學模型為式（9）：

　　其中x∈Rp，ωij≥0(i=0,1,...,h,j=1,2,...,ni)是預先定義的關于節(jié)點Gij的權重，xGij是節(jié)點Gij的系數(shù)向量。

　　實驗對待測的雨天視頻圖像提取HOG-SIFT融合特征，利用式（9）對該融合特征進行稀疏表示。通過已經(jīng)構造出的字典A和需要稀疏的融合特征向量y，利用正則化參數(shù)求解出參數(shù)λmax，根據(jù)式（9）可以求解特征向量y的系數(shù)矩陣x，通過其表征圖像中行人的輪廓特征。圖4是對雨天視頻圖像提取的HOG-SIFT融合特征的稀疏表示?！　?/p>

　　稀疏表示是通過一組系數(shù)矩陣來表示圖像特征，系數(shù)矩陣可以通過稀疏字典還原圖像的特征信號，相較于傳統(tǒng)PCA降維法不需要計算協(xié)方差矩陣，縮短了特征降維的時間，同時經(jīng)過稀疏表示后的HOG-SIFT融合特征對雨天環(huán)境下視頻圖像中行人輪廓表征更清晰，減少了弱噪聲特征影響。

　　1.4AdaBoost分類器

　　AdaBoost是一種迭代算法，針對同一個訓練集訓練不同的弱分類器，并將弱分類器級聯(lián)成一個強分類器。在雨天環(huán)境下，AdaBoost通過多次構造弱分類器檢測出錯誤的樣本，利用級聯(lián)強分類性再次檢測出錯誤的樣本，提高了分類器檢測的準確率，有效減少了雨天環(huán)境下圖像灰度值削弱而出現(xiàn)的行人漏檢誤檢情況。因此，本文選用AdaBoost作為實驗的最終分類器。

2算法步驟

　　本文算法步驟如下：

　?。?）選取一段雨天環(huán)境下的監(jiān)控視頻，提取視頻幀圖像，對圖像進行直方圖均衡化處理，降低雨水噪聲的影響。

　?。?）將圖像轉(zhuǎn)為灰度圖像，并做歸一化處理。

　　（3）對圖像分別提取HOG特征和SIFT特征，得到兩個特征集合α、β，并且通過串行特征組合方法構造HOGSIFT融合特征集C。

　　（4）利用融合特征C構造待檢測圖像的字典A，用稀疏算法對融合特征C進行稀疏表示，得到圖像的稀疏融合特征向量C′。

　?。?）通過AdaBoost分類器對稀疏融合特征向量C′分類檢測，得到雨天環(huán)境下視頻幀圖像中的目標行人。

3實驗結果及分析

　　為了驗證算法有效性，在MATLAB 2014a環(huán)境下進行實驗，計算機配置為2.1 GHz CPU和4 GB內(nèi)存，數(shù)據(jù)庫為INRIA數(shù)據(jù)庫和Daimler數(shù)據(jù)庫。實驗驗證雨天環(huán)境下視頻監(jiān)控中行人檢測的漏檢誤檢情況。首先從兩個數(shù)據(jù)庫中選擇2 100個包含行人圖片的正樣本集和3 200個無行人圖片的負樣本集訓練AdaBoost分類器。測試樣本為雨天環(huán)境下的一段監(jiān)控視頻，提取500幅幀圖像作為最終的測試樣本集，且圖像大小歸一化為128×64。

　　實驗將本文算法與傳統(tǒng)HOG檢測算法和HOG紋理顏色融合特征檢測算法進行檢測對比，檢測結果如圖5所示。

　　圖5（a）為傳統(tǒng)HOG+SVM算法檢測的結果,（b）為HOG-紋理-顏色+SVM算法檢測的結果，（c）為本文算法HOG-SIFT+稀疏表示+AdaBoost算法檢測的結果。在圖（a）、（b）中已用箭頭標注出漏檢情況，在圖（c）中本文算法正確檢測出目標行人。

　　針對雨天環(huán)境下行人檢測的漏檢誤檢情況，將本文算法與傳統(tǒng)HOG特征檢測算法、HOG-紋理-顏色融合特征檢測算法進行比較。圖6是在晴天環(huán)境下3種算法的檢測情況比較，圖7是在雨天環(huán)境下3種算法的檢測情況比較。其中漏檢率（MissRate）和誤檢率（FPPW）如式（10）和式（11）所示：

　　式中，F(xiàn)N（False Negatives）是正樣本被錯誤檢測為負樣本的數(shù)量；TP（True Positives）是正樣本被正確檢測為正樣本的數(shù)量；FP（False Positives）是負樣本被錯誤檢測為正樣本的數(shù)量；TN（True Negatives）是負樣本被正確識別為負樣本的數(shù)量。

　　實驗結果表明，晴天環(huán)境在誤檢率相同的情況下，本文算法的漏檢率比傳統(tǒng)HOG算法和HOG紋理顏色融合特征算法稍低，其準確率為93.5%，傳統(tǒng)HOG算法的準確率為89%，HOG紋理顏色融合特征算法的準確率為90.6%。雨天環(huán)境在誤檢率相同情況下，本文算法的漏檢率明顯比另兩種算法低，其準確率為90.3%，傳統(tǒng)HOG算法的準確率為80.1%，HOG紋理顏色融合特征算法的準確率為83.2%。

　　針對雨天環(huán)境下行人目標的檢測時間，將本文算法與傳統(tǒng)HOG特征檢測算法和HOG紋理顏色融合特征檢測算法對相同維數(shù)的雨天視頻圖像特征進行檢測比較。結果如表1所示。

　　表1中是3種算法對一組2 800維的雨天視頻圖像特征進行行人檢測的時間比較，包括不同算法下特征的訓練時間、分類檢測時間和行人目標檢測的準確率。本文算法提取的HOGSIFT融合特征經(jīng)過稀疏表示將邊緣弱特征忽略掉，保留行人輪廓的強特征，從而降低了特征的維數(shù)，簡化了計算量。因此，本文算法大大減少了樣本的訓練時間和檢測時間，提高了行人檢測的準確率。

4結論

　　針對雨天環(huán)境下監(jiān)控視頻中因雨水噪聲、圖像的灰度值削弱使行人輪廓特征丟失而出現(xiàn)行人漏檢誤檢的情況，建立了一種基于HOG-SIFT特征稀疏表示的行人檢測算法。利用HOGSIFT融合特征表征雨天環(huán)境下圖像的行人特征；減少輪廓信息丟失；通過稀疏表示對融合特征降維、簡化計算，并保留有效的行人特征;利用AdaBoost分類器的級聯(lián)強分類性降低行人的漏檢誤檢情況。實驗表明本文算法提高了雨天監(jiān)控視頻中行人目標檢測的準確率，為雨天視頻監(jiān)控系統(tǒng)實施行人檢測方法提供了理論依據(jù)。

　　參考文獻

　?。?］ DALAL N,TRIGGS B.Histograms of oriented gradients for human detection ［C］. IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2005,1:886-893.

　?。?］ LOWE D G.Distinctive image feature from scaleinvariant key points［J］.International Journal of Computer Vision, 2004, 60(2):91-110.

　　［3］ OJALA T,PIETIKAINEN M,HARWOOD D.A comparative study of texture measures with classification based on feature distributions［J］.Pattern Recognition,1996,19(3):51-59.

　?。?］ 顧志航，陳淑榮.一種基于HOG和LSS融合的行人檢測算法［J］.微型機與應用，2016，35（8）：37-39.

　　［5］ 孫銳，陳軍，高雋.基于顯著性檢測與HOGNMF特征的快速行人檢測方法［J］.電子與信息學報，2013,35（8）：1921-1926.

　　［6］ 曾波波，王貴錦，林行剛.基于顏色自相似度特征的實時行人檢測［J］.清華大學學報，2014，52（4）：571-574.

　　［7］ 杜金輝，管業(yè)鵬，時勇杰.基于快速SIFT匹配的行人信息檢測［J］.電子器械，2012，35(5):601-606.