基于感兴趣区域特征融合的行人检测方法研究

摘 要： 近年来，伴随着智能车辆的快速发展，行人检测在车辆辅助驾驶方面越来越受到重视。提出一种二维显著性纹理算子（Two-dimensional Significant Local Binary Pattern，TS-LBP），该算子能够反映图像的纹理特征、显著性特征同时具有较强的抗噪声性能。首先提取感兴趣的目标区域，再提取目标区域颜色与纹理特征的融合特征对目标进行特征描述，最后采用Adaboost算法训练得到一个行人分类器对行人进行识别。实验结果表明，该方法检测快速准确，具有较好的检测效果。

0 引言

行人检测在车辆辅助驾驶系统中具有重要的应用价值。随着全球机动车辆的快速增长，交通事故也逐年上升，而大部分是由于车辆未及时采取避让措施造成车辆与行人的碰撞。因此，对行人进行检测，对有可能发生碰撞的行人提前做出预警将会很大程度上减少交通事故的发生。然而，行人检测一直是一个有难度、富有挑战性的课题[1]。

在过去的一段时间内，许多学者提出了多种行人检测方法。如基于运动信息的方法[2]、基于模板匹配的方法[3]等，但是都不能够取得较好的检测效果。VIOLA P等人[4]采用级联AdaBoost学习算法对人脸进行检测，后来被应用到行人检测上，取得了不错的检测效果；DALAL N等人[5]提出了梯度方向直方图（Histogram of Oriented Gradient，HOG）特征能够高效刻画出人体的边缘特征，是目前广泛使用的行人特征描述子，但是其维度过高、计算速度较慢，因此不能满足车载检测实时性的要求；WALK S等人[6]提出了颜色自相似性（Color Self-Similarity，CSS）特征的行人检测方法，因其包含较多冗余信息，不能得到较满意的效果。

在车载视频图像中存在着大量的非行人区域，可先确定行人可能存在的感兴趣区域，再对感兴趣区域的目标进行重点检测，避免全局扫描图像而消耗过多时间。行人不管是站立还是行走，其垂直方向都具有很强的对称性[7]。可以利用这个特征，粗提取行人有可能存在的感兴趣区域。采用式（1）来计算图像每列的边缘对称性。

其中，wmin、wmax为垂直边缘点的搜索范围，Sv（k）为对应第k列的对称性测度，数值越大表示图像越以k为对称中心。参考文献[8]通过统计得出行人宽高比的平均值为0.4，可适当放宽比值，提取出更多的候检区域，避免漏检，同时可以排除大量的非行人区域。

2 行人识别

2.1 颜色特征提取

颜色特征因其具有计算简单、易于提取等优点而在图像处理方面被广泛使用。HSV（Hue、Saturation、Value）对光线变化具有较强的适应能力。因此，首先按式（2）将输入的图像从RGB颜色空间转换到HSV颜色空间中。根据人体视觉对颜色的感知特性对颜色进行非均匀量化，从而将HSV颜色空间量化为72维直方图特征向量。

v=max

2.2 纹理特征提取

局部二值模式（Local Binary Pattern，LBP）是由OJALA T等人[9]提出的用于提取图像局部纹理特征的算子。以3×3模板为例，按照式（3）即可以求得该窗口中心像素点的LBP值。LBP算子示意图如图2所示。

在统计LBP直方图时维数太多且具有较多冗余。CS-LBP（Center-Symmetric Local Binary Pattern）具有中心对称特性，同时能够对LBP起到降维的作用。CS-LBP算子计算公式如式（4），算子示意图如图3所示。

2.3 特征融合

首先按式（2）提取图像感兴趣区域的颜色直方图，再按式（7）提取感兴趣目标区域纹理直方图，将两种特征融合在一起形成融合特征直方图，如图4所示。融合后的特征能够反映目标区域的纹理特征、显著性特征以及颜色特征，同时具有较好的抗噪声性能。

2.4 Adaboost算法介绍

Adaboost算法是一种迭代算法[10]，其核心思想是用同一个训练集通过训练得到分类性能一般的弱分类器，把这些弱分类器级联，构成一个分类性能更好的强分类器，由此利用强分类器来对行人进行分类。算法的流程如下：

（1）给定训练集：F={（x1，y1），…，（xN，yN）}，其中yi∈{0，1}；

（2）训练样本的初始分布：

； （3）for t=1，…，T，计算弱分类器ht:X→{0，1}在分布Dt上的误差为：εt=P（ht（xi）≠yi），计算该弱分类器的权重：

； （4）更新训练样本的分布：

，其中Zt为归一化常数； （5）最后的强分类器为：

。

3 实验结果及分析

4 结论

参考文献

[1] 张春凤，宋加涛，王万良.行人检测技术研究综述[J].电视技术，2014，38（3）：157-162.

[2] 贺琴，潘建寿，刘继艳，等.摄像机运动下基于背景匹配的运动目标检测[J].计算机工程与应用，2010，46（24）：179-181.

[3] 周晨卉，王生进，丁晓青.基于局部特征级联分类器和模板匹配的行人检测[J].中国图象图形学 ，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，周书仁，李峰，等.HSV与LBP特征融合的行人检测方法研究[J].计算机工程与科学，2014，36（10）：1997-2001.

[8] 郭烈，王荣本，金立生，等.基于边缘对称性的车辆前方行人检测方法研究[J].交通信息与安全，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] 杨英，刘卫国，钟令，等.基于AdaBoost行人检测优化算法的研究[J].机电工程，2014，31（10）：1347-1350.