HOG+SVM與C4兩種行人檢測技術比較

熊幫偉　劉勇

摘要 隨著社會的發展，安防監控已成為維護我國社會安定的關鍵環節。行人檢測無疑是安防監控中的重要方面，也是計算機視覺領域非常具有挑戰性的熱點，目前國內外已有很多有關行人檢測方面的報道。HOG+SVM是當前使用最為廣泛的行人檢測方法，很多行人檢測技術都是對經典的HOG+SVM方法進行改進，其中對視頻中的行人檢測速度較快有C4行人檢測算法。對兩種行人檢測技術進行了比較研究。

關鍵詞 安防監控；行人檢測；HOG；SVM；C4

DOI DOI： 10.11907/rjdk.162336

中圖分類號： TP302

文獻標識碼： A 文章編號 文章編號： 16727800（2017）002002204

0 引言

當前，隨著中國社會的不斷發展，城市化進程也不斷加快，居民們的人身安全和財物安全已成為廣受關注的問題。安防監控是現階段維護我國社會安定的關鍵環節之一，因此對于相關技術也提出了更高要求。例如：安防監控應該有人工智能的視頻分析能力，能夠實現“發現可疑人員并報警”及“自動跟蹤可疑人員”等功能。其中，行人檢測是安防監控中的重要環節，是實現“發現可疑人員并報警”及“自動跟蹤可疑人員”的前提。

行人檢測是機器視覺、圖像處理等領域中相關應用的關鍵技術之一，在安防監控、無人汽車駕駛、機器人以及多媒體分析等方面具有廣泛的應用前景和潛在的經濟價值，因此成為了近年來的研究熱點。目前行人檢測技術已涌現出一批經典算法，但是受姿態、遮擋、環境等干擾因素的影響，行人檢測技術在檢測的精確度、速度等方面仍有較大提升空間。

1 行人檢測技術現狀

行人檢測指獲取視頻或圖片信息，然后從其中檢測出行人位置。由于行人檢測涉及到服飾變化、姿態變化、遮擋等因素，還要考慮天氣、光線、路況變化，對算法的魯棒

性要求高，并且要滿足實時性要求。因此，行人檢測技術的研究很有價值，也非常具有挑戰性。

2005年Dalal等提出基于統計訓練的方法，是經典行人檢測方法，該方法利用梯度方向直方圖——HOG（Histogram of Oriented Gradient）來刻畫圖像局部梯度幅值和方向，然后利用支持向量機（SVM）分類器對待測圖像進行檢測。如今，行人檢測技術趨于大規模和實用化，但也存在著檢測速度和檢測準確度不高等缺點。在如何提高檢測速度和檢測準確度方面，仍存在以下問題：①行人高度問題；②復雜場景問題；③分類器問題；④多特征融合問題。

2 HOG+SVM與C4兩種行人檢測技術分析

目前安防監控領域的行人檢測技術較多，但很多都是對經典的HOG+SVM方法進行改進，其中C4行人檢測算法對視頻中行人檢測速度較快。經典的HOG+SVM方法與C4行人檢測算法兩種技術都是基于SVM的，只是特征上有些差異，下面對這兩種技術作簡要介紹。

2.1 HOG+SVM人體檢測

Navneet Dalal和Bill Triggs在2005年的CVPR上發表的文章中首次提出了HOG特征，同時采用SVM分類器對HOG特征進行分類，這種結合使行人檢測技術趨于實用化。由于基于該特征的行人檢測方法效果很好，吸引了眾多研究者關注。Dalal等最初只是用此方法檢測靜態圖像中的行人，但后來也用于在視頻和電影中檢測行人，以及檢測靜態圖像中的車輛、常見動物等。HOG特征具有很多優勢，其有效性主要來源于它對光照變化和少量偏移不敏感，同時還能描述局部形狀信息，能夠很好地刻畫人體的邊緣特征及其輪廓。

HOG描述子是在包含大小統一的細胞單元（Dense Grid of Uniformly Spaced Cells）的稠密網格上進行計算，還采用了局部方向直方圖對比度歸一化。HOG特征提取方法的流程是：先輸入圖像，然后對其伽瑪和顏色進行歸一化；計算梯度，對細胞單元的空間和方向進行加權投票；對重疊空間塊進行對比歸一化，再在檢測窗口收集描述子，用線性支持向量機對描述子進行分類；最后由分類器識別人與非人，如圖1所示。

2.2 C4行人檢測算法

C4行人檢測算法對經典的HOG+SVM方法進行了算法上的改進，能夠進行快速行人檢測，實時視頻處理效果好、速度快。

由于Sobel[1]圖像能很好地計算邊緣信息，先計算Sobel圖像（見圖2），再進行CT（Census Transform）[2]變換（見圖3）。所謂的C4是Human Contour Using a Cascade Classifier and the CENTRIST Visual Descriptor。

C4訓練時采用線性SVM和HIK SVM。如圖4所示，與HOG特征提取時所設置的cell和block關系一樣，把窗口分成9*4個block，其中每個block大小為12*9，把鄰近的2*2個block作為一個Super block。因此，每個窗口則有8*3個Super block，得到的向量應為24*256=6144維。

采用式（6）可以快速計算CENTRIST描述符，如圖5所示。圖5（a）表示式（2）的計算方法，Super block中的值代表CT圖像變換后的值，圖5（b）表示式（6）的快速計算方法，Super block中的值代表在分類器ω中前者CT圖像變換后的值。

3 對比實驗與分析

基于Opencv的行人檢測方法，利用開源的跨平臺計算機視覺庫Opencv在Visual Studio進行開發、調試及應用。通過提取行人的梯度方向直方圖（HOG）特征，并利用事先準備的樣本訓練出來線性支持向量機（SVM）分類器對提取的行人特征進行分類，建立一種基于梯度方向直方圖特征的行人檢測系統。實驗結果表明，該系統符合要求，能夠有效地檢測出行人。

3.1 開發平臺

Visual Studio 2010作為代碼編寫與編譯的平臺，其開發語言為C++。OpenCV2.4.4為微軟開源計算機視覺庫，OpenCV高效的矩陣運算能力以及對通用視覺算法的 完美實現，都有助于項目開發。

3.2 實驗數據介紹

實驗數據分為3種：①三張多行人的圖片；②一些MIT行人庫的行人圖片，一些INRIA行人庫的正樣本，一些INRIA行人庫的負樣本；③十字路口的監控圖片。

（1）先采用三張多行人的圖片分別對兩種方法進行檢測，并將經典的HOG+SVM和C4行人檢測算法在Opencv+VS2010中加以實現。實驗結果如圖6所示，經典的HOG+SVM實驗結果為：a1、a2、a3、C4行人檢測算法實驗結果為：b1、b2、b3。

實驗結果表明，兩種方法都可以檢測行人，但有誤報，也有漏檢。相比經典的HOG+SVM， C4行人檢測算法的檢測準確率有所提高（誤報與漏檢較少）。由此可見，C4行人檢測算法在監控中檢測行人具有一定優勢。

（2）采用一些MIT行人庫的行人圖片、一些INRIA行人庫的正樣本，以及一些INRIA行人庫的負樣本進行檢測。

一些MIT行人庫的行人圖片檢測結果如圖7所示，經典HOG+SVM方法實驗結果為：c1、c2、c3、c4、c5，C4行人檢測算法實驗結果為：d1、d2、d3、d4、d5。實驗結果表明，兩種方法都可以檢測行人，效果都比較好。

一些INRIA行人庫的正樣本的檢測結果如圖8所示，經典HOG+SVM方法實驗結果為：e1、e2、e3、e4、e5，C4行人檢測算法實驗結果為：f1、f2、f3、f4、f5。實驗結果表明，兩種方法都可以檢測行人，其中HOG+SVM漏檢多一點。

一些INRIA行人庫的負樣本的檢測結果如圖9所示，經典HOG+SVM方法實驗結果為：g1、g2、g3、g4、g5，C4行人檢測算法實驗結果為：h1、h2、h3、h4、h5。實驗結果表明，兩種方法都可以檢測行人，其中HOG+SVM誤檢多一點。

（3）采用十字路口的監控圖片進行檢測，實驗結果如圖10所示。經典HOG+SVM方法實驗結果為：g1、g2，C4行人檢測算法實驗結果為：h1、h2。實驗結果表明，兩種方法都可以檢測行人。可能是因為圖片較大，情景較復雜，兩種方法檢測行人的效果都不太好，都有較多誤檢和漏檢。綜合以上3種實驗數據：可以看出C4行人檢測算法要比經典的HOG+SVM方法檢測行人的準確率高，誤檢與漏檢更少。

4 結語

本文比較了經典的HOG+SVM方法和C4行人檢測算法，并利用Visual Studio 2010開發平臺及OpenCV計算機視覺庫進行實驗。實驗結果表明，C4行人檢測算法性能較好，在檢測率、漏檢率等方面均優于經典的基于方向梯度直方圖算法的行人檢測系統。

參考文獻：

[1] 李新江，龔勛，李天瑞，等.面向視頻監控的自動行人檢測[J].計算機科學，2014，41（12）：264268.

[2] 李廣春，羅揚. 基于CENTRIST特征的實時行人檢測算法的實現[J].電腦知識與技術，2013，9（2）：370372.

[3] 賈慧星，章毓晉.車輛輔助駕駛系統中基于計算機視覺的行人檢測研究綜述[J].自動化學報，2007，33（1）：8590.

[4] 張陽.復雜交通場景中基于視頻的行人檢測與跟蹤若干關鍵問題研究[D].廣州：華南理工大學，2013.

[5] 洪傳文，張建龍，李潔.多模版匹配及加權融合的行人檢測方法[J].濟南大學學報：自然科學版，2016，30（3）：216219.

[6] WU J，REGH J M.CENTRIST：a visual descriptor for scene categorization[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2011，33（8）：14891501.

[7] 蘇松志，李紹滋，陳淑媛，等.行人檢測技術綜述[J].電子學報，2012，40（4）：814820.

[8] BENENSON R，MATHIAS M， TIMOFTE R， et al. Fast stixel computation for fast pedestrian detection[C].Proceedings ECCV，2012：1120.

（責任編輯：黃 健）