基于AdaBoost的行人檢測預警方法

張書娟 王震洲

摘要：在輔助駕駛中對行人檢測的實時性要求較高，然而現(xiàn)有方法的計算復雜度普遍較高，難以滿足實時應用的需求。該文提出了一種基于AdaBoost算法的行人檢測與預警方法。行人探測器由Opencv訓練，并且訓練12級行人探測器。通過在處理器上使用檢測器，實現(xiàn)視頻圖像的行人檢測功能。另外，通過使用可變步長和分區(qū)掃描跟蹤方法，有效提高了檢測率，實時檢測的要求基本達到。采用均勻化預處理和多尺度融合技術提高了檢測過程中檢測率；通過直方圖均衡辦法有效地剔除了光影等因素對測試結果的影響；在測試完成后，通過多尺度融合技術消除冗余部分的測試結果，最終不僅減低了誤報率而且大大提高檢測效率。

關鍵詞：AdaBoost；行人檢測；多尺度融合；快速掃描

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2018）06-0174-04

行人檢測是指在圖像中或者視頻圖像中，確認是否有行人，如果有行人，那么將會對其進行預警的處理。行人檢測是汽車安全的關鍵技術，也是行人跟蹤，行為分析，步態(tài)分析，等研究的必要步驟。近年來行人檢測越來越多的向新興領域靠近，但是在處理的過程中特別容易受到外界環(huán)境的一些影響。現(xiàn)在常用的行人檢測的方法就是模式識別類的方法。

莊家俊等人通過模板匹配的方法來檢測夜間行人，首先通過預處理圖片來選取可能存在目標的局部區(qū)域，再根據(jù)候選區(qū)域利用特征末班匹配進行分類，這種二次處理檢測的算法雖然降低了算法冗雜度，但是由于第一級處理的程度太大，剔除掉了一部分目標區(qū)域，從而導致漏檢現(xiàn)象。郭烈根據(jù)行人腿部具有邊緣對稱性，利用sobel算子提取車載視頻中圖像的垂直邊緣并且找到對稱中心，再根據(jù)行人的高度與寬度比，從而檢測圖像中的行人，但是該方法的計算量太大，算法非常的冗雜的弊端。寧博利用集成學習方法改變傳統(tǒng)學習中泛化能力；根據(jù)特征選擇的方法來選取關鍵特征，這樣很大程度地減少了計算量；并且其引入了動態(tài)分類器的方法，增大了外界環(huán)境變化的魯棒性，但是由于算法太過復雜，根本無法達到實時檢測。

本文提出了一種基于Ada Boost算法的行人檢測與預警方法。行人探測器由Opencv訓練，并且訓練12級行人探測器。通過在處理器上使用檢測器，實現(xiàn)視頻圖像的行人檢測功能。另外，通過使用可變步長和分區(qū)掃描跟蹤方法，增大了檢測率，實時檢測的要求基本達到。采用均勻化預處理和多尺度融合技術提高了檢測過程中檢測率；通過直方圖均衡辦法有效地剔除了光影等因素對測試結果的影響；在測試完成后，通過多尺度融合技術消除冗余部分的測試結果，最終提高檢測率，降低誤報率。

1訓練分類器

訓練分類器的就是先選擇樣本，再對樣本進行離線訓練。訓練分類器的過程如圖1，首先選擇訓練樣本集即選擇正樣本集和負樣本集，再通過開源軟件opencv的程序來完成訓練分類器的訓練。

1.1選擇樣本

我們將HKPC得到的行人樣本作為正訓練樣本集；負樣本集采用INRIA樣本集即沒有行人的任何圖片。我們使用了4454份行人正面樣本和9萬份INRIA負樣本。訓練的樣本如圖2。

1.2創(chuàng)建級聯(lián)分類器

創(chuàng)建Ada Boom級聯(lián)分類器即使用opencv的開源代碼來完成。首先新建2個文件夾，一個在其儲存4454個正樣本，一個保存9000個負樣本。然后新建文本文檔，類似img/1.jpg 100 20 40…其中20是檢測窗口的初始寬，40是檢測窗口的初始高。接著創(chuàng)建文本文檔，類似于-img/1.ipg…。接著運行程序，將正樣本文件轉成vec文件。最后運行程序將得到的vec文件和負樣本一起作為參數(shù)并訓練分類器，訓練24小時。部分訓練參數(shù)見表1。

1.3數(shù)據(jù)分析

從表中可以看出，在少數(shù)情況下，前者的強分類器才具有特征的數(shù)量

超過強分類器中包含的數(shù)量。在宏觀上，具有大數(shù)字的強分類器通常包含更多的特征。

2行人檢測

行人檢測流程圖如圖3所示，首先，捕獲并輸入視頻圖像，然后預處理圖像。接著利用不同尺度的檢測窗口對整個檢測圖像進行掃描，以確定檢測窗口中是否有行人，若發(fā)現(xiàn)有行人，則觸發(fā)警示系統(tǒng)進行提醒。行人檢測的主要過程如圖3所示。

2.1圖像灰度化

通過攝像頭來獲得原始圖像，將原始圖像數(shù)據(jù)通過DSP（數(shù)字信號處理器）進行處理，將YUV格式的圖像數(shù)據(jù)存儲在存儲器中。具體過程為每幀后將新的原始圖像的輸入，就會觸發(fā)一個中斷，這個中斷可以把RGB格式的圖像轉換成YUV格式的圖像數(shù)據(jù)保存在內存中。圖像獲取過程如圖4。

在YUV格式圖像中，Y表示圖像的灰度值，UV表示色差的兩個分量。由于我們只需要測試圖像的圖像灰度值，因此可以直接忽略UV值。所以在檢測中只需要得到Y分量數(shù)據(jù)即就可以得到灰度圖像。

2.2檢測窗口掃描

由于利用Ada Boost方法特征是穩(wěn)定的，所以只需將計算出的特征值除以分類器的閾值，并且除以檢測窗口的面積，就可以任意改變檢測窗口而不會影響結果的判斷。在行人檢測過程中檢測每次放大比例為1.25為最佳效果。如圖5是誤檢以及漏檢的情況。

從統(tǒng)計的行人檢測數(shù)據(jù)中，如表3所示。檢測率僅為84%，漏檢的圖像大；誤檢率為34%，雖然比一個弱分類器的能力強，但遠離實際需要；并且該速度滿足不了實時的檢測。

3檢測性能提升

3.1預處理輸入圖像

（1）對輸入圖像做直方圖均衡化預處理，以減少光照陰影對檢測的影響。

（2）訓練分類器和分類器的檢測過程都需要對特征值進行歸一化處理，以獲得更好的適應性，防止檢測過程中出現(xiàn)嚴重的過度擬合現(xiàn)象。

（3）對感興趣區(qū)域中的待檢測圖像進行有針對性的檢測。首先通過邊緣檢測找到行人可能存在的位置，然后使用分類器進行掃描檢測。本文中使用sobel算子來提升檢測速率。

3.2掃描速度的提升

例如檢測窗口大小為w×h，輸入圖像的大小為W×H，則用式1可以得到檢測判斷的次數(shù)。圖片的計算量非常大，這個過程占用了70%以上的檢測時間。因此，提高檢測率的方法就是要解決實時檢測的問題

掃描速度的提升我們通過變速掃描窗口來實現(xiàn)。即當檢測窗判斷輸出為0時，增加窗口掃描步長；當檢測窗輸出為1，減小掃描步長；我們設置最大掃描步長Vmax，以避免超出窗口。

此外，我們可以進一步提高檢測率，在前兩級聯(lián)分類器的強分類器逐行掃描的幫助下，然后去除虛警區(qū)域用完整的級聯(lián)分類器掃描得以完成。因為前一級強分類器檢出率高率而且對最終檢測率沒有影響，所以加快檢測速度可以進行兩次掃描來完成，并且實現(xiàn)實時檢測。兩次掃描過程如圖6。

3.3多尺度融合

為了實現(xiàn)每個目標只有一個輸出的目標，必須刪除多余輸出。只有當一個組中有三個以上的相鄰矩形時，才可以將行人包含在該組矩形所在的區(qū)域。因此，多尺度融合有利于降低檢測結果的誤報率。遍歷檢測行人的子窗口后，找到相鄰的子窗口，以相鄰窗口的坐標位置和寬度作為最終的輸出子窗口。

算法優(yōu)化后的檢測數(shù)據(jù)如表4所示，表中第一行為沒有優(yōu)化處理的數(shù)據(jù)，第二行為經過多尺度融合和方差歸一化方法提升后的數(shù)據(jù)，第三行顯示的是在方法提升后的情況下加入了快速掃描算法后的數(shù)據(jù)。分析數(shù)據(jù)可知多尺度融合和方差歸一化有利于增加檢出率、較小誤檢率，但是檢測速率會有一點的降低；本文中通過快速掃描提高檢測速率。

4結論

基于AdaBoost的行人檢測預警方法有效地實現(xiàn)了行人的檢測，近一步的預警的實現(xiàn)保護了行人的安全。該方法首先在圖像檢測中訓練級聯(lián)分類器。進而得到的分類器用來掃描視頻圖像中的多個區(qū)域，確定局部區(qū)域是否有行人，若有行人就會觸發(fā)語音提示，即預警提示。該方法采用圖像預處理和多尺度融合技術增加檢測的準確率，減小誤報率。并且對檢測的窗口進行變速掃描和兩種掃描方式提高檢測率。所以基于Ada-Boost的行人檢測預警方法不僅可以有效地檢測出行人并且可以進行預警提示，而且提升了性能，可以有效大力的推廣使用。