基于Adaboost的行人檢測綜述

張溪樾

（哈爾濱市第九中學，黑龍江哈爾濱，150028）

0 引言

行人檢測( Pedestrian Detection)是指在道路旁的監控儀器、或是在行駛的汽車上建立一個智能系統，利用計算機視覺技術判斷圖片或是視頻中是否存在行人，若存在，則返回行人的位置和大小。該技術被廣泛應用于車輛輔助駕駛、智能視頻監控、智能交通、人體行為分析等領域，對提高駕駛的安全性、保障生命安全，具有重要意義。

行人檢測中存在的難點主要有以下幾點：（1）個體差異性。（2）道路交通工具的遮擋以及行人的重疊。（3）背景。（4）成像條件。光照條件和成像設備等影響。因此，行人檢測成為了計算機視覺領域中一個既具有研究價值同時又極具挑戰性的熱門課題。

行人檢測算法可以分為背景建模算法和統計學習算法兩類。其中，背景建模算法是利用圖像與背景的差異來提取目標，該算法魯棒性比較差。而統計學習法包括了神經網絡、支持向量機（SVM）和Adaboost算法，將行人作為正樣本進行分類器訓練。該類算法魯棒性較好。

因此，本文系統地分析了Adaboost弱分類器和強分類器的迭代，描述了Haar特征的提取和積分圖的計算方法，最后給出了Adaboost分類器的訓練過程和完整分類流程，并總結了該算法的優缺點。

1 AdaBoost算法

1.1 AdaBoost概述

AdaBoost是迭代算法。它的原理是利用一個訓練樣本進行特征提取,從而訓練出各個不同的弱分類器,然后將這些弱分類器組合成一個能力很強的強分類器。具體流程:

(1)初始化每一個訓練樣本的權值

(2)迭代,其中m= 1,2 ……M表示迭代次數

a.得到基本分類器

b.計算分類誤差

c.計算Gm在最終的強分類器當中的權值mα

d.重新更新訓練樣本的權值分布,用于下一輪迭代：

其中，

(3)組合成為強分類器

1.2 Haar-Like特征

行人的分辨率比較低，無法提取出精確的外觀特征，所以我們使用四個對稱的矩形特征，和擴充的四個非對稱的矩形特征，來表示行人的這些特征。如圖1中所顯示的這些特征，我們稱之為Haar-like特征。

圖1 行人的矩形特征

我們利用Haar特征進行分類器訓練。將得到的強分類器進行尺度的改變以用來適應不同大小的檢測圖片。Haar特征池所包含的特征總數通常來說是非常大的。

1.3 積分圖

Haar特征池的總數通常來說是非常大的。我們引入積分圖的概念,從而減少計算量,提高運行速度。

積分圖的定義為：

I(x,,y,)為圖像中坐標為(x,,y,)的像素點的灰度值。

那么,圖像I的積分圖可以用下式計算：

這樣,圖像中任意矩形框當中的像素值之和就可以由積分圖像迅速地計算出來,具體計算方法如圖2所示。

圖2 利用積分圖計算矩形框內像素值之和

1.4 分類器訓練

1.4.1 弱分類器

AdaBoost算法當中的每一個弱分類器都是由一個Haar矩形特征構成的。對于弱分類器當中的特征,表達為：

其中,pj=±1 ,代表著不等式的方向。fi(x)代表x圖像中第j個特征的特征值。θj為閾值。

其中,N1為行人個數,N2為非行人個數,m1為當前特征在所有行人當中的平均特征值,m2為當前特征在所有非行人當中的平均特征值。

1.4.2 強分類器

若干個強分類器級聯構成了最終使用的級聯分類器。具體級聯如圖3所示。

1.4.3 訓練過程

具體流程：

圖3 級聯分類器結構

（2）權值初始化

（3）迭代

a.歸一化權值

其中t表示某個特征,j表示樣本數。

b.計算分類器誤差

其中ih為只是用某個單一特征的分類器。

c.選擇分類器,并更新權值留作下一個迭代中使用

其中,xt分類正確的話,vt取值0,否則取值1。

d.直到t等于特征數T。

（4）強分類器計算：

其中

1.5 行人檢測全過程

行人檢測具體流程如圖4所示。

在預處理階段,一個輔助圖像Ii,被稱作從原始圖像I0計算得來的積分圖像或區域求和表,可以提高計算速度。之后,對于每個候選的窗口w,我們將其所有位置和尺度送入一個級聯分類器。在每個階段,分類器響應h(w)是一系列的特性的總和的反映。

圖4 完整AdaBoost流程圖

fj(w) 是第j個Haar特征值,αj1和αj2是特征權重系數。如果h(w)小于閾值t,那么候選窗口w被認為沒有行人,被丟掉,否則被送入下一個分類器。在最后一步,行人的多個檢測被非極大值抑制進行修理。

2 總結與展望

隨著社會公共安全的必要性進一步凸顯,行人檢測已逐漸成為公共場所的緊要功能。本文詳細分析了行人檢測的應用領域以及行人檢測目前面臨的難點。選取了Adaboost算法進行具體分析。包括了弱分類器的構建、強分類器的級聯、Haar特征的選取以及積分圖的運用。并且給出了分類器訓練和行人檢測兩部分的完整流程。

就算法而言,雖然AdaBoost算法的準確性和適應性能比較好,但是真正面對光照強度不同、衣著、身形不同的行人,其檢測的正確性確實會有所影響。那么就需要對Haar特征進行改進,使其更加符合行人的鑒別。就訓練分類器而言,面對特定環境下的行人檢測,我們可以選取該環境圖片作為負樣本,提高檢測的正確性。