一種基于部件快速融合深度模型的行人檢測

宋俊芳

摘要：為解決傳統DMP在行人檢測時計算復雜度高，實用性差問題，提出一種部件快速融合的行人檢測模型，能夠在擁擠的環境中有效、準確地定位行人目標。該方法先針對行人頭部，構建Haar-like響應特征，基于該特征訓練Adaboost分類器;然后將該特征圖與全身模型相結合，生成空間深度特征，作為支持向量SVM的輸入檢測行人。結果表明，此方法提高了傳統DPM的計算速度，并保持了高精度。

關鍵詞：Haar-like;Adaboost分類器;深度特征;頭部特征

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9416（2019）12-0052-01

1 方法原理

行人檢測與狀態識別對于掌握商場、公園、展覽館、娛樂場所、景區、交通路口等大型場景內行人的狀態變化，有效分配管理維護人員，降低安全隱患，提高突發事件應急能力至關重要，尤其在一些大型集會和重要場所，能實時準確監測到行人并進行狀態行為分析，可以為管理部門決策執行提供強有力的數據依據。目前，基于視頻的行人檢測仍然存在的挑戰是行人部分被遮擋，他們的姿勢也會改變，這給檢測帶來很大的困難，基于部件的模型（DMP）是近幾年公認較好的模型，但其算法計算復雜度較高，導致實用性較差，本文研究提出了一種快速融合的方法，基于頭部件跟蹤軌跡模式分類的行人檢測模型，能夠在在擁擠的環境中有效、準確地定位行人目標。該方法的第一步是針對行人頭部，構建Haar-like響應特征，基于該特征訓練出1個強Adaboost分類器，將該響應特征圖與全身模型相結合，生成空間深度特征;第二步利用深度特征作為支持向量的輸入（SVM）檢測行人。實驗結果表明，這種新方法提高了傳統DPM的計算速度，并保持了準確度。

2 部件模型構建

本文選取頭部、左肩和右肩三個部件作為模型的輸入，如圖1所示，圖像在輸入之前先要進行歸一化和高斯濾波處理，頭部被歸一化為24*28，左肩和右肩被歸一化為24*24。MF函數可以用來在模糊理論中描述模糊序列的性能，它的值介于0-1之間，值越大，表示它越可能是預測的部分。部件組成的形狀函數一般用來更加直觀的描述MF函數，有三角形、梯型、s型、高斯型等。本文使用s型MF，因為它在處理Z軸數據更加靈活，并且針對一些特殊點魯棒性更好，s型遞歸的變換函數為公式1。提取出頭、左肩和右肩部件的Haar-like特征，構建特征序列，并經過S行遞歸變換二值化后，顯示結果如圖2所示。

（1）

3 部件融合

如何將構建的Haar-like響應特征序列與全身模型相結合，生成空間深度特征，并利用此深度特征作為支持向量的輸入（SVM）檢測行人是本文另一重要部分。部件在全身模型中的位置受到視角的影響，會呈現不同的姿態，為解決這個問題，本研究提出用三個視角的檢測窗按照一定權重進行匹配檢測，將部件模型和三個視角（正前、左側和右側）全身模型按照權重有效融合生成深度特征參照公式，然后輸入的SVM訓練深度檢測器，可以得到最小的分類誤差，并考慮到SVM是有監督的機器學習方法，可以很好地解決本文涉及的線性二分類問題。

4 實驗結果

本研究使用的數據集是最受歡迎的數據集之一INRIA行人數據集，數據集包括各種復雜背景、燈光和多姿態下的行人。從中選擇一部分作為樣本集，剩下作為測試集。測試的的識別率可以達到86.7%，且其召回率是0.8，相比DMP在同等準確度下，速度提升了43.5%。實驗證明改進的方法有效性較強，在速度和準確性之間有良好的均衡。

5 結語

行人檢測常被用來判斷目標檢測系統的性能。傳統的行人檢測一般提取全身特征，導致精度要達到一定程度存在局限性。本文將局部部件和全身模型有效融合，構建出深度識別模型，訓練分類器完成行人檢測，準確度和召回率都較高。不僅如此，在計算復雜度上明顯降低，檢測速度極大提升。

參考文獻

[1] 孫銳，王慧慧，葉子豪.融合深度感知特征與核極限學習機的行人檢測[J].電子測量與儀器學報，2019（2）：39-47.

[2] 吳佳蓮，羅啊玲，丁鼎昊.基于視頻的行人檢測跟蹤與統計算法研究[J].測繪地理信息，2019（3）：88-93.

[3] 顧騁，錢惟賢，陳錢.基于雙目立體視覺的快速人頭檢測方法[J].中國激光，2014，41（1）：150-155.

[4] 盧湖川，張繼霞，張明修.基于Hough變換頭部檢測與跟蹤的方法研究[J].系統仿真學報，2008（8）：2127-2132.

Pedestrian Detection Based on Component Fast Fusion Depth Model

SONG Jun-fang

（College of? Information Engineering，Tibet University for Nationalities，Xianyang? Shaanxi? 712082）

Abstract：For solving the complex computation and poor practicability of DMP in Pedestrian detection，This paper improves a new method based on Muti-component fusion，which can locate Pedestrian accurately and effectively in crowded environments. Firstly， head Haar-like of pedestrian is used to construct the Adaboost classifier， then combining with whole body model， a spatial depth feature is generated as input for SVM. Experimental results show that the mew method improves the calculation speed of traditional DMP and maintains real-time performance.

Key words：Haar-like; Adaboost classifier;spatial-depth feature; head component