结合单双行人DPM模型的交通场景行人检测

曾接贤,程 潇

(南昌航空大学计算机视觉研究所,江西南昌 330063)



结合单双行人DPM模型的交通场景行人检测

曾接贤,程 潇

(南昌航空大学计算机视觉研究所,江西南昌 330063)

针对日常交通场景下,行人目标易被遮挡,影响行人检测效果的问题,提出一种结合单行人和双行人DPM模型的交通场景行人检测方法.该方法首先从INRIA、ETH等行人数据集中提取训练样本的DPM特征,通过LatentSVM方法训练得到单、双人DPM模型;然后采用分类检测方法,将交通场景行人分为单独分布行人和混合分布行人两类.检测时首先使用双行人模型SDP-DPM对目标图像进行目标匹配,如果没有检测到双行人目标,则判定为单独分布行人情况,转而使用单行人模型SP-DPM进行检测,并保存检测结果;如果检测到双行人目标,则判定为混合分布行人情况,此时先保存对应的双行人滤波响应,再使用单行人模型进行二次检测,并将两次检测的结果进行加权结合.实验结果表明,本文算法能够在行人相互遮挡严重的交通环境下,有效检测出行人,整体精度优于传统的DPM算法和当前行人检测的主要流行算法.

行人检测;DPM;遮挡;交通场景

1 引言

行人检测作为目标检测中的一个重要方面,由于其在辅助驾驶系统、视频监控以及机器人等领域的有效应用,受到了工业和学术界的广泛关注.近十年来,行人检测研究主要围绕特征选取和分类方式这两个方向展开,其检测精度趋于实用化、检测速度趋于实时化[1].

行人检测的特征主要分为基于梯度、颜色、轮廓三类,具体包括Haar-like[2]特征、形状上下文[3]、头肩检测的Edgelet算子[4]、梯度直方图HOG[5]以及最新的深度信息depth[6]等.其中,基于梯度的HOG(Histogram of Oriented Gradien)是目前使用最广泛的行人特征描述子,该描述子对光照变化和目标细小偏移的情况仍能有效刻画出人体的边缘特征.Dollar[7]对比了当前几种最高水平的行人检测方法,结论表明没有任何单一特征可超越HOG.针对HOG在行人目标轮廓不清晰等情况下的检测局限性,有学者选择将局部二值模式LBP[8]、运动特征[9]、颜色特征[10]以及样本共性的后验特征[11]作为额外特征与HOG算子结合,用于提供有效的补充信息.Wojek[12]将多种特征相融合,训练出一个新的检测模型,虽然其表现超过了各类单一检测算子,但在行人目标遮挡较严重的场景下依然无法满足检测要求.

行人检测的分类方法主要可分为线性分类和非线性分类两类.传统的SVM[7]和Adaboost[13]是线性分类方法中的代表,它们在早期的MIT行人数据集上达到了100%检测的效果,但无法检测姿势变化复杂或受到遮挡的行人目标.非线性分类方法中,文献[14,15]都是通过将SVM与实际应用场景特征相结合,提升了分类性能.Walk[16]对ROC曲线区域的直接Boosting优化,在INRIA数据集上得到了当前最佳的FPPI结果,但在行人遮挡严重的数据集,如Caltech上的表现依旧不能让人满意.文献[17]将多分类器增强算法MCBoost(Multiple Classifier Boosting)使用到图像和视觉特征上进行协同聚类(Co-Clustering),解决了行人检测中多类别和多视角问题,但计算复杂度过高,检测速度较慢.W.Ouyang[18]通过Deep Learning的分类方法,为单行人被遮挡的部位和可见部位之间建立判别式深度模型,以此去估计检测概率.Hosang[19]将多种特征引入深度卷积网络中训练,拓宽行人检测的特征选择方式.Felzenszwalb[20]在传统的HOG特征基础上,提出包含可变部件的新的目标检测方法DPM(Deformable Part Model),相比于HOG特征,DPM在目标遮挡情况下的检测精度有一定程度的提高,他们虽然没有从根本上解决遮挡问题对行人检测的影响,但为行人检测提供了新的思路.

综上所述,如何对存在遮挡的行人进行有效检测,是当前行人检测研究的重点.与传统的选取行人可见部位提取特征的行人检测方法不同,本文选择将行人间的遮挡情况作为用于提高检测效果的重要特征模型,采用改进的DPM特征方法,训练出包含单人部件的双人DPM模型,用于检测传统行检算子不易检测的双行人遮挡目标,并根据交通场景下行人的分布状态,构建单行人模型和双行人模型相结合的并联检测方法.

2 检测模型设计

为有效解决行人间遮挡因素对行人检测的影响,针对人群的混合特征,尤其是双行人间的遮挡情况,根据可变部件模型DPM,本文设计了三种行人检测的特征模型:用于单行人目标检测的SP-DPM(Single Pedestrian Deformable Part Model)模型;用于双行人遮挡目标定位的DP-DPM(Double Pedestrian Deformable Part Model) 模型;以及用于分割出双行人遮挡目标中单个行人的SDP-DPM(Single Double Pedestrian Deformable Part Model)模型.

2.1 DPM特征

可变部件模型DPM是从HOG特征中发展所得.DPM特征除利用梯度算子计算样本的梯度特征外,添加了弹簧变形模型概念,提出了分离检测目标对象的组件和部件的方法.每个DPM模型都包含一个根滤波器和n个可变部件滤波器,其中单个可变部件滤波器的分辨率是根滤波器的两倍.由于根滤波器和部件滤波器的分辨率不同,因此对于待测样本采集DPM特征,也可看做是对图片在两种不同分辨率下采集HOG特征.检测算子进行目标匹配计算得分时,使用滑动窗口扫描法,检测窗口的得分等于根滤波器与部件滤波器的得分之和.由于DPM采用的是多尺度的检测方式,每个部件的得分是此部件的各个空间尺度位置得分的最大值,而每个部件的空间位置得分是部件在该子窗口上滤波器的得分减去变形花费.

对于单个部件的得分采用式(1)计算.

-di·φd(dx,dy))

(1)

式(1)的l表示特征金字塔第l层,Di,l(x,y)表示在点x,y处第个部件能达到的最大得分,Ri,l是该部件分类器与对应特征向量卷积后得到的响应得分,di·φd(dx,dy)表示此部件相对中心位置的变形花费.

整个检测窗口的得分采用式(2)计算.

(2)

2.2 单行人模型(SP-DPM)设计

INRIA数据集作为当前使用最多的行人数据集,其训练集有正样本614张,负样本1218张,其中的行人目标基本为站立行走状态,高度大小在(80～120)pix范围.本文选择INRIA行人训练集作为单行人样本集,提取行人图片的DPM特征,通过Felzenszwalb[20]的目标训练方法进行训练.训练所得单行人模型SP-DPM如图1所示.

图1(a)是根滤波器的可视化,图1(b)是部件滤波器的可视化,由此可见根分类器(滤波器)工作图层的分辨率是部件滤波器工作图层的分辨率的两倍.图1(c)是各部件中心相对于根滤波器位置的空间模型,白色浓度越大表示部件中心偏离根滤波器的位置越远,即距离损失越大,它体现了弹簧形变的概念,可用于提高非刚体及遮挡物体的检测效果.

2.3 双行人模型(DP-DPM)设计

根据文献[20]的描述,DPM方法具有应用于行人检测的潜力,然而,当面向Caltech等交通行人数据库时,由于行人间互相遮挡的干扰,单行人DPM模型还无法得到足够的检测精度.本文面向一对存在互相遮挡的行人目标,将其中的遮挡行人和被遮挡行人联合建立模型,训练出一种新的双行人DPM模型.该模型共享可变部件和统一的根滤波器,可以实现双行人定位.

2.3.1 双行人样本采集

据文献[21]的统计调查,行人处于正常交通环境下时,双人行走的概率处于28～42%,其中对于车载拍摄角度,主要面对的是侧面、正面和背面结伴的行人,而且正面和背面的行人模型比较相似.Tang[22]通过训练TUD数据集中侧面遮挡的行人,一定程度降低了遮挡对行人检测的影响.文献[23]指出,结合多种数据集选取训练集的方法,能够提高检测的泛化能力.综合上述两点原因,本文选择从TUD-Brussels和ETH两种不同数据库制作了专用的双行人数据库.该双行人数据库拓展了Tang的训练方案,分别制作侧面双行人样本和截取正面双行人样本.

侧面双行人样本的制作过程如图2所示:图2(a)在TUD-Brussels数据库中选取只包含单行人的原始图片;图2(b)采用颜色容差法,从原图中提取出独立的行人目标样本,其单个样本大小为(30-120)pix;图2(c)另选一张单行人样本图作为背景图片;图2(d)将提取出的单行人目标融合到另一张单行人样本图中.

随机选取行人样本的图片背景以及行人所在位置,人为设置行人之间的身体遮挡程度.此程度的具体分类由被遮挡行人的像素占其单独分割出来像素大小的比重决定.根据Dollar[7]中的调查显示,日常交通行人遮挡程度主要在(10%～80%)的范围内平均分布.因此,对于合成的140对不同的双行人样本,将每对双行人之间的遮挡程度(10%～80%)分为五个级别,如图3所示.根据上述方法,制作了700张侧面双行人样本图片.

由于ETH行人数据库中,正面拍摄的行人素材较多,本文选择从此数据库制作正面双行人样本.文献[7]指出单行人的检测易受到行人本身长宽比变化的影响,因此本文根据两个彼此遮挡行人各自宽度的可见部分大小比例来制作正面双行人样本,如图4所示,主要分为(1:1.5,1:2,1:2.5)这三个常见比例(其中,单个行人的高度分布在(30～100)pix),每个比例截取200对双行人目标,共计制作了600张正面双行人样本图片.

2.3.2 双行人模型(DP-DPM)训练过程

本文将双行人样本作为DPM框架的训练样本,为互相遮挡的两个行人构建统一的DPM模型.不同于Fel[20]依赖于包围盒的长宽比,本文通过不同的遮挡层级和行人可视部分大小比例来初始化训练模型.对于行人检测中常见的外在因素,如人物的姿态类型,衣着变化等,通过DPM模型中不同组件的外在参数降低影响.本文从2.3.1节制作的双行人样本集中选取400幅正面双行人样本和300幅侧面双行人样本作为训练集,剩余的200幅正面双行人样本和400幅侧面双行人样本作为测试集,具体数据如表1所示.

表1 双人样本数据

本节的双行人模型和传统DPM模型一致,同样使用组件混合结构,每个单独的组件都是一个星形模型,每对行人共同拥有一个粗糙的根滤波器和n个代表目标各部件的清晰可变滤波器.对于当前双行人DPM模型来说,隐藏变量的向量定义为z=(c,p0,…,pi,…,pn),其中c代表混合组件,pi=(xi,yi,li)定义了各滤波器在图片的具体位置(xi,yi)和所处特征金字塔级数.双行人目标在此空间位置的假设得分等于每个滤波器在隐藏位置pi的得分,减去他们相对于根滤波器的变形花费,再加上偏差值,其具体表达式如式(3)所示.

score(p0,…,pn)

(3)

式(3)中Fi表示一个w*h大小的滤波器;H是特征金字塔;Fi·φ(H,pi)代表第i个滤波器在pi位置的得分;di·φd(dxi,dyi)作为当前滤波器相对根滤波器的变形花费;当i为0时,当前滤波器即为根滤波器本身,变形花费无需计算,b表示变形偏差值.

本文使用〈β,ψ(x,z)〉定义双人模型假设的非标准化得分,其中向量β代表根滤波器、部件滤波器以及弹簧变形系数的串联向量,ψ(x,z)表示堆积的HOG金字塔特征以及样本的部件位移特征.对于一个DPM模型来说,当组件确定时,不为零.由此,可以获得这样的结构变形,〈β,ψ(x,z)〉=〈βc,ψc(x,z)〉.对于待测图片的检测过程,就是求隐藏变量Z:arg max(z)[β,ψ(x,z)]的最大值.

采用集合D=(〈x1,y1〉,…,〈xN,yN〉)表示正、负样本的训练集.xi对应集合的正、负样本,其中存在双行人目标的图片为正样本,无检测目标的交通背景图片为负样本;yi∈{-1,1}代表判断样本正负标记.通过latent SVM进行训练得到模型参数β和隐藏变量Z的最优值,再经过迭代运算,获得式(4)二次方程的解.

sb.t.yi〈β,ψ(xi,z)〉≥1-ξi

(4)

2.4 单行人部件构成的双行人模型(SDP-DPM)

通过2.3.2节的训练方法得到用于检测双行人目标的DP-DPM模型.然而,仅定位出双行人目标的位置是不够的,还需要将一对行人中的单一行人各自区分出来,即从高分辨率的部件滤波器中,提取出单行人包围盒.本节将对传统的DPM模型进行改进,不再将单个行人的头、手臂等作为若干部件,而是将一对行人中的两个单个行人本身,作为行人部件使用.通过线性分割的方法,从原本双行人DP-DPM模型中,分离出单个行人作为组成部件.这种由单行人部件构成的双行人模型,称之为SDP-DPM.

对于DP-DPM双行人模型,通过线性分类的方法来获得具有单独行人部件的双行人目标模型,单行人部件包围盒定义如式(5)所示.

Bi=gi(z)Tac+εi

(5)

式(5)中的Bi表示构成高分辨率的混合部件滤波器;ac表示单一行人部件目标对象的包围盒估计位置回归系数,由正样本的组件训练估计得到;代表双行人DPM对象组件序号的索引值;gi(z)是一个维向量,主要由n个混合排列的部件滤波器的共有宽度组成;εi为一个噪声系数,代表理想单行人部件包围盒位置和实际分离出的位置之间的偏差.

通过式(5)的线性分类,将原本包含n个可变部件的双行人DPM组件分割为包含两个单行人部件的SDP-DPM形式,它用于在定位到双行人位置的同时,准确分割出两个单行人目标.其具体模型可视化如图5所示.

3 交通场景的行人检测算法

通过2.4节的理论分析,双行人模型SDP-DPM适合于两两间互相遮挡的行人目标的检测.然而,对于场景条件复杂的交通场景行人,场景中常存在多个行人,且行人数量和分布位置也总是随时变化.本文将交通场景中的行人分布情况分为以下两类:第一类为单独分布行人,即行人目标各自分散,不存在相互遮挡的状态;第二类为混合分布行人,场景中既包含单独的行人目标,也存在互相遮挡的人群.两种行人分布场景的具体表现如下图6所示.

为了能检测出互相遮挡的双行人目标的同时,保持独立行人的检测精度,本文针对人群分布多变的交通场景,将场景中人群的分布情况信息作为约束条件,提出一种单行人和双行人模型相结合的多行人检测算法MultiPD-DPM(Multiple Pedestrian Detection Deformable Part Model).该算法流程如图7所示.

如图7所示,左边训练部分描述了从单、双行人样本集中训练得到单行人模型SP-DPM和双行人模型SDP-DPM的过程,具体见本文第2章.右边检测部分,先使用双行人模型SDP-DPM对待测图像进行目标匹配,如果没有检测到双行人目标,则判定当前场景为图6中的单独分布行人场景,转而使用单行人模型SP-DPM,并保存单行人检测结果;如果显示存在双行人目标,则判定当前场景为图6中的混合分布行人场景,此时,首先保存对应的双行人滤波响应;再使用单行人模板进行二次检测;最后,将单行人和双行人目标的得分判定阈值各自放缩为原始的1/2,对于两种行人模板得到的滤波响应,按照各50%比例,进行加权结合,得到最终的检测结果.

4 实验及结果分析

4.1 单行人模型(SP-DPM)检测实验

为了验证单行人模型(SP-DPM)对于提高非刚体及遮挡物体的检测效果,分别使用2.2节训练所得的单行人DPM模型SP-DPM和传统HOG方法对于INRIA行人数据库的检测集(其中包含288张图片,和488个行人目标)进行测试,其测试结果如表2所示.可以看出,SP-DPM方法在检测率和误检率上都有一定程度的提高.

表2 HOG和SP-DPM方法的检测结果对比表

4.2 双行人模型(DP-DPM)检测实验

为了验证双行人模型(DP-DPM)定位双行人目标的能力,使用2.3.2节训练所得的DP-DPM双行人模型对双行人目标图片进行检测.对于图8(a)中一对相互遮挡的行人,首先DP-DPM双行人模型的可变部件均匀分布在它们周围,如图8(b)所示的分布在一对行人周围的小框;最后DP-DPM双行人模型准确定位出双行人目标位置,如图8(c)所示的完整划定出一对行人位置的大框包围盒.

将DP-DPM双行人模型用于2.3.2节中双人检测集的检测上,其检测结果统计如表3所示.表3的结果表明DP-DPM双行人模型具备准确定位双人目标的能力.

表3 DP-DPM检测结果

4.3 单行人部件模型(SDP-DPM)检测实验

为了测试SDP-DPM算子在行人遮挡情况下的检测性能,将训练出的双行人模型SDP-DPM和单行人模型SP-DPM分别用于2.3.2节的双行人测试集进行检测,两种模型在不同遮挡程度的检测对比结果如图9所示.

从图9可以看出,单行人模型SP-DPM检测遮挡程度40%以内的图片时,基本能分别定位出单个行人,但遮挡面积到达60%以后,单行人模型的检测精度便受到影响,此时趋向于将双行人目标判定为单人目标.对于双行人模型SDP-DPM,在以上五种遮挡级别时,都能将双行人目标中单一行人划分出来.

以检测精度和召回率作为评判准则,使用SP-DPM和SDP-DPM两种模型分别对2.3.2节中的双行人测试集进行检测,其统计结果如图10所示.双行人模型SDP-DPM的检测结果在同等精确度时,其召回率领先单行人模型SP-DPM.另外双行人模型的最终检测精确度也比单行人模型高了将近10%.以上结果表明,双行人模型SDP-DPM比传统的单行人DPM模型更适用于双行人遮挡条件下的行人检测.

4.4 多行人检测算法(MultiPD-DPM)实验

本文选用两个评价准则来评估该行人检测算法的性能,即行人检测的漏检率和虚警率.这两种评价标准可以用单一的ROC图来表示.本文使用的标定数据和评价代码由Dollar[7]提供.

为了验证本文提出的多行人检测算法(MultiPD-DPM)的检测效果,使用行检数据库中遮挡情况最密集的Caltech数据库作为测试集,将本文提出的多行人检测算法(MultiPD-DPM)与当前流行行人检测算法进行对比,实验结果如图11所示.

从图11(a)可以看出,本文多行人检测算法MultiPD-DPM相比于双行人模型SDP-DPM方法,在大部分虚警率下的漏检率都更低,并且将整体的平均漏检率从50%降低到39%,这表明对于日常交通环境,融合了单双行人算子分类检测优点的MultiPD-DPM方法对于不同行人分布状态的检测范围和适应性更强.图11(b)是将本文的MultiPD-DPM算法与当前流行的三种行人检测方法对比,其结果显示,本文算法在平均漏检率和虚警率上的表现都优于当前的流行方法,证明基于遮挡模型的检测思路相比于传统方法,更有利于提升行人检测效果.

5 结论

为了解决行人检测中目标行人易形变,互相遮挡等问题,本文采用当前目标检测中表现最好的DPM特征,通过弹簧形变特性来减小行人检测中的目标形变的影响,将双行人间的相互遮挡情况作为有效的训练样本,截取制作了相应的双行人数据库.本文通过线性分类的方法,分割出带有单行人部件的双行人模型SDP-DPM,有效的将双行人目标中互相遮挡的单个行人精确的检测出来.

基于对行人数量变化频繁的交通场景的分类,本文提出一种将单行人检测模型SP-DPM和双行人检测模型SDP-DPM相结合的多人检测算法MultiPD-DPM,既解决了双行人遮挡目标的检测问题,也保证了单一行人目标的检测精度.在行人数据集Caltech上的实验结果表明,本文算法能够精确识别日常交通环境下的各类行人目标,抗干扰能力较强,识别效果整体优于当前的主要流行算法.

本文的局限性与研究展望:(1)本文使用的行人数据库是基于车载视角拍摄,对于其他监控视角的行人检测还无法兼顾,因此收集更多视角的交通行人数据是需要进一步进行的工作;(2)当场景转为地铁站、医院等行人分布更加密集的公共场所,引入三人甚至更多的DPM模型是否更适合检测环境,还有待进一步的研究.

[1]苏松志,李绍滋,陈淑媛,等.行人检测技术综述[J].电子学报,2012,40(4):814-820.

Su Song-zhi,Li Shao-zi,Chen Shu-yuan,et al.A survey on pedestrian detection[J].Acta Electronica Sinica,2012,40(4):814-820.(in Chinese)

[2]Viola P,Jones M J.Robust real-time face detection [J].IEEE Transactions on International Journal of Computer Vision,2004,57(2):137-154.

[3]Yuanyuan D,Jing X.Contextual boost for pedestrian detection [A].IEEE Conference on Computer Vision and Pattern Recognition[C].Rhode Island,American:IEEE,2012.2895-2902.

[4]B Wu,R Nevatia.Detection of multiple,partially occluded humans in a single image by bayesian combination of edgelet part detectors [A].IEEE Conference on Computer Vision and Pattern Recognition [C].Beijing,China:IEEE,2005.90-97.

[5]N Dalal,B.Triggs.Histograms of oriented gradients for human detection[A].IEEE Conference on Computer Vision and Pattern Recognition [C].San Diego,USA:IEEE 2005.886-893

[6]Ningbo Wang,Xiaojin Gong,Jilin Liu.A new depth descriptor for pedestrian detection in RGB-D images [A].IEEE Conference on International Conference on Pattern Recognition [C].Tsukuba,Japan:IEEE,2012.3688-3691.

[7]Dollar P,Wojek C,Schiele B,et al.Pedestrian detection:an evaluation of the state of the art [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,99:1-20.

[8]Xiaoyu W,Han T X,Shuicheng Y.An HOG-LBP human detector with partial occlusion handling [A].IEEE Conference on International Conference on Computer Vision[C].Kyoto,JAPAN:IEEE,2009:32-39.

[9]Viola P,Jones M J,Snow D.Detecting pedestrians using patterns of motion and appearance[J].IEEE Transactions on International Journal of Computer Vision,2005,63(2):153-161.

[10]S Walk,N Majer,K Schindler,et al.New features and insights for pedestrian detection[A].IEEE Conference on Computer Vision and Pattern Recognition[C].San Francisco,USA:IEEE,2010.1030-1037.

[11]刘威,段成伟,遇冰,等.基于后验 HOG特征的多姿态行人检测[J].电子学报,2015,43(2):217-224.

Liu Wei,Duan Cheng-wei,Yu Bing,et al.Method research on vehicular infrared pedestrian detection based on local features[J].Acta Electronica Sinica,2015,43(2):217-224.(in Chinese)

[12]Wojek C,Schiele B.A Performance Evaluation of Single and Multi-Feature People Detection[M].Pattern Recognition.Springer Berlin Heidelberg,2008:82-91.

[13]Zhu Q,Yeh M C,Cheng K T,et al.Fast human detection using a cascade of histograms of oriented gradients[A].IEEE Conference on International Conference on Computer Vision[C].New York,American:IEEE,2006.1491-1498.

[14]田广,戚飞虎.移动摄像机环境下基于特征变换和SVM的分级行人检测算法[J].电子学报,2008,36(5):1024-1028.

TIAN Guang,QI Fei-hu.Feature transformation and SVM based hierarchical pedestrian detection with a monocular moving camera[J].Acta Electronica Sinica,2008,36(5):1024-1028.(in Chinese)

[15]王国华,刘琼,庄家俊.基于局部特征的车载红外行人检测方法研究[J].电子学报,2015,43(7):1444-1448.

WANG Guo-hua,LIU Qiong,ZHUANG Jia-jun.Method research on vehicular infrared pedestrian detection based on local features[J].Acta Electronica Sinica,2015,43(7):1444-1448.(in Chinese)

[16]S Paisitkriangkrai,C Shen,A van den Hengel.Efficient pedestrian detection by directly optimize the partial area under the roc curve[A].IEEE Conference on International Conference on Computer Vision[C].Sydney,Australia:IEEE,2013.1057-1064.

[17]W R Schwartz,A Kembhavi,D Harwood,et al.Human detection using partial least squares analysis[A].IEEE Conference on International Conference on Computer Vision[C].Kyoto,Japan:IEEE,2009.24-31.

[18]W Ouyang,Wang X Joint deep learning for pedestrian detection[A].IEEE Conference on Computer Vision and Pattern Recognition [C].Portland,USA:IEEE,2013.2056-2063.

[19]Hosang J,Omran M,Benenson R.Taking a deeper look at pedestrians[A].IEEE Conference on Computer Vision and Pattern Recognition [C].Boston,USA:IEEE,2015.4073-4082.

[20]P.Felzenszwalb,R.B.Grishick,D.McAllister,et al.Object detection with discriminatively trained partbased models[J].IEEE Transactions on Pattern Analysis & Machine Intelligence,2010,32(9):1627-1645.

[21]Meng W,Wei L,Xiaogang W.Transferring a generic pedestrian detector towards specific scenes[A].IEEE Conference on Computer Vision and Pattern Recognition[C].Rhode Island,American:IEEE,2012.3274-3281.

[22]Tang S,Andriluka M,Schiele B.Detection and tracking of occluded people[J].IEEE Transactions on International Journal of Computer Vision,2014,110(1):58-69.

[23]Benenson R,Omran M,Hosang J,et al.Ten years of pedestrian detection,what have we learned[A].IEEE Conference on European Conference on Computer Vision[C].Columbus,USA:IEEE,2014.613-627.

曾接贤 男,1958年10月出生于江西乐安,硕士,南昌航空大学教授.主要研究方向为图像处理、模式识别和计算机视觉.

E-mail:zengjx58@163.com

程 潇 男,1991年7月出生于江西上饶,硕士研究生.主要研究方向为图像处理、模式识别和计算机视觉.

Pedestrian Detection Combined with Single and Couple Pedestrian DPM Models in Traffic Scene

ZENG Jie-xian,CHEN Xiao

(InstituteofComputerVision,NanchangHangkongUniversity,Nanchang,Jiangxi330063,China)

In this paper,a new kind of pedestrian detection method is investigated;the single DMP model is combined with the couple pedestrian DPM to solve the pedestrian detection problem because of the pedestrian visual occlusion under common traffic models.This method extracts DPM feature through dataset such as INRIA,ETH,and then obtains the single/couple DPM model through LatentSVM training method.Moreover,the traffic pedestrian.distribution scene can be classified and divided first and then separated and remixed by the classification detention method.Firstly the target image will match with couple pedestrian template SDP-DPM.Secondly if couple pedestrian target can not be detected,the scene will be classified as single distribution,and then matching template will switch to single pedestrian template,the results will be saved.Thirdly when the couple pedestrian are detected,the distribution will be classified and mixed,and then corresponding couple pedestrian filtering response can be saved.Finally the second matching will launch with single pedestrian template,weighted sum of the two detection results.The test proved that the method stated above can efficiently detect pedestrians under scenes that pedestrian heavily cover each other,and this method also can be more accurately compared with the traditional DPM method and other popular detection methods.

pedestrian detection;DPM;occlusion;traffic scene

2015-06-29;

2016-03-15;责任编辑：蓝红杰

国家自然科学基金(No.61165011，No.61263046);江西省青年科学基金(No.20132BAB211021)

TP391

A

0372-2112 (2016)11-2668-08

��学报URL:http://www.ejournal.org.cn

10.3969/j.issn.0372-2112.2016.11.015