基于部位组合HOG特征的行人检测

周佳敏

（武汉理工大学，湖北 武汉 430070）

行人检测在视频监控、虚拟现实技术等领域有广泛的应用，也是计算机视觉和模式识别领域的重要研究方向。由于行人姿态、服饰的差异性增加了行人检测的难度。而人体的轮廓受这种因素的干扰较少，可以提供描述行人较为鲁棒的特征。Dalal[1]等提出的梯度方向直方图特征，利用局部边缘梯度分布特征来表征行人，具有优良的检测性能。

尽管HOG特征表现出优异的检测性能，其特征向量的维数过高使得特征计算和在线检测时间过长。本文提出结合行人头部与腿部图像区域作为感兴趣区域进行检测，精确识别出行人目标。

1 HOG特征描述

将一副待检图像分成N个单元，称为”Cell”，由若干个单元可组合成一个块，称为”Block”，整幅图像由一定数目的块组成，块与块之间允许重叠。通过统计各个块内各单元在各个方向上的梯度分布，即构成了该图像的HOG特征，其计算过程如下。

1.1 计算梯度

采用梯度算子计算图像的水平方向梯度和垂直方向梯度。

1.2 构建梯度直方图

将梯度方向分为若干个子区间，对单元内每个像素点，以各像素点的梯度值为权重，对其梯度方向所属子区间进行投票加权。

1.3 梯度强度归一化

对梯度强度在块内做归一化[4]处理，可以减少局部光照以及前景、背景对比度的变化对直方图特征的影响。HOG特征就是块中所有单元的直方图所组成的一个向量。

1.4 形成特征向量将所有检测窗口中所有重叠的块中各HOG特征串联起来就构成了最终的特征向量

2 基于HOG的腿部检测

通过样本图像分析发现，行人腿部所在的图像区域，背景通常是平坦的路面，并且腿部的轮廓边缘具有明显的垂直对称性，其在某些梯度方向上会出现一定的峰值，其HOG特征与背景差别较大。因此，本文首先针对行人腿部采用HOG特征进行检测。

由于行人脚与地面接触，行人的腿部区域一般会出现在图像的下半部分区域，因此本文主要对待检图像的下半部分进行扫描，具体检测步骤如下：

1）获取待检图像，并取图像的下半部分区域作为行人腿部扫描区域；

2）按照大小为16*16个像素窗口遍历待检图像，计算得到扫描区域内所有块的HOG特征向量并存入一个14*39的二维数组中，数组中每个元素指向一个块的36维HOG特征向量。

3）以大小为64*64，步长为8个像素的检测窗口遍历待检图像，此时不需独立计算每个检测窗口的HOG特征，只要对二维数组进行正确的索引找到该区域所对应块的HOG特征向量。

4）加载训练得到的腿部识别分类器，对检测窗口进行判别。

3 基于模板匹配的头部检测

经过分析可知，无论行人呈现出何种不同的姿态，行人头部轮廓变动性很小，且呈现出一定的形状，而且行人的头部不易被遮挡，在检测过程中很容易被检测出来。因此本文采用模板匹配对头部进行检测。其检测过程如下：

1）针对头部轮廓构建一个“Ω”形位图模板，将头部轮廓模板与Sobel边缘图像做乘积，将分数计算的最大值视为符合头部区域。

2）由于现实场景有复杂的背景[5]存在，对图像进行边缘检测时可能会干扰模板匹配过程，采用Canny算子和形态学边缘检测算子融合的方法实现头部边缘检测。

3）通过计算模板与待检测窗口的距离变换图像的Chamfer[3]距离来衡量两者之间的相似程度，如果待匹配的图像中没有头部，则求得的Chamfer距离通常会远大于在图像中有头部的Chamfer距离。

4 基于部位组合特征的行人检测

在本文的行人检测过程中，首先对腿部进行检测并实现对腿部的初步定为，然后进一步使用模板匹配对候选行人头部检测，只有当头部和腿部同时存在该区域中，才能认为所识别的目标为行人。

为了验证部位组合检测方法的有效性，本文对样本集中的图像进行了处理分析，主要比较了本文的部位组合算法与HOG算法在样本集的检测性能，其中HOG算法的检测率为76.1%，本文部位组合算法检测率达到了96.7%。

5 总结

本文提出了一种基于部位组合特征的行人检测方法，首先对腿部进行检测，定位出候选行人区域，再根据头部轮廓不易变动的特点，利用模板匹配的方法对行人头部进一步检测。实验表明，本文的方法能够有效地检测出现实场景中的行人。

［1］苏松志.行人检测若干关键技术研究[D].厦门:厦门大学，2011.

［2］郭烈.利用腿部区域HOG特征的行人检测方法[J].计算机工程与应用，2013，49（1）:217-221.

［3］杜友田.基于视觉的人的运动识别综述[J].电子学报，2007，35(1):84-90.

［4］黄茜.基于梯度向量直方图的行人检测[J].科学技术与工程，2009，9(13):3646-3651.

［5］潘锋.基于支持向量机的复杂背景下的人体检测[J].中国图像图像学报,2005，10(2):183-186.