摘  要： 近年來，伴隨著智能車輛的快速發(fā)展，行人檢測在車輛輔助駕駛方面越來越受到重視。提出一種二維顯著性紋理算子（Two-dimensional Significant Local Binary Pattern，TS-LBP），該算子能夠反映圖像的紋理特征、顯著性特征同時具有較強的抗噪聲性能。首先提取感興趣的目標區(qū)域，再提取目標區(qū)域顏色與紋理特征的融合特征對目標進行特征描述，最后采用Adaboost算法訓練得到一個行人分類器對行人進行識別。實驗結果表明，該方法檢測快速準確，具有較好的檢測效果。

　　關鍵詞： 行人檢測；感興趣區(qū)域；顏色特征；紋理特征；特征融合

0 引言

　　行人檢測在車輛輔助駕駛系統(tǒng)中具有重要的應用價值。隨著全球機動車輛的快速增長，交通事故也逐年上升，而大部分是由于車輛未及時采取避讓措施造成車輛與行人的碰撞。因此，對行人進行檢測，對有可能發(fā)生碰撞的行人提前做出預警將會很大程度上減少交通事故的發(fā)生。然而，行人檢測一直是一個有難度、富有挑戰(zhàn)性的課題[1]。

　　在過去的一段時間內，許多學者提出了多種行人檢測方法。如基于運動信息的方法[2]、基于模板匹配的方法[3]等，但是都不能夠取得較好的檢測效果。VIOLA P等人[4]采用級聯(lián)AdaBoost學習算法對人臉進行檢測，后來被應用到行人檢測上，取得了不錯的檢測效果；DALAL N等人[5]提出了梯度方向直方圖（Histogram of Oriented Gradient，HOG）特征能夠高效刻畫出人體的邊緣特征，是目前廣泛使用的行人特征描述子，但是其維度過高、計算速度較慢，因此不能滿足車載檢測實時性的要求；WALK S等人[6]提出了顏色自相似性（Color Self-Similarity，CSS）特征的行人檢測方法，因其包含較多冗余信息，不能得到較滿意的效果。

1 本文檢測方法

　　本文提出了一種在感興趣行人區(qū)域的基礎上將顏色特征與紋理特征相融合的算法，該算法具有特征維數(shù)少，計算速度快的優(yōu)點。該算法主要包括訓練部分和檢測部分，算法框架如圖1所示。

　　在車載視頻圖像中存在著大量的非行人區(qū)域，可先確定行人可能存在的感興趣區(qū)域，再對感興趣區(qū)域的目標進行重點檢測，避免全局掃描圖像而消耗過多時間。行人不管是站立還是行走，其垂直方向都具有很強的對稱性[7]?？梢岳眠@個特征，粗提取行人有可能存在的感興趣區(qū)域。采用式（1）來計算圖像每列的邊緣對稱性。

　　其中，wmin、wmax為垂直邊緣點的搜索范圍，Sv（k）為對應第k列的對稱性測度，數(shù)值越大表示圖像越以k為對稱中心。參考文獻[8]通過統(tǒng)計得出行人寬高比的平均值為0.4，可適當放寬比值，提取出更多的候檢區(qū)域，避免漏檢，同時可以排除大量的非行人區(qū)域。

2 行人識別

　　2.1 顏色特征提取

　　顏色特征因其具有計算簡單、易于提取等優(yōu)點而在圖像處理方面被廣泛使用。HSV（Hue、Saturation、Value）對光線變化具有較強的適應能力。因此，首先按式（2）將輸入的圖像從RGB顏色空間轉換到HSV顏色空間中。根據(jù)人體視覺對顏色的感知特性對顏色進行非均勻量化，從而將HSV顏色空間量化為72維直方圖特征向量。

　　v=max

　　2.2 紋理特征提取

　　局部二值模式（Local Binary Pattern，LBP）是由OJALA T等人[9]提出的用于提取圖像局部紋理特征的算子。以3×3模板為例，按照式（3）即可以求得該窗口中心像素點的LBP值。LBP算子示意圖如圖2所示。

　　在統(tǒng)計LBP直方圖時維數(shù)太多且具有較多冗余。CS-LBP（Center-Symmetric Local Binary Pattern）具有中心對稱特性，同時能夠對LBP起到降維的作用。CS-LBP算子計算公式如式（4），算子示意圖如圖3所示。

　　CS-LBP能夠對圖像進行降維，但對噪聲的抗干擾性能不足。為了提高算法的魯棒性，本文提出了帶有噪聲門限T的CS-LBP紋理特征如式（5）所示。

　　帶有噪聲門限的CS-LBP的紋理特征具有傳統(tǒng)LBP的灰度不變性、旋轉不變性，同時具有對稱型、較好的抗噪聲性能。為了能夠較好地反映圖像的顯著性特征，本文提出帶有閾值的顯著性算子（Local Significant Texture operator，LST）使得對像素灰度值有更好的適應性，算子表示如式（6）所示。

　　將帶有噪聲門限的CS-LBP特征與帶有閾值的顯著性算子LST相結合，構成本文二維顯著性紋理算子（Two-dimensional Significant Local Binary Pattern，TS-LBP）如式（7）所示。用此算子表示圖像的紋理特征既能反映圖形的紋理結構，又能顯示其局部顯著性特征，同時具有較好的抗噪聲性能。

　　2.3 特征融合

　　首先按式（2）提取圖像感興趣區(qū)域的顏色直方圖，再按式（7）提取感興趣目標區(qū)域紋理直方圖，將兩種特征融合在一起形成融合特征直方圖，如圖4所示。融合后的特征能夠反映目標區(qū)域的紋理特征、顯著性特征以及顏色特征，同時具有較好的抗噪聲性能。

　　2.4 Adaboost算法介紹

　　Adaboost算法是一種迭代算法[10]，其核心思想是用同一個訓練集通過訓練得到分類性能一般的弱分類器，把這些弱分類器級聯(lián)，構成一個分類性能更好的強分類器，由此利用強分類器來對行人進行分類。算法的流程如下：

　?。?）給定訓練集：F={（x1，y1），…，（xN，yN）}，其中yi∈{0，1}；

　?。?）訓練樣本的初始分布：；

　?。?）for t=1，…，T，計算弱分類器ht:X→{0，1}在分布Dt上的誤差為：εt=P（ht（xi）≠yi），計算該弱分類器的權重：；

　?。?）更新訓練樣本的分布：，其中Zt為歸一化常數(shù)；

　?。?）最后的強分類器為：。

3 實驗結果及分析

　　本文實驗采用的數(shù)據(jù)來源于INRIA行人數(shù)據(jù)庫、MIT數(shù)據(jù)庫和自行拍攝裁剪的照片。其中訓練集包含 2 416幅行人圖像、4 132幅非行人圖像。測試集包含  1 236幅行人圖像、1 039幅非行人圖像。實驗在MATLABR2008a上實現(xiàn)，Window XP操作系統(tǒng)，計算機環(huán)境配置為2.5 GHz CPU 和2 GB內存。在INRIA數(shù)據(jù)庫提供的行人測試樣本上進行檢測實驗。為了比較本算法的檢測性能，在相同環(huán)境下實現(xiàn)參考文獻[7]的檢測算法，兩種算法比較結果如表1所示。本文檢測算法比參考文獻[7]算法檢測率更高，并且采取只對感興趣區(qū)域的行人進行檢測，因而大大減少了檢測所用時間。部分檢測效果如圖5所示。其中圖5（a）表示在相似的環(huán)境背景下對行人進行檢測識別，可以看出本文檢測算法對行人的區(qū)分能力強，對行人有較好的識別能力，但是由于光照和相似背景的干擾會出現(xiàn)“誤檢”的情況；圖5（b）表示在不同環(huán)境、不同背景下對行人進行檢測識別，可以看出本文檢測算法在復雜背景下同樣能夠對行人有較好的識別，但是由于人群密度過大、人群遮擋等原因會出現(xiàn)“漏檢”的情況。

4 結論

　　本文提出了一種基于感興趣區(qū)域內顏色特征和顯著性紋理特征相融合的行人檢測算法，并通過Adaboost分類器進行行人檢測實驗。這種檢測算法避免了對整幅圖像進行全局掃描，運行速度快，魯棒性高，且在INRIA行人庫上取得了比較滿意的結果。但是，在夜間、雨天以及光照劇烈、行人密度過大的環(huán)境下檢測結果不是很理想，在后續(xù)會進一步改進和完善。

　　參考文獻

　　[1] 張春鳳，宋加濤，王萬良.行人檢測技術研究綜述[J].電視技術，2014，38（3）：157-162.

　　[2] 賀琴，潘建壽，劉繼艷，等.攝像機運動下基于背景匹配的運動目標檢測[J].計算機工程與應用，2010，46（24）：179-181.

　　[3] 周晨卉，王生進，丁曉青.基于局部特征級聯(lián)分類器和模板匹配的行人檢測[J].中國圖象圖形學報，2010，15（5）：824-829.

　　[4] VIOLA P， JONES M. Robust real-time face detection. IJCV[J]. International Journal of Computer Vision， 2004， 57（2）：137-154.

　　[5] DALAL N， TRIGGS B. Histograms of oriented gradients for human detection[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition， CVPR 2005， IEEE， 2005：886-893.

　　[6] WALK S， MAJER N， SCHINDLER K， et al. New features and insights for pedestrian detection[J]. IEEE Conference on Computer Vision and Pattern Recognition， 2010， 119（5）：1030-1037.

　　[7] 岳求生，周書仁，李峰，等.HSV與LBP特征融合的行人檢測方法研究[J].計算機工程與科學，2014，36（10）：1997-2001.

　　[8] 郭烈，王榮本，金立生，等.基于邊緣對稱性的車輛前方行人檢測方法研究[J].交通信息與安全，2007，25（1）：40-43.

　　[9] OJALA T， PIETIK?魧INEN M， MENP T. Gray scale and rotation invariant texture classification with local binary patterns[J]. Proceedings of the Sixth European Conference On Computer Vision， 2000，24（7）：404-420.

　　[10] 楊英，劉衛(wèi)國，鐘令，等.基于AdaBoost行人檢測優(yōu)化算法的研究[J].機電工程，2014，31（10）：1347-1350.