張 玲，張 焱，陳路路

(中國電子科技集團(tuán)公司第五十四研究所，河北 石家莊 050081)

0 引言

低照度圖像[1]與普通可見光圖像相比，具有信噪比低、亮度對比度小的特點，不利于目標(biāo)檢測識別，為實現(xiàn)目標(biāo)的及時、準(zhǔn)確識別，需發(fā)展高精度的目標(biāo)識別方法[2]。方向梯度直方圖(Histogram of Oriented Gradient，HOG)特征是用來進(jìn)行目標(biāo)識別的特征描述算法，通過計算和統(tǒng)計圖像局部區(qū)域的梯度方向直方圖來構(gòu)成特征。在圖像中，局部目標(biāo)的表象和形狀能夠被梯度或邊緣的方向密度分布很好地描述，計算一塊區(qū)域內(nèi)的所有像素處的梯度信息，即突變的方向和大小，然后對360°進(jìn)行劃分，得到多個bin，統(tǒng)計該區(qū)域內(nèi)的所有像素所在的bin，就得到了一個特征向量，這就是HOG特征，目前，基于HOG特征可實現(xiàn)行人檢測[3]和車目標(biāo)的檢測[4]。

基于圖像特征的目標(biāo)識別有多種模式識別方法，如統(tǒng)計模式識別方法，包括K最近鄰分類算法[5]、決策樹方法[6]、基于信息幾何的方法[7]，人工智能方法，包括BP神經(jīng)網(wǎng)絡(luò)方法[8]、深度學(xué)習(xí)方法[9]、稀疏表示識別算法[10]和遺傳算法[11]等。然而，統(tǒng)計模式識別方法在樣本數(shù)量有限的情況下難以估計特征樣本的概率密度函數(shù)，導(dǎo)致分類精度較低。為了改善分類精度，引入人工智能方法，但人工神經(jīng)網(wǎng)絡(luò)方法在處理小樣本和高維特征問題時，容易陷入局部最優(yōu)，且計算復(fù)雜度明顯增加[12]。而基于統(tǒng)計學(xué)習(xí)理論的支持向量機(jī)方法[13]建立在結(jié)構(gòu)風(fēng)險最小化準(zhǔn)則基礎(chǔ)之上，具有較強(qiáng)的泛化能力，適用于小樣本訓(xùn)練的情況和高維特征的處理。

本文以HOG特征抽取和支持向量機(jī)技術(shù)[14]為基礎(chǔ)，提出了一種傳感器圖像目標(biāo)分類識別方法。該方法通過抽取圖像特征、選擇核函數(shù)以及相關(guān)參數(shù)，實現(xiàn)了低照度條件下基于圖像HOG特征的目標(biāo)分類識別。

1 目標(biāo)分類識別

傳感器目標(biāo)分類識別系統(tǒng)由目標(biāo)檢測、特征提取和分類識別等模塊組成。目標(biāo)檢測得到目標(biāo)數(shù)據(jù)，進(jìn)而從中提取目標(biāo)特征，最后基于目標(biāo)特征進(jìn)行目標(biāo)的分類識別。

針對已檢測到的關(guān)鍵幀圖像數(shù)據(jù)，經(jīng)過圖像的裁剪、縮放、灰度化以及Gamma歸一化等預(yù)處理后，完成HOG特征提取，然后構(gòu)建目標(biāo)分類器，利用分類器完成目標(biāo)的分類判別，目標(biāo)分類識別框架如圖1所示。

圖1 目標(biāo)分類識別框架Fig.1 The framework of target classification and recognition

2 HOG特征提取算法

本文選擇提取圖像的HOG特征，作為分類器的輸入。首先將彩色圖像轉(zhuǎn)換為灰度圖像，進(jìn)而完成圖像梯度分量的計算和梯度計算，通過cell劃分和block劃分生成圖像特征向量，主要包括：梯度計算、cell直方圖的計算和block特征的計算。

2.1 梯度計算

選擇水平梯度算子為[-1 0 1]，豎直梯度算子為[1 0 -1]T。首先用[-1 0 1]梯度算子對原圖像做卷積運(yùn)算，得到x方向(水平方向，以向右為正方向)的梯度分量Gx(x，y)，然后用[1 0 -1]T梯度算子對原圖像做卷積運(yùn)算，得到y(tǒng)方向(豎直方向，以向上為正方向)的梯度分量Gy(x，y)。然后再用以下公式計算像素點(x，y)處的梯度大小G(x，y)和方向角度α：

α=tan-1(Gy(x，y)/Gx(x，y))。

2.2 cell直方圖的計算

將圖像劃分為多個cell，每個cell是n像素×n像素，然后每2×2的cell構(gòu)成一個block，對每個cell中的每個像素的梯度按照方向統(tǒng)計直方圖，360°bin的劃分如下，這里進(jìn)行了9等分，分別得到落入[0，40)，[40，80)，[80，120)，[120，160)，[160，200)，[200，240)，[240，280)，[280，320)，[320，360)的梯度，然后把每個bin中梯度的范數(shù)相加，就得到了該bin的分量。這樣就得到了一個cell的特征，即一個9維的向量。

2.3 block特征的計算

將block中cell的所有特征串聯(lián)起來，構(gòu)成該block的特征，然后歸一化，即把每個特征除以該特征向量的范數(shù)，歸一化是為了消除光照的影響。這樣每個block是一個9×4=36維的向量。

最后，將所有的block的特征向量串聯(lián)起來就是最終的特征向量，即HOG特征。

3 支持向量機(jī)分類器

目標(biāo)特征提取后，本文選擇SVM分類器進(jìn)行目標(biāo)的分類識別。SVM分類主要有3個步驟：核函數(shù)的選擇、二次規(guī)劃問題的求解和分類判別。

3.1 核函數(shù)的選擇

常用的非線性核函數(shù)K(x，xi)有二次函數(shù)、多項式函數(shù)、徑向基函數(shù)以及多層感知機(jī)函數(shù)等，其中徑向基函數(shù)(RBF)表達(dá)式如下：

(1)

式中，σ是核參數(shù)。

3.2 二次規(guī)劃問題的求解

采用Sequential Minimal Optimization(SMO)算法[15]求解以下二次規(guī)劃問題，即求解拉格朗日乘子：

(2)

式中，αi，yi，i=1，2，…，n分別是拉格朗日乘子和數(shù)據(jù)分類標(biāo)簽；y∈{-1，1}；n是樣本的個數(shù)；C是懲罰因子。

3.3 分類判別

根據(jù)以下函數(shù)，做出分類判斷：

(3)

當(dāng)f(x)=1時，目標(biāo)屬于第一類；f(x)=-1時，目標(biāo)屬于第二類。

4 數(shù)值實驗

實驗中，抽取圖像的HOG特征，并采用SVM作為目標(biāo)分類器。訓(xùn)練樣本數(shù)和測試樣本數(shù)如表1所示。

表1 樣本數(shù)Tab.1 Sample number

將預(yù)處理后的圖像劃分為多個16像素×16像素的cell，計算每個cell的特征，即一個9維的向量，然后每2×2的cell構(gòu)成一個block，每個block是一個36維的向量，將所有的block的特征向量串聯(lián)起來，形成圖像的HOG特征，人、車目標(biāo)特征的不同隱含在HOG特征向量中，如圖2～圖5所示，進(jìn)而將通過對不同HOG特征向量的學(xué)習(xí)形成目標(biāo)分類器。

圖2 測試樣本-車Fig.2 Test sample：car

圖3 車的HOG特征Fig.3 HOG features of car

圖4 測試樣本-人Fig.4 Test sample：person

圖5 人的HOG特征Fig.5 HOG features of person

對拉格朗日乘子αi和閾值b賦初值，選擇懲罰因子和核參數(shù)，輸入訓(xùn)練樣本的HOG特征，求解二次規(guī)劃問題(2)，得到乘子αi和閾值b，通過不斷的迭代實驗及其結(jié)果，獲取懲罰因子和核參數(shù)的最優(yōu)組合，完成目標(biāo)二分類器，然后將測試樣本的HOG特征輸入分類器，測試結(jié)果如表2所示。

表2 測試結(jié)果Tab.2 Test results

實驗結(jié)果表明，不同目標(biāo)的HOG特征分布不同，且HOG+SVM算法可實現(xiàn)低照度圖像的精確分類，準(zhǔn)確率優(yōu)于95%，且懲罰因子值越高，分類精度越高。

由于HOG特征維度為8 100，當(dāng)采用BP神經(jīng)網(wǎng)絡(luò)方法[16]進(jìn)行測試時，訓(xùn)練速度緩慢，且神經(jīng)網(wǎng)絡(luò)參數(shù)占用內(nèi)存極高，不利于實現(xiàn)目標(biāo)分類識別實時性的要求，故采用SVM機(jī)器學(xué)習(xí)算法實現(xiàn)目標(biāo)分類具備優(yōu)越性。

5 結(jié)束語

傳感器圖像目標(biāo)自動分類識別克服了低照度條件下目標(biāo)分類精度低的問題，實現(xiàn)了對目標(biāo)分類識別統(tǒng)一性、穩(wěn)定性和實時性的要求。針對目標(biāo)分類問題，設(shè)計了一種基于HOG+SVM的目標(biāo)分類方法，其中，HOG算法通過對局部目標(biāo)的表象和形狀進(jìn)行梯度或邊緣方向密度分布的刻畫，捕捉不同目標(biāo)的特征點，對block特征向量的歸一化處理，消除了光照的影響，進(jìn)而HOG特征向量經(jīng)過SVM訓(xùn)練，完成核函數(shù)的選擇和拉格朗日乘子、閾值b、核參數(shù)、懲罰因子等相關(guān)參數(shù)的設(shè)定，實現(xiàn)了低照度圖像目標(biāo)的精確分類。