謝 敏

(南京郵電大學(xué) 通達(dá)學(xué)院，江蘇 揚(yáng)州225000)

0 引言

行人檢測是計(jì)算機(jī)視覺領(lǐng)域的重要研究課題[1-2]，應(yīng)用于人工智能系統(tǒng)、智能車輛駕駛系統(tǒng)等領(lǐng)域。存在視頻環(huán)境復(fù)雜，天氣、光照強(qiáng)度和角度都有變化；人體紋理信息和形態(tài)的多樣化等干擾因素，使得圖像特征信息檢測的速度慢、識別率低。行人的特征提取大多采用滑動窗口全局搜索的方法，因此滑動窗口的數(shù)量和圖像大小成正比。檢測過程中大部分窗口不含有檢測目標(biāo)，所以減少窗口數(shù)量可以減少無效的檢測，進(jìn)而提高檢測效率[3-7]。本文提出利用混合高斯模型對視頻中運(yùn)動目標(biāo)進(jìn)行檢測，對運(yùn)動區(qū)域進(jìn)行梯度直方圖的特征提取，大大減少了特征提取的區(qū)域范圍，從而提高了檢測效率。

1 混合高斯模型

行人檢測易受特征描述子的維度和待檢測圖片大小等因素的影響，維度越高、視頻圖片越大都會造成檢測時(shí)間變長。行人的狀態(tài)是移動的，因此利用運(yùn)動目標(biāo)進(jìn)行檢測，檢測出視頻中的運(yùn)動區(qū)域[8-10]。對運(yùn)動區(qū)域提取特征，大幅減小了特征檢測區(qū)域，從而減少檢測時(shí)間，提高檢測效率。

混合高斯模型常應(yīng)用于復(fù)雜場景下的背景建模，因其能適應(yīng)背景的變化，所以優(yōu)于其他傳統(tǒng)模型。本文使用自適應(yīng)混合高斯建模(GMM)，對于隨機(jī)變量X的觀測數(shù)據(jù)集(x1，x2，…，xN)，xt=(rt，gt，bt)為t時(shí)刻像素的樣本，則單個(gè)采樣點(diǎn)xt的高斯分布概率密度函數(shù)：

在高斯混合模型中，視頻中光強(qiáng)度隨時(shí)間的改變發(fā)生動態(tài)改變，因此背景圖像需要不斷地更新。

在視頻中，行人運(yùn)動速度緩慢，在路口需要等待較長時(shí)間，所以傳統(tǒng)的高斯模型很難檢測出運(yùn)動速度緩慢或者靜止的前景。根據(jù)行人運(yùn)動的特點(diǎn)對高斯模型進(jìn)行了改進(jìn)，通過系數(shù)控制前景融入背景的時(shí)間，減少前景成為背景的可能性。

如果行人p在場景中的停留時(shí)間tp足夠長，滿足tp>ts，其中，wp，ts=1-T，則：

wp，tp>1-T，p≤k，

即：

此時(shí)，靜止的行人p進(jìn)入背景模型，所有把權(quán)值的均值也作為前景分割的條件，

wk，t=(1-λ)wk，t-1+λ(wk，t)，

式中，wk，t為權(quán)值的均值，表示每個(gè)高斯模型的權(quán)值在時(shí)間上的均值；λ為學(xué)習(xí)率。

2 HOG特征提取

更新檢測區(qū)域范圍，調(diào)整區(qū)域范圍為方向梯度直方圖(Histogram of Oriented Gradient，HOG)檢測窗口大小，尤其是前景的邊緣，容易出現(xiàn)漏檢的情況，對候選區(qū)進(jìn)行提取HOG。

HOG的思想是：圖像中梯度和邊緣的方向密度分布可以較好地描述局部目標(biāo)的表像和形狀[11-15]。因而可以對候選區(qū)進(jìn)行提取HOG，再結(jié)合SVM分類器，對行人做檢測。HOG特征提取流程如圖1所示。

圖1 HOG特征提取流程

顏色空間標(biāo)準(zhǔn)化：顏色空間標(biāo)準(zhǔn)化是為了能夠減小光照的影響；調(diào)節(jié)圖像的對比度，來減小局部的陰影和光照變化的影響；由于顏色信息對特征提取的貢獻(xiàn)很小[16-19]，通常轉(zhuǎn)換成灰度圖，即：

Gray=0.3×R+0.59×G+0.11×B，Gamma壓縮公式：

Y(x，y)=I(x，y)γ，通常γ=0.5。

計(jì)算目標(biāo)區(qū)域中每個(gè)像素的梯度(包括梯度大小和方向)，獲得輪廓信息，減小光照的干擾。

圖像中像素點(diǎn)(x，y)的梯度為：

Gx(x，y)=H(x+1，y)-H(x-1，y)，

Gy(x，y)=H(x，y+1)-H(x，y-1)，

式中，Gx(x，y)，Gy(x，y)，H(x，y)分別是像素點(diǎn)(x，y)處的水平方向梯度、垂直方向梯度和像素值。

像素點(diǎn)(x，y)處的梯度幅值和方向分別為：

將目標(biāo)區(qū)域劃分成小單元，并計(jì)算出每個(gè)單元的梯度直方圖。為局部圖像區(qū)域提供一個(gè)編碼，并減弱行人的姿勢和外觀的敏感性。

把每個(gè)單元組合成較大的塊(Block)。串聯(lián)塊內(nèi)所有單元的特征，得到這個(gè)塊的HOG特征。歸一化梯度強(qiáng)度，進(jìn)一步地減少光照、陰影和邊緣的影響。

將所有Block的HOG特征依次串聯(lián)，得到該目標(biāo)的HOG特征。

3 實(shí)驗(yàn)結(jié)果分析

本算法采用VS2019和OpenCV實(shí)現(xiàn)。算法流程如圖2所示。

圖2 算法流程

本算法檢測到的行人用綠色框標(biāo)記如圖3所示。

圖3 行人檢測結(jié)果

本文算法基本能檢測出視頻中的行人，邊緣剛進(jìn)入的行人有漏檢的情況，但當(dāng)行人完全進(jìn)入畫面時(shí)依然可以檢測到。檢測結(jié)果對比如表1所示。

表1 檢測結(jié)果對比

通過實(shí)驗(yàn)表明：本文算法提高了檢測效率，對于錯(cuò)檢率也有所降低，HOG+SVM檢測速度約10幀每秒，本文算法檢測速度約25～30幀每秒，檢測效率增加，基本能夠滿足實(shí)時(shí)性的要求。

4 結(jié)束語

針對智能監(jiān)控中行人檢測實(shí)時(shí)性問題，提出了一種利用高斯混合模型進(jìn)行前景檢測來減少HOG特征提取的計(jì)算量。該方法先對視頻圖像進(jìn)行高斯背景建模，提取運(yùn)動區(qū)域后，由于行人運(yùn)動速度緩慢或保持靜止，所以改進(jìn)高斯混合模型背景更新的時(shí)間，以保證可以檢測到運(yùn)動緩慢或靜止的行人。通過混合高斯模型檢測出候選區(qū)域，調(diào)整候選區(qū)域的尺寸為HOG檢測窗口大小，提取HOG特征，從而減少了HOG特征提取的計(jì)算量，檢測速度和效率有所提高。實(shí)驗(yàn)結(jié)果顯示，采用混合高斯模型來減少特征提取窗口的方法有較好的行人檢測效果，實(shí)時(shí)性好，基本可應(yīng)用于實(shí)時(shí)檢測的場合。