摘要：采用簡(jiǎn)化的混合高斯模型提取背景并保持跟新，利用背景差法提取前景目標(biāo)，并最終提取目標(biāo)的輪廓特征。CENTRIST特征[4]可以很好的編碼相鄰像素的比較信息，而且隱式的表達(dá)了全局的輪廓， 與傳統(tǒng)的Adaboost算法結(jié)合起來可以很好的檢測(cè)行人。當(dāng)CENTRIST與線性分類器結(jié)合使用時(shí)，可以不必生成特征向量，也不需要對(duì)圖像進(jìn)行預(yù)處理和特征向量的規(guī)范化處理，還可以進(jìn)一步用硬件加速（使用GPU），在一個(gè)1.2GHZ的CPU機(jī)器中，檢測(cè)速度可以達(dá)到20fps。

關(guān)鍵詞：輪廓特征；CENTRIST特征；線性分類器；特征向量；直方圖交叉核

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2013）02-0370-03

近年來，隨著綜合國(guó)力的提升以及人民生活水平的不斷提高，銀行、交通、安檢、軍事設(shè)施、國(guó)家安全設(shè)施以及高檔私人住宅等領(lǐng)域?qū)Π踩婪逗同F(xiàn)場(chǎng)及時(shí)記錄報(bào)警系統(tǒng)的需求與日劇增，并且要求越來越高。視頻監(jiān)控已經(jīng)廣泛應(yīng)用于在上述的各個(gè)方面，并得到普遍認(rèn)可和好評(píng)。但是，在大多數(shù)情況下，普遍采用的是人工完成，無法滿足實(shí)時(shí)性和智能性的要求。隨著圖像處理和模式識(shí)別技術(shù)的發(fā)展，行人檢測(cè)成為智能監(jiān)控的領(lǐng)域的一項(xiàng)重要課題，由于行人具有各種各樣的姿勢(shì)及大小數(shù)量不等附屬物，也使得行人檢測(cè)成為一項(xiàng)極具挑戰(zhàn)性的課題。

1 現(xiàn)狀

視頻監(jiān)控系統(tǒng)已經(jīng)擁有了 20 多年的發(fā)展與積累，共經(jīng)歷三代的發(fā)展過程：第一代， 20 世紀(jì) 90 年代初以前主要是模擬視頻監(jiān)控時(shí)代。以 VCR（Video Cassette Recorder）傳統(tǒng)閉路電視系統(tǒng)為技術(shù)代表，通過大量連接電纜以及視頻矩陣切換設(shè)備來實(shí)現(xiàn)。在智能化方面，完全依靠監(jiān)控人員來觀察視頻畫面來實(shí)現(xiàn)。第二代，20世紀(jì) 90 年代中期，借助與數(shù)字視頻壓縮編碼技術(shù)的發(fā)展，形成了以 DVR（Digital Video Recorder）為代表的半數(shù)字視頻監(jiān)控時(shí)代。借助于網(wǎng)絡(luò)技術(shù)將壓縮的視頻數(shù)據(jù)傳送到監(jiān)控中心，并存儲(chǔ)在電腦硬盤上。在智能化方面。第三代，最早出現(xiàn)在21 世紀(jì)初，全數(shù)字視頻監(jiān)控時(shí)代。可以利用現(xiàn)有的計(jì)算機(jī)網(wǎng)絡(luò)，通過標(biāo)準(zhǔn)的 TCP/IP協(xié)議進(jìn)行任意場(chǎng)景的智能監(jiān)控，并可以把經(jīng)過壓縮的視頻數(shù)據(jù)保存在磁盤陣列中或者光盤中，以便于查詢快捷方便。

這樣計(jì)算的量階就為一個(gè)超塊大小。不但節(jié)省了計(jì)算時(shí)間，也節(jié)省了內(nèi)存空間。

該方法不用對(duì)圖像預(yù)處理，也不用得出特征向量，提取圖像特征過程中各個(gè)圖像分塊的特征與線性分類器完美地銜接一起，使得該方法成功應(yīng)用于實(shí)時(shí)行人檢測(cè)系統(tǒng)。

2.3 分類器地訓(xùn)練

分類器訓(xùn)練階段，采用108X36大小的圖像作為正樣本訓(xùn)練集合P，用完整的不含行人的圖像作為負(fù)樣本集N，首先從N中隨機(jī)抽取少量108X36大小圖像塊作為負(fù)樣本訓(xùn)練集N1，用P∪N1集合訓(xùn)練一個(gè)線性SVM分類器H1。接著用H1檢測(cè)集合N，生成一個(gè)新的負(fù)樣本集合N2，N2縮放后與集合P再訓(xùn)練生成一個(gè)線性分類器H2。如此下去直至N中所有的圖像至少被H1，H2……中的一個(gè)分類器判定為負(fù)樣本。最后用正樣本集P和所有的負(fù)樣本集Ni訓(xùn)練出一個(gè)線性SVM分類器Hlin。

線性分類器能夠保證較快的檢測(cè)速度，但是在直方圖特征的檢測(cè)上SVM的HIK（Histogram Intersection Nuclear）核要比線性核具有較高的檢測(cè)精度。所以我們訓(xùn)練了一個(gè)HIK核SVM分類器，采用之前的方法：Hlin檢測(cè)負(fù)樣本集N生成一個(gè)負(fù)樣本訓(xùn)練集Nfinal，

用P和Nfinal訓(xùn)練一個(gè)HIK核SVM分類器Hhik，這樣檢測(cè)時(shí)，可以級(jí)聯(lián)使用這倆種分類器，既達(dá)到實(shí)時(shí)要求又提高了檢測(cè)精度。

3 結(jié)果

訓(xùn)練樣本中均來自 INRIA 的行人數(shù)據(jù)庫(kù)， 共包含1126個(gè)正樣本和3000多個(gè)負(fù)樣本。在正樣本圖像中， 行人穿著不同顏色、式樣和花紋的服裝， 有著不同的動(dòng)作， 而且面對(duì)攝像機(jī)的角度變化很大， 是在不同的光照條件和季節(jié)拍攝的。負(fù)樣本圖像都是自然場(chǎng)景圖像。訓(xùn)練樣本的尺寸為 108X36像素大小。

在 PC 機(jī)（Intel Celeron 2CPUs E3300 2.5GHz，2GB 內(nèi)存）上對(duì)系統(tǒng)進(jìn)行了測(cè)試，可以達(dá)到 20fps 的處理速度，可以精確地捕捉到視頻中的路人。視頻圖像的大小為 1080×768。對(duì)一個(gè)場(chǎng)景拍攝了若干視頻片段進(jìn)行試驗(yàn)，每個(gè)視頻段長(zhǎng)度為10分鐘左右，實(shí)驗(yàn)結(jié)果部分截圖如圖2所示。

（a） （b） （c）

圖2

表1 與目前最流行的HOG算法比較結(jié)果

從表1中可以看出CENTRIST算法具有較高的檢測(cè)速度，主要是因?yàn)樘崛ENTRIST描述子不需對(duì)圖像進(jìn)行預(yù)處理和后處理，而且可以邊提取邊計(jì)算。相比之下，HOG需要對(duì)圖像進(jìn)行處理并且使用SVM分類器高斯核，使得檢測(cè)時(shí)間較長(zhǎng)，而檢測(cè)效果要高些。

4 總結(jié)與展望

提出了CENTRIST特征描述符：對(duì)行人圖像的sobel邊緣圖像進(jìn)行像素級(jí)比較處理，得出圖像的局部比較信號(hào)，并對(duì)此局部比較信號(hào)采取類似LBP形式的編碼，得到行人圖像的特征描述符，將該特征描述符與線性分類器無縫隙拼接實(shí)現(xiàn)行人的檢測(cè)。

使用兩種不同類型的SVM分類器，線性分類器保證較高的檢測(cè)速率，使得HIK核SVM檢測(cè)少量的，經(jīng)線性SVM檢測(cè)過的圖像。這樣不但縮短了檢測(cè)時(shí)間，更是提高了檢測(cè)精度。

行人檢測(cè)在國(guó)計(jì)民生的各個(gè)領(lǐng)域里有很重要的用途。并可以在此基礎(chǔ)上進(jìn)一步智能化，如識(shí)別人體的姿勢(shì)，判斷人的行為。行人檢測(cè)的一套方法還可以運(yùn)用到其他類型的目標(biāo)檢測(cè)，比如車輛檢測(cè)等。

參考文獻(xiàn)：

[1] 劉亞，艾海舟，徐光佑.一種基于背景模型的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法[J].信息與控制，2002，31（4）：315-319.

[2] 朱齊丹，張智，邢卓異.支持向量機(jī)改進(jìn)序列最小優(yōu)化學(xué)習(xí)算法[J].哈爾濱工程大學(xué)學(xué)報(bào)，2007，28（2）：183-188.

[3] Wojek C， Dork′o C， Schulz A， et al. Sliding-windows for rapid object class localization： A parallel technique[R]. in DAGM-Symposium， 2008.

[4] Wu Jian-xin， Geyer C，Rehg J M. Real-time human Detection Using Contour Cues[R]. IN ICRA， 2011：860-867.

[5] Dalal N，Triggs B. Histograms of oriented gradients for human Detection[R]. IN CVPR，2005： 886-893.

[6] Leibe B，Seemann E， Schiele B. Pedestrian detection in crowded scenes[R]. IN CVPR：878-885.

[7] Wu J. A fast dual method for HIK SVM learning[R]. IN ECCV：552–565.

[8] Wang X，Han T H，Yan S. An HOG-LBP human detector with partial occlusion handling[R].IN ICCV，2009.