程　全 ,樊　宇，劉玉春 ，程　朋

(1.周口師范學(xué)院 a.機械與電氣工程學(xué)院；b.網(wǎng)絡(luò)工程學(xué)院，河南 周口 466001；2.國機精工有限公司，河南 鄭州 450000)

?

特征顯著性的車輛目標檢測算法

程全1a,樊宇1b，劉玉春1a，程朋2

(1.周口師范學(xué)院 a.機械與電氣工程學(xué)院；b.網(wǎng)絡(luò)工程學(xué)院，河南 周口 466001；2.國機精工有限公司，河南 鄭州 450000)

針對運動目標檢測不適合實時性應(yīng)用場合的問題，提出了一種將無監(jiān)督特征學(xué)習和顯著性檢測相結(jié)合的地面車輛目標檢測算法。通過學(xué)習得到表示車輛目標的局部特征并進行編碼，根據(jù)這些特征對整個圖像進行顯著性檢測，獲得候選目標區(qū)域。通過相關(guān)分析去除那些高度相關(guān)的特征，有效抑制背景，突出顯著對象。

特征學(xué)習；視覺字典；特征提取

0　引言

近年來，機載視覺監(jiān)視系統(tǒng)正逐步應(yīng)用于地面車輛活動監(jiān)視、高速公路車輛流量統(tǒng)計和戰(zhàn)場情報數(shù)據(jù)提取等方面。這些系統(tǒng)所具有的各類功能中，地面車輛目標檢測是最基本和最重要的。由于背景變化、高雜波、視角變化以及計算資源有限等，使得某些問題變得難以處理。

目前，最為常規(guī)的目標檢測方法是基于Viola和Jones提出的滑動窗口檢測框架[1]。這類方法通常需要提取大量特征，并綜合這些特征通過機器學(xué)習形成集成分類器，采用級聯(lián)結(jié)構(gòu)來減少計算量。對一般視覺目標的檢測，通常采用尺度不變特征轉(zhuǎn)換(scale-invariant feature transform,SIFT)、方向梯度直方圖(histogram of oriented gradient,HOG)、局部二值模式(local binary pattern,LBP)和Gabor濾波器等人工特征表示目標[2]，而通過無監(jiān)督學(xué)習方法，則能從數(shù)據(jù)中習得具有更強表示能力的特征[3-4]，相比于傳統(tǒng)特征，這類特征的提取要耗費更多的時間和資源，而傳統(tǒng)特征如Harr特征可用積分圖像方法獲得很高的計算效率[5-6]。文獻[7-8]針對自然場景中背景復(fù)雜多變的特點，提出了一種基于邊界先驗的圖像顯著性檢測方法。該方法能夠在自然場景中突出不同大小的顯著目標。但是，在顯著目標偏離圖像中心接觸到圖像邊界，以及目標與背景的顏色對比度較低的情況下，會產(chǎn)生錯誤的檢測結(jié)果。

本文提出了一種基于圖像面片的無監(jiān)督特征學(xué)習和視覺顯著性檢測的地面車輛目標檢測算法，首先，將圖像生成一個目標類別特異的視覺特征字典；然后在新的特征空間對整幅圖像進行顯著性檢測；最后用目標分類器判斷是否屬于車輛目標，從而得到最終的顯著圖。

1　基于特征顯著性檢測的地面車輛目標檢測

1.1構(gòu)造數(shù)據(jù)集

以美國某實驗室合成的車輛目標數(shù)據(jù)庫NORB[9]為范本構(gòu)建車輛目標數(shù)據(jù)集。實際應(yīng)用要求以復(fù)雜自然場景圖像為背景檢測車輛目標，因此，選用可能的各類自然場景圖像構(gòu)建非車輛目標數(shù)據(jù)集。以美國某實驗室航拍的視頻數(shù)據(jù)庫VIVID[10]為范本構(gòu)建測試數(shù)據(jù)集。

1.2特征學(xué)習

采用K均值聚類學(xué)習車輛目標的視覺特征字典。首先在車輛目標中提取大量面片圖像以供學(xué)習。在各種光照、姿態(tài)和種類的車輛目標圖像中，隨機選取s×s像素大小的面片圖像，面片圖像的數(shù)量為N，將每個面片圖像保存為1個M維向量xn，M=s×s，所有面片圖像形成一個M×N的數(shù)據(jù)集X=[x1,x2,…,xN]。

為了使聚類算法易于獲得s×s像素空間上的局部特征，對數(shù)據(jù)集作預(yù)處理。首先把xn標準化為均值為0、標準差為1的向量，隨后對整個數(shù)據(jù)集作白化處理：

(1)

其中：Λ與E來自對協(xié)方差矩陣的特征值分解。

E{XXT}=EΛET，

(2)

Λ-1/2是對角陣，對角線上為特征值矩陣Λ中對角元平方根的倒數(shù)：

(3)

經(jīng)白化處理后，協(xié)方差矩陣變?yōu)閱挝魂嚕?/p>

(4)

經(jīng)預(yù)處理后，采用K均值聚類算法進行無監(jiān)督學(xué)習，設(shè)定K個聚類中心，計算后得到K個聚類中心作為視覺特征字典D=[d(1),d(2),…,d(K)]。

特征學(xué)習習得的特征主要由不同寬度、方向和長度的邊條構(gòu)成，也包括稍小的點與稍大的斑。其中部分特征的方向、長度完全相同，只是位置略有偏移，說明特征存在冗余，主要是因為聚類中心個數(shù)K是人為指定的，與數(shù)據(jù)集真實分布情況有差別。送入學(xué)習的面片圖像是隨機選取的，因此會將同一個邊條截取出不同的空間“相位”，但這種冗余并不影響目標識別的準確性。許多基于面片圖像特征學(xué)習的研究說明，人為選取字典大小得到的冗余特征集可以取得很好的分類結(jié)果，而且識別結(jié)果隨著使用更大規(guī)模的字典而改善，往往比人工選取的“正交化”的、低冗余的特征集效果更好[11]。

1.3顯著性檢測

用習得的視覺特征字典D=[d(1),d(2),…,d(K)]對原始圖像進行編碼，得到K個特征響應(yīng)，再對各個響應(yīng)zk計算顯著性。為了快速計算，對原始圖像編碼時直接采用二維卷積：

zk=d(k)*I，

(5)

其中：I為原始圖像；*為二維卷積運算；得到的響應(yīng)zk和原始圖像尺寸一樣，將其視為一張圖像進行顯著性檢測，并將K個顯著圖像累加合并。

(6)

其中：SRD為某種顯著性檢測算法；sconv為合并后的結(jié)果，在sconv上響應(yīng)強的區(qū)域即為待識目標區(qū)域。

圖1　在特征空間上進行SR顯著性檢測的結(jié)果

本文采用頻譜殘差[12](spectral residual，SR)法進行顯著性檢測。在特征空間上作顯著性檢測,檢測結(jié)果如圖1所示。對于車輛目標檢測，SR顯著性檢測方法可以在保證車輛目標區(qū)域出現(xiàn)強響應(yīng)的同時盡可能地抑制背景區(qū)域，使高響應(yīng)區(qū)域更集中于目標，在很大程度上排除了路面雜波干擾。

1.4特征選擇

利用K均值聚類算法進行無監(jiān)督學(xué)習，可以得到車輛目標的視覺特征詞典，習得的100個視覺詞匯代表著車輛的邊條特征。通過分析它們之間的相關(guān)性可知，視覺詞匯之間存在著大量冗余。

目標檢測過程需要與特征模板進行匹配運算，大量冗余的特征模板意味著高度重復(fù)的卷積運算，這不滿足實時計算的應(yīng)用需求，因此需要采用相關(guān)分析進行特征選擇，保留重要特征，去除冗余特征，但不能降低檢測性能。

1．5目標識別

對車輛目標區(qū)域的判別是一個“目標與非目標”的二類分類問題。以各個待識目標區(qū)域為一張待分類的圖像，將各個面片特征響應(yīng)形成一張圖像對應(yīng)一個特征向量，用于后續(xù)目標識別，分為兩步進行。首先對待識目標圖像的各個面片進行編碼表示。若圖像I大小為w×w像素，以單個像素為步長取s×s像素的面片，從I中取(w-s+1)×(w-s+1)個面片。每個面片記為xi，采用基元數(shù)為K的特征字典進行編碼，形成F(xi)=[f1(xi),f2(xi),…,fK(xi)]的K維表示。

對目標識別，幾種常見編碼算法識別結(jié)果無顯著差別，且可與字典學(xué)習時所用編碼算法不同。通過K均值聚類可得到K個基元的字典D，同樣可計算聚類歸屬的0-1編碼，

(7)

可以采用比式(7)寬泛一些的編碼方式，

fk(xi)=max{0,μ(z)-zk}，

(8)

2　實驗結(jié)果與分析

實驗硬件環(huán)境為1臺4核2.2GHzCPU，8G內(nèi)存的臺式計算機。算法實現(xiàn)采用MATLAB與C++混合編程，顯著性檢測軟件用C++編寫?？盏剀囕v目標數(shù)據(jù)集為VIVID數(shù)據(jù)集，使用其中不同視頻通道的幾段。

使用目標歸類數(shù)據(jù)集NORB中的車輛目標圖像學(xué)習特征。NORB數(shù)據(jù)庫是用于目標歸類的數(shù)據(jù)集，涉及多種光照、尺度和姿態(tài)變化。使用其中truck與car兩類圖像，共9 720張圖像用于特征學(xué)習[10]。每張圖像上隨機截取4個6×6像素的小塊，這樣式(1)中用于特征學(xué)習的數(shù)據(jù)X的維數(shù)是36×38 880。特征字典的大小取K=100。雖然文獻推薦使用更大的K以獲得更好的識別效果(如1 600，甚至4 000)，但是實驗發(fā)現(xiàn)K=100性能已經(jīng)很好了。

SR檢測算法代碼來自文獻，將其封裝為MATLAB可調(diào)用函數(shù)。支持向量機(supportvectormachine，SVM)算法采用LIBSVM，采用L2-SVM訓(xùn)練目標分類器，模型參數(shù)由交叉驗證選擇。

實際上，為適應(yīng)目標尺寸變化，可以采用金字塔結(jié)構(gòu)，引入過完備空間模板，通過集成學(xué)習選取特征，以提升檢測速率與精度。應(yīng)用多分辨率分析的方法，將各圖像序列分解成多層金字塔數(shù)據(jù)結(jié)構(gòu)，對每層分辨率圖像進行濾波及顯著性分析，得到相應(yīng)的特征響應(yīng)圖，然后將各個特征響應(yīng)圖進行融合，這樣可使響應(yīng)值較大的點更為突出，甚至可以突出目標車輛的輪廓。圖像中車輛所在區(qū)域的顯著性得到了有效增強，而對周圍背景的顯著性進行了抑制，有利于目標區(qū)域的準確提取。

圖2給出了在VIVID數(shù)據(jù)集上的檢測結(jié)果。由圖2可知：在場景復(fù)雜多變、圖像對比度低、目標響應(yīng)弱、圖像質(zhì)量退化和干擾物遮擋等多因素影響的情況下，本文的車輛目標檢測方法具有較好的穩(wěn)健性。

3　結(jié)束語

本文提出了一種將無監(jiān)督特征學(xué)習和顯著性檢測相結(jié)合的地面車輛目標檢測算法。隨機采集車輛目標圖像局部面片形成訓(xùn)練數(shù)據(jù)，使用K均值聚類生成視覺特征字典，即通過學(xué)習得到表示車輛目標的局部特征。基于習得的特征對待檢目標圖像進行編碼，并根據(jù)這些特征對整個圖像進行顯著性檢測，從而獲得候選目標區(qū)域。顯著性檢測可以看作一種模擬人類視覺系統(tǒng)的選擇注意機制的生理過程。目標分類器只針對那些顯著性區(qū)域，從而保證了檢測的高效性。為了節(jié)省特征提取所需的計算時間，通過分析習得特征之間的關(guān)系，去除那些高度相關(guān)的特征，進一步提高了檢測的準確性。通過顯著性檢測，待檢圖像中只有較少的候選目標區(qū)域被送到分類器。該方法能更有效地通過顯著分析，突出顯著對象。

[1]LI Q,GU Y,QIAN X.Latent-community and multi-kernel learning based image annotation[C]//Proceedings of the 22nd ACM International Comference on Information & Knowledge Management.New York,USA:ACM,2013:1469-1472.

[2]EVERINGHAM M,GOOL L V,WILLIAMS C K I,et al.The pascal visual object classes(VOC) challenge[J].International journal of computer vision,2010,88(2):303-338.

[3]蔣文,齊林.一種基于深度玻爾茲曼機的半監(jiān)督典型相關(guān)分析算法[J].河南科技大學(xué)學(xué)報(自然科學(xué)版),2016,37(2):47-51.

[4]ZEILER M D,TAYLOR G W,FERGUS R.Adaptive deconvolutional networks for mid and high level feature learning[C].Proc.2011 IEEE International Conference on Computer Vision.2011:2018-2025.

[5]程全,馬軍勇.基于紋理和梯度特征的多尺度圖像融合方法[J].清華大學(xué)學(xué)報(自然科學(xué)版),2014，54(7)：935-941.

[6]PEELEN M V,LI F F,KASTNER S.Neural mechanisms of rapid natural scene categorization in human visual cortex[J].Nature,2009,460:94-97.

[7]范青,于鳳芹,陳瑩,等.自然場景下基于邊界先驗的圖像顯著性檢測[J].計算機工程,2016,42(1):278-281.

[8]張穎穎,張帥,張萍,等.融合對比度和分布性的圖像顯著性區(qū)域檢測[J].光學(xué)精密工程,2014,22(4):1012-1018.

[9]ZHANG D Q,ZHOU Z H,CHEN S C.Semi-supervised dimensionality reduction[C]//Proceeding of the 7th SIAM International Conference on Data Mining.2014:629-634.

[10]ZHENG W M,ZHOU X Y,ZOU C R,et al.Facial expression recognition using kernel canonical correlation analysis[J].IEEE transactions on neural networks,2014,17(1):233-238.

[11]范青,于風芹,陳瑩.自然場景下基于邊界先驗的圖像顯著性檢測[J].計算機工程，2016,42(1):278-281,286.

[12]CHANG C C,LIN C J.LIBSVM:a library for support vector machines[J].ACM transactions on intelligent systems and technology,2011,27(2):1-27.

國家自然科學(xué)基金項目(61401526);河南省自然科學(xué)基金項目(152300410134);河南省高等學(xué)校重點科研軟科學(xué)計劃基金項目(15A880023)

程全(1978-),男,河南沈丘人,副教授,碩士,主要研究方向為智能控制.

2016-06-20

1672-6871(2017)01-0048-04

10.15926/j.cnki.issn1672-6871.2017.01.010

TP391

A