王衍，陳鏡任，馮宇慶

（1.重慶珞璜港務(wù)有限公司，重慶402260；2.武漢理工大學(xué)計算機科學(xué)與技術(shù)學(xué)院，武漢430063；3.武漢民政職業(yè)學(xué)院，武漢430070）

0 引言

港口行人、車輛眾多，對港口行人的運動軌跡進行跟蹤對于港口作業(yè)安全具有很大意義。

行人檢測是行人運動軌跡預(yù)測的基礎(chǔ)，要想對行人運動進行分析，并預(yù)測其接下來的運動趨勢，首先就必須要檢測出初始幀中行人存在的具體位置。行人檢測技術(shù)發(fā)展至今已經(jīng)取得了一定的效果，但依然存在誤檢漏檢的情況，給行人檢測帶來不小挑戰(zhàn)[1-2]。

行人檢測的目的是判斷圖像中是否存在行人，并找到其具體位置。行人檢測算法主要有基于背景建模、基于深度學(xué)習(xí)、基于機器學(xué)習(xí)這三類。

基于背景建模的方法要求攝像頭須是固定不動的，同時，算法只能將運動的目標(biāo)與背景進行分離，而不能判斷出運動中的前景目標(biāo)的類別，其適用的場景受到限制?；谏疃葘W(xué)習(xí)的方法運算復(fù)雜度較大，對硬件要求較高，應(yīng)用落地性有待提升?；跈C器學(xué)習(xí)的方法可以應(yīng)對靜態(tài)和運動的攝像頭所拍攝到的視頻圖像，且對硬件要求不高，因此本文選用基于機器學(xué)習(xí)的行人檢測方法進行研究。該方法的基本框架如圖1所示。

圖1行人檢測算法框架

1 基于改進ACF的行人檢測算法

ACF[1]是一種基于機器學(xué)習(xí)的、性能較為不錯的行人檢測算法。ACF采用聚合通道特征作為行人特征，采用AdaBoost算法作為分類器，經(jīng)過訓(xùn)練得到了檢測性能較好的行人檢測器。圖2為ACF行人檢測算法流程。

圖2 ACF行人檢測算法流程

1.1 聚合通道特征

聚合通道特征中包含了三種特征通道，其中，顏色通道有三個，梯度幅值通道有一個，梯度方向通道有六個[3-4]。

（1）顏色特征：行人的顏色特征主要表現(xiàn)在行人的衣著上，根據(jù)顏色特征可以將穿不同顏色衣服的行人檢測出來。用于行人檢測的主要顏色特征有：LUV、RGB、HSV。

（2）HOG特征：HOG特征能夠描述圖像的局部梯度方向和梯度強度分布，能夠在邊緣位置未知時，利用邊緣方向的分布來表示目標(biāo)的外形輪廓。

1.2 構(gòu)造特征金字塔

傳統(tǒng)的構(gòu)建特征金字塔的方法較為繁瑣，它將待檢測的圖像進行多尺度縮放，之后在所有的尺度上都要 提 取 特 征，按 照Cs=Ω( R( I,s) )計 算，而 忽 略 掉C=Ω(I)中包含的信息。

本文構(gòu)建特征金字塔的方法是：將待檢測的圖像縮小為原來的1倍、2倍、4倍，然后計算這三個尺度上的特征，用已經(jīng)計算出的三個尺度上的特征去估計其他尺度上的特征。具體思路為：令I(lǐng)s表示在尺度s上捕捉到的圖像I，R( )I,s表示用s重采樣得到的圖像I。在已經(jīng)計算出C=Ω()I的情況下，用C在新尺度s上預(yù)測通道圖像Cs=Ω(Is)。采用如（1）式所示的特征近似的思路，這種近似處理簡便、相對準(zhǔn)確，提升了構(gòu)建金字塔的速度：

圖3為傳統(tǒng)特征金字塔與快速特征金字塔比較圖。

圖3傳統(tǒng)特征金字塔與快速特征金字塔比較

1.3 改進的AdaBoost

Kearns等人[5]于1988年在研究可能近似正確學(xué)習(xí)（Probably Approximately Correct Learning，PAC Learn?ing）時提出了Boosting問題，對于“能否將弱可學(xué)習(xí)視為強可學(xué)習(xí)”提出了疑問，而Schapire則在隨后對該問題作出了肯定的回答，并設(shè)計出了第一個Boosting算法。但Boosting算法的前提是要能夠預(yù)知弱分類器的錯誤率上限，這就使得其難以應(yīng)用于實際問題中。后來，F(xiàn)reund等人發(fā)現(xiàn)在線分配問題與Boosting問題非常相似，于是他們在Boosting算法中引入了在線分配思想。即，將加權(quán)投票與在線分配問題相結(jié)合，得到了著名的AdaBoost算法。AdaBoost算法無需提前知道弱分類器的先驗知識，這一點促使其成為主流的分類算法，并在解決實際問題中取得了極大成功[6]。

（1）原始的AdaBoost及分析

原始的AdaBoost算法給定訓(xùn)練樣本及其分類( x1,y1),…,( xn,yn)，其中xi∈X，yi∈Y={- 1,+1}。初始化樣本的權(quán)重D1(i)=1 n，即初始時，各個樣本權(quán)重相等。

分析經(jīng)典的AdaBoost算法可知，對難度較大的樣本進行分類時，會使困難樣本的權(quán)重以非?？斓乃俣仍鲩L，這樣就產(chǎn)生了“退化問題”。此外，AdaBoost易受噪聲干擾，執(zhí)行效果依賴于弱分類器的選擇，且弱分類器訓(xùn)練時間偏長。

（2）改進的AdaBoost

為了克服經(jīng)典AdaBoost的上述缺點，可以修改弱分類器權(quán)重值αt的計算方法。新的計算方法為：

利用上式計算弱分類器權(quán)重值αt，防止任一樣本的經(jīng)驗分布在某一階段中顯著增長。然而，在每一步更新經(jīng)驗分布，經(jīng)過幾次迭代之后，與其他樣本相比，那些被重復(fù)錯誤分類的樣本的概率權(quán)重的值會大大增加。因此，為每個樣本i=1,2,...n引入反向變量β()i和年齡變量life(i)。反變量β(i)的初始值為1，此時算法就按照經(jīng)典AdaBoost算法處理樣本，即，當(dāng)樣本被錯誤分類時，就增加其經(jīng)驗分布，否則減小其經(jīng)驗分布。如果的值是-1，則算法就按照逆AdaBoost處理樣本，即，當(dāng)樣本被錯誤分類時，減小其經(jīng)驗分布，否則增加其經(jīng)驗分布。變量life(i)計算樣本i被按順序錯誤分類的次數(shù)，如果該數(shù)量超過閾值τ，則將β(i)的值反轉(zhuǎn)為-1。也就是說，被錯誤分類的樣本的權(quán)重會持續(xù)增長，直到迭代次數(shù)達到極限τ，然后開始減小。如果β(i)在被反轉(zhuǎn)為-1后，樣本在接下來的步驟中被正確分類，那么就將β(i)的值又反轉(zhuǎn)回1。

改進后的算法在經(jīng)典AdaBoost和逆AdaBoost之間交替。通過將異常值的影響限制在經(jīng)驗分布中，檢測并減少困難樣本的經(jīng)驗概率，并在污染數(shù)據(jù)下執(zhí)行更準(zhǔn)確的分類，使得其性能更加穩(wěn)定。

在第一階段采用上述權(quán)值更新方法，經(jīng)過多輪訓(xùn)練，獲得一個較為可靠的樣本分布wi(s)。接下來，在第二階段采用并行方法，提高訓(xùn)練效率，在訓(xùn)練中不再對樣本權(quán)值進行更新，而統(tǒng)一采用wi(s)。改進的Ada?Boost如下程序所示：

輸入：給定訓(xùn)練集Z={( x1,y1),...,( xn,yn)}，其中xi∈X，yi∈Y={- 1,1}；

輸出：強分類器HT(x)

1參數(shù)初始化：設(shè)置年齡變量的閾值τ，界限閾值λ，魯棒參數(shù)r，令T=0；

2為每個樣本( x1,y1),i=1..n.初始化經(jīng)驗分布D1(i)=1 n，反向變量β(i)=1，年齡變量life(i)=0；

3 repeat

4將T增加1；

5從訓(xùn)練集Z中獲取帶有分布DT的自舉樣本ZT；

6使用自舉樣本ZT作為訓(xùn)練集，訓(xùn)練弱分類器hT:X→{- 1,1}；

7 按式（7）計算弱假設(shè)hT的加權(quán)錯誤率εt；

8按式（11）計算αT；

9按式（10）計算經(jīng)驗分布；

10按式（11）計算階段T的強假設(shè)HT(x)

11 使用強假設(shè)HT(x)對訓(xùn)練數(shù)據(jù)集Z={( x1,y1),...,( xn,yn)}進行分類；

12 if HT(x)將樣本( x1,y1)正確分類，即HT(xi) yi>0 then

13 令life(i)=0且β(i)=1；

14 else

15 使life(i)增加1；

16 if life(i)>τthen令β(i)=-1且life(i)=0；

17 end if；

18 until達到標(biāo)準(zhǔn)

1.4 改進的ACF算法框架

綜上所述，得到改進的ACF算法框架如圖4所示。

圖4改進的ACF行人檢測框架

2 實驗設(shè)計及分析

2.1 數(shù)據(jù)集

本文的訓(xùn)練使用的數(shù)據(jù)來自INRIA數(shù)據(jù)集，訓(xùn)練集里原本有614張行人圖片，一共1239個正樣本，樣本數(shù)偏少，只用這些數(shù)據(jù)進行訓(xùn)練難以得到分辨能力更強的分類器，因此將原本的1239個正樣本經(jīng)過鏡像翻轉(zhuǎn)，得到2478個正樣本，負(fù)樣本選自INRIA和Caltech。測試集選自INRIA測試集中的圖像和在校園內(nèi)自采集的行人圖像，一共包含750張圖像，共673個正樣本，429個負(fù)樣本。

2.2 評價指標(biāo)

其中，真正例（True Positive，TP）：實際上是行人，被檢測成行人的圖像數(shù)。假正例（False Positive，F(xiàn)P）：實際上不是行人，被檢測成行人的圖像數(shù)。真反例（True Negative，TN）：實際上不是行人，被檢測成非行人的圖像數(shù)。假反例（False Negative，F(xiàn)N）：實際上是行人，被檢測成非行人的圖像數(shù)。

2.3 定量分析

通過在INRIA測試集中抽取的正樣本行人圖像和自采集的行人圖像組合而成的測試集上進行實驗，與同是基于機器學(xué)習(xí)的HOG+SVM算法、DPM算法、ACF算法進行比較，結(jié)果如表1所示。

表2不同算法行人檢測結(jié)果比較

如表2所示，本文提出算法的正確檢出率為92.3%，相比于HOG+SVM、DPM、ACF有一定的升。

同時考慮準(zhǔn)確率和召回率，以召回率（Recall）為橫坐標(biāo)，以準(zhǔn)確率（Precision）為縱坐標(biāo)，得到P-R圖，P-R曲線圍成的面積就是檢測精度，即，P-R曲線圍成的面積越大，檢測的平均精度越高。如圖5所示，HOG+SVM檢測算法的P-R曲線在最下面，圍成的面積最??；DPM的P-R曲線比HOG+SVM圍成的面積要大；再上面是ACF；再上面是本文算法。本文算法的P-R曲線圍成的面積最大，說明其檢測的平均精度是最高的。

圖5各算法的P-R圖

3 結(jié)語

本文對ACF算法進行了改進。實驗表明，算法降低了誤檢率和漏檢率，檢測效果有一定提升。在未來的研究中，將研究提升算法對大幅形變的行人的檢測效果。