一种基于SVM-AdaBoost算法的行人检测方法(一)_交通运输_中国百科网
一种基于SVM-AdaBoost算法的行人检测方法(一)
     　　1.引言　　行人检测是图像目标识别方面的研究热点之一，它在视频监控、智能辅助驾驶系统、人机交互等领域有着广泛的应用前景[3]。由于行人个体之间体型和服饰上的差异性、运动行人姿态的多样性、行人出现场景的复杂性和自遮挡、视角、光照、尺度等因素影响，目前还没有一个统一的、精确地、强健的和实时的行人检测方法。但随着传感器和核心算法的不断进步，各国学者在行人检测领域提出了多种方法并取得了一定的成功，使该领域得到了较快的发展。　　目前比较盛行的行人检测方法为基于统计学习的行人检测方法。此类方法能从样本集中学习人体的不同变化，从而具备很好的推广性[1]。统计学习中的两大主要问题是目标特征的提取和机器学习算法的选择。在行人检测的目标特征提取方面，文献[10]提出的Haar-like特征具有实时性较高的特点，广泛使用智能辅助驾驶系统中的行人检测。但是该特征易受光照和目标移动的影响，精确度偏低。文献[7][8]设计的HOG特征和SIFT特征具有较高的精确性和鲁棒性，但实时性较低；在机器学习算法的选择方面，Adaboost[9]和SVM[6]算法取得了一定的成功，但还是存在过度拟合和训练时间过长等缺点。　　针对传统行人检测方法的不足，本文提出了一种基于SVM-AdaBoost算法的行人检测方法。该方法首先对Haar-like特征进行改进和扩展，增强其光照不变性，然后对Adaboost算法加以改进，使用SVM作为Adaboost的弱分类器，通过选择合适的核函数参数提高分类精度和减少训练时间。实验表明，这种新的行人检测方法性能稳定，在实时性和鲁棒性上均优于传统的行人检测方法。　　2.扩展的Haar-like特征及特征值的计算　　目标特征的选取是实现目标检测的重要环节之一。文献[10]提出的Haar-like特征是行人检测领域中广泛运用的一种常见特征，因算法简单，实时性好等优点受到国内外学者的关注。但由于其易受光照变化等因素的影响，该特征仅适用于静态目标检测。本文将文献[10]中的Haar-like特征加以扩展，针对行人运动情况和光照情况定义了一个新的对角线特征，该特征能够根据两帧图片的不同提取运动信息从而提高特征的鲁棒性。扩展的Haar-like特征如图1所示。　　其中SB,SW分别表示矩形特征中的黑色区域和白色区域，i(x,y)表示矩形特征区域内的像素点(x,y)的值。α，β分别表示矩形特征中的黑色区域和白色区域的个数。&
&　　3.统计学习算法　　3.1&AdaBoost算法　　AdaBoost是一种贪婪迭代算法，实现方式如下：首先，AdaBoost算法将训练集中的每一个样本集赋予一个相同的权重W。然后，该算法进行迭代运算。根据每次迭代运算中样本集的分类错误率εt，AdaBoost对训练集中的每一个样本集重新赋予一个新的权重值Wt。Wt是一个与εt相关的函数，即分类错误率εt小的样本集权重值Wt小，反之分类错误率εt大的样本集权重值Wt大。利用重新赋予权值的方法可以成功的使AdaBoost算法聚焦于分类错误率大的样本集，最终使样本集的分类错误率达到设定的合理值。伪代码如表1所示。AdaBoost算法针对同一的训练集训练出不同的分类器(即弱分类器)，进而把这些弱分类器集合起来，构成一个更强大的分类器(即强分类器)[9]。该算法仅仅要求弱分类器的错误率小于50%（略好于随机猜测），则通过迭代运算整体的分类错误率将以指数的方式降低到指定值。　　3.2&Support&Vector&Machine(SVM)算法　　SVM是一种基于统计学习理论的VC维理论和结构风险最小原理基础上的机器学习系统，主要用来处理二元样本的分类问题，根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力[2]。算法采用核函数映射的方法，将原始空间的样本映射到高维特征空间，在高维特征空间内，寻找一个超平面，使此超平面正确分类样本，并且使正负样本之间的间隔最大[5]。对给出的一组训练样本集T={(xi,yi)|xi∈Rn,yi∈{1,-1},i=1,2,…,l},SVM需要求解的最大间隔实际是求解式（2）、（3）的最优解问题：&&　　3.3&SVM-AdaBoost算法　　在行人检测的过程中，由于拥有的特征数多和训练样本不平衡等问题，使用单一弱分类器的AdaBoost算法容易引发训练时间过长和过拟合等问题[4]。本文针对传统AdaBoost算法的不足，提出利用SVM代替单一弱分类器的AdaBoost算法(SVM-AdaBoost)增强分类器的分类能力。由于SVM的分类性能取决于核函数的选取及其参数的确定，本文选取径向基函数作为SVM的核函数:&
&　　4.实验结果及分析　　为了验证算法的有效性，我们进行了行人检测试验。算法采用VisualC++6.0编程实现。试验结果证明本文提出的行人检测新方法性能稳定，在实时性和鲁棒性上均优于传统的行人检测方法。　　为验证算法的优越性，我们采用具有挑战性的MIT行人库和INRIA行人库两个库的样本。其中MIT行人库包含924个行人正样本彩色图像，不含负样本。INRIA行人库包含一个训练库和一个测试库，其中训练库包含2416个正样本，测试库包含1126个正样本。本次试验选取其中部分样本作为训练及测试样本。测试样本用来评估训练样本的误检率和漏检率。　　本次试验中，将本文提出的基于SVM-AdaBoost算法的行人检测算法与两种传统的行人检测算法（传统算法分别使用AdaBoost和SVM作为分类算法）进行比较。为了说明实验的结果定义下列两种比率:　　漏检率(Miss&rate，MR)没有检测出来的行人样本数量与行人样本总数的比值。　　误检率(False&positive&rate，FPR)非行人样本被检测成行人的数量与非行人样本总数的比值。　　实验时随机抽取样本集中600个样本作为测试样本集，取3次实验的平均值作为结果。实验结果如图2所示。本文提出的基于SVM-AdaBoost算法的行人检测算法在性能指标上优于两种传统的行人检测算法。　　图2三种算法的ROC曲线图　　为了进一步验证算法的实时性，本文在相同试验环境下对三种算法的运算时间进行比较，实验结果如表2所示。在相同的误检率下，本文提出的算法同时具备最低的漏检率和最少的运算时间。由此可见，该算法实时性高于另外两种传统的行人检测方法。　　表2三种算法的运行时间和漏检率比较　&&图3给出了一些典型的行人检测结果。　　5&结论　　智能车辆系统中行人检测方法研究有着较为广泛的应用前景和实用价值，为了能够更有效地在复杂的城市道路环境中快速的检测、识别行人，本文提出一种基于SVM-AdaBoost算法的新的行人检测方法，针对Haar-like特征其易受光照变化等因素的影响对其进行了改进和扩展，增强其光照不变性；然后对Adaboost算法加以改进，使用SVM作为Adaboost的弱分类器，通过选择合适的核函数参数提高分类精度和减少训练时间。实验结果表明，本文提出的基于SVM-AdaBoost算法的行人检测方法在处理复杂的城市道路环境中的行人检测实际问题时具有训练速度快和精度高等优点，该算法的实时性和鲁棒性均优于传统的行人检测方法。　　参考文献：&&&&&&&&&[1]&M.&Enzweiler&and&D.&M.&Gavrila,&Monocular&pedestrian&detection:&Survey&and&experiments&[J].&IEEE&Transactions&on&Pattern&Analysis&and&Machine&Intelligence,&vol.&31,&pp.&,&Dec.&2009.&&&&&[2]&李亚军，刘晓霞，陈平.&改进的AdaBoot&算法与SVM&的组合分类器［J］.计算机工程与应用，)&:&140-142．&&&&&&&&&[3]&Liping&Yu,&Wentao&Yao,&Huaping&Liu&and&Fasheng&Liu,&A&Monocular&Vision&Based&Pedestrian&Detection&System&for&Intelligent&Vehicles&[J].&&IEEE&Intelligent&Vehicles&Symposium,&vol.&28,&pp.&524C529,&June&2008.&&&&&&[4]&K.&Mikolajczyk,&B.&Leibe,&and&B.&Schiele.&Local&features&for&object&class&recognition&[C].10th&IEEE&International&Conference&on&Computer&Vision.&Vol&2,&pp.&,&Oct.&2005.&&&&&[5]&刘冲，张均东，曾鸿.&基于支持向量机的无穷维AdaBoost算法及其应用［J］.仪器仪表学报，)&:&764&-&769．&&&&&[6]&B.&Wu&and&R.&Nevatia,&Cluster&boosted&tree&classifier&for&multi-view,&multi-pose&object&detection&[C].&IEEE&11th&International&Conference&on&Computer&Vision,&vol.&1,&pp.&1C8,&Oct.&2007.&&&&&[7]&Q.&Zhu,&S.&Avidan,&M.C.&Yeh,&and&K.T.&Cheng,&Fast&human&detection&using&a&cascade&of&histograms&of&oriented&gradients&[C].&IEEE&computer&society&conference&on&Computer&Vision&and&Pattern&Recognition&,&vol.&2,&pp.&,&Oct.&2006.&&&&&&[8]&Guo&Lie,&Zhang&Mingheng,&and&Li&Linhui,&Research&of&pedestrian&detection&for&intelligent&vehicle&based&on&machine&vision&[C].&IEEE&International&Conference&on&Robotics&and&Biomimetics,&vol.&1,&pp.&,&Dec.&2009.&&&&&&&&&&[9]&Damien&Simonnet&and&Sergio&A&Velastin,&Pedestrian&detection&based&on&Adaboost&algorithm&with&a&pseudo-calibrated&camera&[C].&2010&International&Conference&on&Image&Processing&Theory,&Tools&and&Applications,&pp.&54C59,&July&2010.&&&&&&&&&[10]&Barreto&J．&Menezes&P，Dias&J．&human-robot&interaction&based&on&haar&-like&Features&and&eigenfaces［C］．&IEEE&International&Conference&on&Robotics&and&Automation&No21．&USA，&-1893．&&&&&作者简介&&&&徐晓帆：广东省电子技术研究所&&&&&&&赖雄周：广东省电子技术研究所&&
收录时间:日 12:43:28 来源:智能交通世界网 作者:匿名
上一篇： &(&&)
创建分享人
喜欢此文章的还喜欢
Copyright by ；All rights reserved. 联系：QQ：本文暂时没有被引用！
欢迎关注学报微信基于SIFT算法的智能交通标志识别系统的设计与研究
2014年微型机与应用第17期
作者：王正玉，李宁辉
　　摘 要： 随着机动车辆的日益增多，交通环境日益恶化，针对这种情况设计了一种基于SIFT算法的智能识别系统，不仅可以有效地辅助交通监管，而且能及时为驾驶员提供有效参考信息，避免违章事故的发生。利用SIFT算法构建仿射不变的特征子空间，并结合交通标志自身独特的颜色及形状特征，达到对交通标志的有效检测、识别和，从而完成交通标志的。该系统不仅为交通执法部门装备一双智能化的慧眼，并且在一定程度上保障了驾驶员及乘客的人身安全。实验数据表明，本系统可以在复杂情况下高效、准确地识别出交通标志。　　关键词： 交通标志；；智能识别；匹配　　随着经济的快速发展，车辆日益增多，导致交通事故频发、交通执法困难等问题。如何保障交通安全成为各国争相研究的重点，各种新型智能交通系统也不断地被研究、应用。基于机器视觉的车辆导航技术在智能交通领域主要应用于道路识别、碰撞识别、交通标志识别三方面。目前对前两项的研究较多，且已广泛应用于交通监管各领域，而对交通标志识别研究相对较少。据统计，绝大部分交通事故都是由于驾驶者忽视交通标志而直接或间接导致的。如果有一套交通标志自动识别装置，则可以很大程度上杜绝该类事故的发生。本文设计了一种基于机器视觉的交通标志自动识别系统，通过对交通标志的检测、识别、匹配[1]，实现行车辅助功能，保障行车安全。1 SIFT算法基本原理　　SIFT算法由LOWE D G于1999年首次提出，该算法具有尺度不变性特征，能够确保图像在进行旋转、平移或是尺寸大小、光照条件等产生变化的情况下保持良好的不变性。该算子是目前较为流行的特征检测算子，被广泛地应用于图像特征匹配等众多研究领域。针对交通标志在拍摄识别过程中会受到各种变化因素影响的问题，本文采用SIFT图像匹配算法[2]，有效避免各种变化因素造成的误匹配，提高了识别的准确度。　　SIFT图像匹配算法首先通过建立图像的尺度空间搜索该尺度空间中图像局部极值点，将所得极值点作为候选关键点，并将其中不稳定及对比度较低的点删除，从而最终确定关键点的主方向，进而生成每个关键点的特征描述符，最后采用特征描述符向量之间的欧氏距离度量两个特征点之间的匹配程度。SIFT图像匹配算法流程如图1所示。　　1.1 特征点检测　　特征点检测一般可以分为三步：（1）对所建立的图像尺度空间中的极值点进行检测；（2）对所检测的候补关键点进行筛选，剔除对比度低或是不稳定的边缘响应点，即关键点的精确定位；（3）确定关键点主方向的分配工作。　　在对尺度空间极值点的检测过程中，需产生多尺度空间的核[3]，而高斯核则是唯一可以产生多尺度空间的核函数。用I(x，y)来表示一幅二维图像，则其尺度空间L(x，y，σ)可表示为：　　　　其中，σ为该尺度空间的空间尺度因子；G(x，y，σ)为高斯核函数，其定义为：　　　　为了有效地检测出尺度空间中的稳定关键点，还需使用高斯差分（DOG）算子近似尺度归一化的拉普拉斯 —高斯（LOG）算子：　　　　其中，k为阈值。由此，将得到高斯金字塔，其分别通过降采样及高斯平滑而得到，进而再通过使用相邻尺度图像相减生成DOG金字塔后最终形成尺度空间。为确保在图像空间和尺度空间都检测到局部极值点，将每个采样点与尺度空间内的同尺度相邻点及上下相邻尺度中的8+9×2=26个点进行比较。　　通过拟合三维二次函数、设置相关阈值来更为精确地确定关键点的尺度和位置以及去除那些对比度较低的关键点，从而提高匹配的稳定能力和抗噪能力。此外，还可以通过使用Hessian矩阵计算主曲率设定阈值的方法，以去除由DOG算子产生的较强边缘响应点集合中的不稳定元素。　　关键点方向的分配。将关键点邻域像素的梯度方向分布作为每个关键点的指定方向信息，梯度值m(x，y)和方向θ(x，y)计算表达式为：　　　　1.2 特征点描述　　首先划分关键点周围区域，形成不同的分块图像；接着对所划分的各个分块内的梯度直方图进行计算，用最终得到的向量描述符来抽象表示该分块内图像的原本信息。　　1.3 特征点匹配　　使用最近邻距离（NN）算法[4]对所生成的SIFT特征向量进行相关匹配，即当与样本特征点最邻近与次邻近特征点的欧氏距离之比小于所设定的阈值时，认为该对特征点匹配；否则认为不匹配。LOWE D G经过多次实验，将阈值设定为0.8。采用BBF对128维特征向量[4]进行相应处理，计算特征点之间的欧氏距离。　　2 系统设计　　系统设计如图2所示。系统首先通过交通标志最典型的颜色和形状特征[5]进行初分类，标识感兴趣区域，并将感兴趣区域通过圆形框标识、分割，系统在接下来的匹配中增加对感兴趣区域的关注，如匹配成功，将不再对其他非标示区域进行匹配处理。这样不仅简化了计算，而且提高了识别效率和实时性，贴近于现实环境，而非仅仅停留于研究层面。系统最终完成对图像中交通标识的识别并输出判定信息。3 实验结果与分析　　3.1 初分类　　首先，利用颜色及形状特征[5]对图片进行初分，标识含有交通标志的感兴趣区域，得到仅含交通标志的特定区域。图3为实地拍摄的含有交通标志的图像，图4为标识出感兴趣区域的图像。　　3.2 特征匹配　　在初分基础上，利用SIFT算法对交通标志的关键点进行提取，将所提取的关键点特征与交通标志数据库中的各标志特征子空间进行匹配，最终得到并输出相应的匹配结果。图5、图6分别为图4中两个交通标志的特征匹配图。　　为了检测本算法的效果，分别设计了4组测试实验。每组所涉及的含有交通标志的图像和交通标志被不同程度（共分10挡：10%、20%、30%、40%、50%、55%、60%、65%、70%、85%）地遮挡，遮挡形式如图7所示，总量各不相同，呈递增状。其中，每组实验中所选用的交通标志尽量不同，以达到涵盖各种情况的目的。实验的结果如表1所示。　　实验结果表明，本系统在交通标志识别方面错误率低、兼容性好、冗余度低、遗漏程度较小，但在遮挡部分达到一定比例时会出现不同程度的误判。　　本文所设计的基于SIFT算法的交通标志识别系统不论在正确率还是效率上都有了很大的提升，且在不同尺寸、角度及光照条件下识别力良好，使得本系统投入实际应用成为可能。但是，该系统对于交通标志大面积遮挡或多目标重叠情况识别力不足，需添加其他辅助识别手段加以完善。参考文献　　[1] ZITOUA B，Flusser J．Image registration methods：a survey[J]．Image and Vision Computing，7-100．　　[2]张炜，刘伟，普杰信．一种基于SIFT和区域选择的图像拼接方法[J]．微电子与计算机，)：205-207．　　[3] Lindeberg T．Scale-space theory：a basic tool for analyzing structures at different scales[J]．Journal of Applied Statistics，)：225-270．　　[4] Lowe D G．Distinctive image features from scale-invariant keypoints[J]．International Journal of Computer Vision，)：91-110．　　[5] Besserer B, Estable S, Ulmer B, et al. Shape classification for traffic sign recognition[C]. 1st IFAC Iaternational Workshop on Intelligent Autonomous in Vehicles， 2.
继续阅读>>
热门关键词　　推荐期刊投稿
&&&免费论文
&&&收费论文
&&&浏览历史