摘 要： 為解決HOG行人檢測過程緩慢的問題，在梯度向量直方圖HOG中引入block權重的概念，通過合理篩選block，組成行人的特征向量，然后使用線性SVM作為分類器，重新進行學習，達到減少信息冗余、提高檢測效率的目的。在INRIA庫上進行實驗，結果表明，通過合理選擇block，能夠在不影響檢測效果的情況下，顯著減少block的數目，達到提高檢測速度的目的。
關鍵詞： HOG；行人檢測；SVM分類器；block權重
計算機視覺處理是計算機人工智能的一個重要研究方向，它的最終目標是通過計算機模擬人類視覺，實現對現實場景的理解和推理。其中，對于輸入場景通過計算機實現目標的自動識別分類，即目標識別，是實現計算機視覺的一個基礎部分，也是目前的一個研究熱點。比較成功的商業化應用實例是人臉識別系統，它是通過計算機對人臉的智能識別，實現對不同人身份的確認。在人體識別方面，由于人體自身姿態、衣著的多樣性以及人體外觀變化大，目前尚沒有較為成熟的算法。
目前，人體識別主要有基于多模板匹配[1]、基于邊緣輪廓特征[2]和基于運動特征[3]等各種方法。然而，從實際效果來看，目前最好的是DALAL N和TRIGGS B提出的基于HOG特征的人體檢測方法[4]。DALAL N等人通過使用16×16大小的塊在檢測窗口中滑動，然后按一定方式統計塊中的梯度向量直方圖，將各個塊的梯度向量直方圖串聯，組成特征向量，最終利用SVM對獲取的特征向量進行訓練，獲取分類器。按照該方法，如果選擇檢測窗口大小是128×64，block大小為16×16，cell大小為4×4，bin分為9個方向，每次block移動8，那么獲得的向量大小為3 780維，檢測效果雖然理想，但是耗時，難以達到實時性的要求。
本文通過對基于HOG特征的人體檢測算法進行分析，提出了一種基于感興趣區域進行HOG提取的算法。該算法在適當影響檢測效果的條件下，能夠較好地減少計算量，達到提高計算速度的目的。
1 行人檢測算法
1.1 特征選取
HOG是DALAL N等人在2005年提出的一種基于梯度的特征提取過程，它的內容主要有4點：（1）使用梯度作為特征提取對象，將梯度向量劃分為統計bin；（2）將梯度向量圖劃分為網格狀的cell，以cell為單位統計梯度向量直方圖；（3）以block為單位，對cell進行統計，得到三維梯度向量直方圖，并進行歸一化，減少局部光照的影響；（4）收集所有的block，合并成最終圖像的HOG特征向量。
分別利用3種不同的方法通過改變決策函數中的閾值b對測試樣本進行檢測，得到漏警率和虛警率的關系如圖4所示。
由圖4可以看出，在3種檢測方式中，原始HOG檢測方式檢測效果最好；通過人工選擇感興趣區域，保留41個block后提取特征向量進行分類，檢測效果有一定的下降，這主要是由于人類主觀經驗的不足，不能完全合理確定起主要作用的特征，導致特征選擇不充分的原因。
二次block訓練的方法通過引入block權重的概念，利用原始訓練得到的決策函數中的信息來確定感興趣block，在選取的block數目減少到原始的1/5即20個時，在顯著提高計算速度的情況下仍然能夠得到較精確的分類器。
實驗結果證明，本文提出的兩種減少特征維數、提高分類效率的算法在實際的應用中較為有效。
HOG特征是目前在行人檢測過程中較為有效的一種方法，在人體檢測過程中有著很高的識別率，然而HOG由于計算量較大、檢測速度慢，因此限制了HOG的應用。本文通過對HOG的分析，發現可以通過減少HOG中冗余block，從而減少計算量，提高檢測速度。
參考文獻
[1] 呂治國，徐昕，賀漢根.基于可變模板和支持向量機的人體檢測[J].計算機應用，2007（9）：2258-2261.
[2] 陳實，馬天駿，黃萬紅，等.基于形狀上下文描述子的步態識別[J].模式識別與人工智能，2007（6）：794-799.
[3] 韓鴻哲，王志良，劉冀偉，等.基于線性判別分析和支持向量機的步態識別[J].模式識別與人工智能，2005（2）：160-164.
[4] DALAL N， TRIGGS B. Histograms of oriented gradients for human detection[C]. CVPR’05， 2005.
[5] 焦李成，周偉達，張莉，等. 智能目標識別與分類[M].北京：科學出版社，2010.