gabor滤波器函数 gabor滤波器百度百科 _gabor滤波器百度百科

文章插图

文章插图
针对实际监控中人体目标轮廓的多尺度特性，提出一种用于人体目标检测的多尺度方向特征描述子(HOGG) 。首先采用Gabor滤波器提取人体图像对应不同尺度、不同方向的多个Gabor幅值域图谱，然后将相同尺度不同方向的幅值域图谱融合以降低特征维数，并对每幅融合图像提取梯度方向直方图(HOG)特征，最后将这些HOG特征联合起来作为人体图像表征。利用支持向量机(SVM)对描述特征进行分类，在CAVIAR数据库中进行了实验，结果表明，该算法对人体目标检测具有较好的性能。
人体检测被广泛地用于计算机视觉领域，如公共安全、智能机器人、视觉监控、行为分析等［1］。目前人体检测多采用基于统计分类的方法，常用Gabor小波变换和Haar小波变换提取人体特征。DALAL N［2］等人提出梯度直方图(Histograms of Oriented Gradient，HOG)，利用图像块内的方向统计进行人体检测，对解决局部形变与视角变化等问题，该检测算法具有较高的精度。Mu Yadong［3］等人将局部二值模式(Local Binary Patterns，LBP)作为人体特征描述算子，具有旋转不变性和光照不变性，是一种有效的描述特征。Wang Xiaoyu［4］等人提出了HOG与LBP相结合的算法，达到两种特征互补的效果，对解决人体检测中部分遮挡问题有显著的提高。
上述轮廓特征一般都是在固定尺度上计算，没有考虑实际监控中复杂背景下人体目标轮廓的多尺度特性，当这些算法应用到真实场景中时，其性能会急剧下降。本文提出一种Gabor变换与HOG特征相结合的人体检测算法(简称HOGG)，利用Gabor变换多方向多尺度的特性，增强了人体的轮廓信息。该方法首先对图像进行规一化处理，然后使用Gabor滤波器提取图像多尺度、多方向的幅值域图谱，并将同尺度不同方向幅值域图谱融合以降低特征维数，最后按顺序提取各个尺度上融合图谱的HOG特征，串接组成整幅图像的描述特征。在CAVIAR数据库下的大量实验表明，该方法能较好地提取人体描述特征，有较高的检测率。
在提取人体Gabor特征之前需要对图像进行规一化处理，本文实验中所用人体图像为灰度图像，大小为32×64像素。为了获取多尺度的Gabor特征，选取5个尺度和8个方向的Gabor滤波器组，则一幅人体图像的多尺度、多方向特征表示为：
通过Gabor变换后，每幅图像会转化成40个不同尺度与方向的图像，特征维数为原图像的40倍，造成特征数据冗余，增加了计算的复杂度。本文将Gabor特征同一尺度不同方向的特征进行融合，有效地降低了Gabor特征间的数据冗余，保持了有效的决策信息，并可以对人体图像进行多尺度分析。
2HOGG描述子
本文对融合图像进一步提取HOG特征，并将其联合起来作为人体图像的HOGG表征。HOGG的构建过程主要分为以下几个步骤:
(1)计算梯度幅值和方向
利用一阶模板算子(-1,0,1)分别从横向和纵向对融合图像进行梯度提取操作，求得融合图像的梯度图像。
(2)构建梯度方向直方图
把梯度图像分成同等大小的正方形小块(block)，这些小块是相互重叠的并且每个小块被分为更小的正方形单元(cell，n×n像素) 。利用梯度幅值和梯度方向在每个单元中进行直方图投票，其中梯度方向作为直方图投票区间，而梯度幅值作为直方图投票权重，这样对于每个小块(block)都能得到一个维度为m×m×b的直方图向量。
(3)梯度强度归一化
【gabor滤波器函数 gabor滤波器百度百科】以block为单位进行L2norm标准化，减少局部光照以及前景、背景对比度的变化对直方图特征的影响。设vn是对应的block向量，则标准化的向量fn为：
其中：ξ为接近0的正数。
(4)形成特征向量
把一幅融合图像的所有块中的HOG特征连接起来就得到了该融合图像的HOG特征。再将各尺度融合图像的HOG顺接起来作为一幅人体图像的HOGG描述子。
3实验分析
3.1实验环境与数据库
在Core(TM)2.00 GHz的CPU，2.00 GB内存，Windows下MATLAB R2010a的计算机上进行仿真实验。实验采用MIT和INRIA数据库作为训练集，包括1 126个正样本与1 218个负样本；采用CAVIAR［5］数据库作为测试集。
3.2实验步骤
本文采用滑动窗口方式获取检测窗口，用HOGG描述子对检测窗口进行描述，再利用支持向量机［6］进行判别。由于在检测过程中，对同一个人体进行多重检测会直接导致计算效率下降。为此，本文将检测窗口从大到小进行遍历。在遍历过程中，如果待测区域已经被标记为人体，则跳过该区域。
3.3实验结果与分析
Gabor能对图像进行多尺度、多方向的分解，实验首先研究不同尺度数对检测算法的影响。从CAVIAR四个序列中各随机选取200张图片作为测试集。实验结果如表1所示。

实验中采用综合评价指标(F1measure，F)［7］评估算法的性能，其中：precision为准确率，recall为查全率；tp表示被正确检测人数，fp表示错误检测的人数，fn表示漏检的人数。
由于不同尺度子带间冗余信息较大，简单地增加尺度数不一定能提高性能，由表1可以看出，取尺度数为4效果最佳。
为了进一步验证本文提出的算法，选取Gabor尺度为4，在CAVIAR行人数据库上提取HOGG特征，参照文献［4］与HOG、LBP+HOG算法做了对比实验，如表2所示。
从图1可以看出，本文算法的Fmeasure优于当前其他方法，具有较好的性能，证明了HOGG方法的有效性。

4结论
本文提出了一种基于Gabor变换和HOG的人体目标检测的新特征表达，可以多层次、多分辨率地表征人体目标。在CAVIAR数据库中的实验数据表明，Gabor多尺度的变换能够增强HOG算子对人体纹理细节特征和全局特征的表示能力，有效地提高了人体检测的性能。