一種基于多特征和機(jī)器學(xué)習(xí)的分級(jí)行人檢測(cè)方法

1、第38卷第3期自動(dòng)化學(xué)報(bào)Vol.38,No.3 2012年3月ACTA AUTOMATICA SINICA March,2012一種基于多特征和機(jī)器學(xué)習(xí)的分級(jí)行人檢測(cè)方法種衍文1匡湖林1李清泉1摘要針對(duì)單幅圖像中的行人檢測(cè)問(wèn)題,提出了基于自適應(yīng)增強(qiáng)算法(Adaboost和支持向量機(jī)(Support vector machine, SVM的兩級(jí)檢測(cè)方法,應(yīng)用粗細(xì)結(jié)合的思想有效提高檢測(cè)的精度.粗級(jí)行人檢測(cè)器通過(guò)提取四方向特征(Four direction features,FDF和GAB(Gentle Adaboost級(jí)聯(lián)訓(xùn)練得到,精密級(jí)行人檢測(cè)器用熵梯度直方圖(Entropy-histogram

2、s of oriented gradients,EHOG作為特征,通過(guò)支持向量機(jī)學(xué)習(xí)得到.本文提出的EHOG特征考慮到熵,通過(guò)分布的混亂程度描述,具有分辨行人和類似人的物體能力.實(shí)驗(yàn)結(jié)果表明,本文提出的EHOG、粗細(xì)結(jié)合的兩級(jí)檢測(cè)方法能準(zhǔn)確地檢測(cè)出復(fù)雜背景下不同姿勢(shì)的直立行人,檢測(cè)精度優(yōu)于以往Adaboost方法.關(guān)鍵詞四方向特征,熵梯度直方圖,自適應(yīng)增強(qiáng)算法,GAB級(jí)聯(lián),支持向量機(jī),兩級(jí)檢測(cè)Two-stage Pedestrian Detection Based on Multiple Features andMachine LearningCHONG Yan-Wen1KUANG Hu-Li

3、n1LI Qing-Quan1Abstract A two-stage detection method based on Adaboost and support vector machine(SVMis proposed for the pedestrian detection problem in a single image,which uses the combination of coarse level andne level detection to improve the accuracy of the detector.The coarse level pedestrian

4、 detector makes use of the four direction features (FDFand the gentle Adaboost(GABcascade training;thene level pedestrian detector uses entropy-histograms of oriented gradients(EHOGas features and the SVM as classier.The proposed EHOG features considering entropy and the distribution of chaos have t

5、he ability to distinguish between the pedestrians and the objects similar to people. Experimental results show that the proposed two-stage pedestrian detection method with the combination of the coarse-ne level and EHOG feature can accurately detect upright bodies with dierent postures in the comple

6、x background,at the same time the precision is better than the classic Adaboost methods.Key words Four direction features(FDF,entropy-histograms of oriented gradients(EHOG,Adaboost,gentle Ad-aboost(GABcascade,support vector machine(SVM,two-stage detection行人檢測(cè)就是要把視頻序列或圖像中出現(xiàn)的行人從背景中分割出來(lái)并精確定位,是當(dāng)前計(jì)算機(jī)視覺(jué)領(lǐng)域

7、最為活躍的研究課題之一12.目前比較流行的基于計(jì)算機(jī)視覺(jué)的行人檢測(cè)方法大都是基于特征提取和機(jī)器學(xué)習(xí)的,常用的特征有哈爾特征(Haar3,梯度直方圖特征(Histograms of oriented gradients,HOG45,常用的機(jī)器學(xué)習(xí)方法有自適應(yīng)增強(qiáng)算法(Adaboost6、神經(jīng)網(wǎng)絡(luò)收稿日期2011-07-11錄用日期2011-09-14Manuscript received July11,2011;accepted September14, 2011國(guó)家自然科學(xué)基金(40721001,40830530,中國(guó)博士后科學(xué)基金,武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室專項(xiàng)基金資助Suppo

8、rted by National Natural Science Foundation of China (40721001,40830530,China Postdoctoral Science Foundation Funded Project,and State Key Laboratory of Information En-gineering in Surveying,Mapping and Remote Sensing Special Research Funding,Wuhan University本文責(zé)任編委劉成林Recommended by Associate Editor

9、LIU Cheng-Lin1.武漢大學(xué)測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室武漢4300791.State Key Laboratory of Information Engineering in Survey-ing,Mapping and Remote Sensing,Wuhan University,Wuhan 430079(Neural network7和支持向量機(jī)(Support vector machine,SVM8等.1本文行人檢測(cè)方法本文提出了一種基于多特征和機(jī)器學(xué)習(xí)的由粗到細(xì)的分級(jí)行人檢測(cè)方法.行人檢測(cè)器是由一個(gè)粗級(jí)行人檢測(cè)器和一個(gè)精密級(jí)行人檢測(cè)器組成,粗級(jí)行人檢測(cè)器通過(guò)提取四方向特

10、征(Four di-rection features,FDF特征和GAB(Gentle Ad-aboost級(jí)聯(lián)訓(xùn)練得到;精密級(jí)行人檢測(cè)器用熵梯度直方圖(Entropy-histograms of oriented gradients, EHOG作為特征,通過(guò)SVM學(xué)習(xí)得到.檢測(cè)時(shí),首先用粗級(jí)行人檢測(cè)器在待測(cè)圖像中檢測(cè)行人,得到粗級(jí)行人感興趣區(qū)域(Regions of interest,ROIs,然后對(duì)粗級(jí)行人ROIs用精密級(jí)行人檢測(cè)器進(jìn)行檢測(cè),得到精密級(jí)ROIs,并進(jìn)行后處理,用一個(gè)精確定位的框來(lái)包圍行人,為后續(xù)行人分析處理做好準(zhǔn)備.通過(guò)這種方法,可以把粗級(jí)行人分類器的總性能適當(dāng)降低,從而降低

11、粗級(jí)行人檢測(cè)器中級(jí)聯(lián)的學(xué)習(xí)難376自動(dòng)化學(xué)報(bào)38卷度9.本文方法的整體實(shí)現(xiàn)框架如圖1所示 .圖1本文行人檢測(cè)方法流程圖Fig.1Theow chart of the proposed pedestriandetection method1.1特征提取FDF特征是一種相對(duì)比較簡(jiǎn)單的特征1011,其復(fù)雜度介于已被廣泛研究的Haar特征和HOG 特征之間,能夠提取目標(biāo)的輪廓特征,適合于行人目標(biāo)的檢測(cè).FDF特征計(jì)算過(guò)程主要分為兩個(gè)步驟:首先利用梯度算子,計(jì)算四個(gè)方向的梯度,作為初級(jí)FDF特征;然后對(duì)得到的初級(jí)FDF特征進(jìn)行高斯模糊,平均化得到最終的FDF.初級(jí)FDF特征的計(jì)算如下式所示:Sd(x=|

12、I(xGd|B(1這里的Sd(x是初級(jí)的FDF特征,I(x是灰度圖像,表示卷積運(yùn)算,Gd是梯度算子,用來(lái)計(jì)算四個(gè)不同方向的梯度方向?yàn)閐D,D=0,45,90, 135,如圖2(a所示.B是2維高斯平滑濾波器可以用來(lái)平滑不同行人樣本的細(xì)節(jié)部分.然后對(duì)求得的初級(jí)FDF特征值,以M×N(如4×4大小為單位進(jìn)行平均,作為此M×N個(gè)像素點(diǎn)的特征值,得到的四個(gè)方向的平均梯度值向量連起來(lái)作為圖像的最終FDF特征向量.FDF特征提取過(guò)程及其效果如圖2所示.梯度直方圖特征(HOG是一種對(duì)圖像局部重疊區(qū)域的密集型描述符,它通過(guò)計(jì)算局部區(qū)域上的梯度方向直方圖來(lái)構(gòu)成行人特征,是Dalal

13、等在2005年提出的4.HOG特征由于特別適合于行人整體輪廓的描述、高的檢測(cè)率和較低的虛警率,成為行人檢測(cè)的主流特征提取方法12.HOG和Haar、FDF相比較,具有計(jì)算量大的缺點(diǎn),不適合應(yīng)用在粗級(jí)需要遍歷窗口數(shù)量大的場(chǎng)合.粗級(jí)篩選后感興趣區(qū)域數(shù)量已經(jīng)大幅度減少,可以在這個(gè)基礎(chǔ)上充分發(fā)揮HOG特征對(duì)于行人檢測(cè)率高,去除虛警的優(yōu)勢(shì).HOG特征實(shí)際起到檢測(cè)作用的是行人輪廓邊緣的梯度,而行人內(nèi)部的紋理特征并沒(méi)有被利用,這樣可能會(huì)對(duì)一些類似于人的物體(如形狀像人的樹,電線桿等造成誤檢.熵表示的是分布的混亂程度,熵越小表示分布越均勻,熵在某種程度上可以表示物體的紋理特征,受到熵的啟發(fā),本文提出了一種EH

14、OG(Entropy-HOG特征.由HOG直方圖可以計(jì)算概率P,表示某一個(gè)角度內(nèi)的梯度數(shù)與總梯度數(shù)的比值,這樣可以得到每一個(gè)Block的熵,這個(gè)熵作為一維特征和HOG特征合并,這樣就得到了EHOG,每個(gè)Block熵的計(jì)算如下式所示,本文取9個(gè)梯度方向:E=9i=1P i log P i (2圖2FDF特征提取過(guò)程Fig.2The extraction process of FDF feature對(duì)MIT行人樣本庫(kù)里正樣本和負(fù)樣本計(jì)算3期種衍文等:一種基于多特征和機(jī)器學(xué)習(xí)的分級(jí)行人檢測(cè)方法377Block 的熵,如圖3所示,實(shí)線代表正樣本Block 熵,點(diǎn)劃線代表負(fù)樣本Block 熵. 圖3正負(fù)

15、樣本Block 熵比較Fig.3The comparison of the Block entropies of positive and negative samples從圖3中可以看出正負(fù)樣本的Block 熵是存在比較明顯的區(qū)別的,因此EHOG 作為特征訓(xùn)練出來(lái)的分類器對(duì)于正負(fù)樣本會(huì)有一定的分類能力,可以進(jìn)一步降低虛警率,提高行人檢測(cè)的性能.1.2分類器實(shí)現(xiàn)Adaboost 算法是統(tǒng)計(jì)分類方法中一個(gè)經(jīng)典算法,它由Boosting 算法發(fā)展而來(lái),是由Freund 等6在1995年提出的.目前常用的Adaboost 算法分別有Discrete Adaboost (DAB,Real Adaboo

16、st (RAB和Gentle Adaboost (GAB.其中DAB 是基本算法,而后兩者是在其基礎(chǔ)上的改進(jìn)算法.它們的主要區(qū)別在于DAB 要求弱分類器的輸出是二值,后兩者則將要求放寬到實(shí)值13.GAB 通常可以取得更好的效果.在GAB 中,弱分類器定義如下:h (x =P w (y =1|x P w (y =1|x (3其中,P w (y =1|x ,P w (y =1|x 分別表示給定某樣本特征x ,該樣本為正樣本或負(fù)樣本的加權(quán)概率.GAB 的學(xué)習(xí)算法如下9,14:步驟1.初始化:w i =1/N ,i =1,···,N ,F (x =0.步驟2.For t

17、=1,···,Ta用y 到x 的加權(quán)最小二乘擬合來(lái)估計(jì)f t (x ;b更新F (x F (x +f t (x ;c設(shè)w i w i exp(y i f t (x i ,i =1,···,N ,并重新歸一化,使得i w i =1.步驟3.輸出分類器:sgn(F (x =sgn Tt =1f t (x (4其中,f t (x =P w (y =1|x P w (y =1|x 是弱分類器輸出函數(shù),w i 表示權(quán)重分布,N 為樣本個(gè)數(shù),y i 為樣本標(biāo)簽,1為正樣本,1為負(fù)樣本,T 為訓(xùn)練輪數(shù),F (x 表示弱分類器的求和.本文提出了一種基

18、于FDF 的GAB 級(jí)聯(lián)算法,其中負(fù)樣本更新要求確保負(fù)樣本的數(shù)目保持一致,級(jí)聯(lián)前先建立一個(gè)備選負(fù)樣本庫(kù),每一次負(fù)樣本更新不僅僅把這一級(jí)的負(fù)樣本中的虛警保留下來(lái),還要對(duì)備選負(fù)樣本庫(kù)進(jìn)行驗(yàn)證,提取出通過(guò)前幾級(jí)之后仍是虛警的負(fù)樣本加入到新的訓(xùn)練負(fù)樣本中去,保證負(fù)樣本數(shù)目和最開始的負(fù)樣本數(shù)目一致.為了讓選出的特征更具有代表性,提取各種尺度處于訓(xùn)練樣本不同位置的FDF 特征,事先建立特征池,方便級(jí)聯(lián)時(shí)選擇.具體的級(jí)聯(lián)過(guò)程描述如下:步驟1.設(shè)定每一級(jí)的最小檢測(cè)率d ,最終的目標(biāo)虛警率F target ,每一級(jí)最大的虛警率f .步驟2.選擇合適的正樣本和負(fù)樣本,建立備選負(fù)樣本庫(kù)(數(shù)目比較大、負(fù)樣本多尺度,建

19、立FDF 特征池.步驟5.While F (i >F targetb提取ni 個(gè)特征進(jìn)行GAB 訓(xùn)練并進(jìn)行檢測(cè)得到DP ,F P 和錯(cuò)誤率;c減少閾值直到DP >d ,記下相應(yīng)的特征的位置尺度參數(shù);d如果在某一個(gè)特征(即ni =1時(shí)不能達(dá)到虛警率的要求,那么對(duì)于所有的特征的錯(cuò)誤率進(jìn)行從低到高排序,錯(cuò)誤率最小的特征作為該級(jí)的每一個(gè)特征,第二個(gè)特征就用排序后的第二個(gè)錯(cuò)誤率對(duì)應(yīng)的特征,依次進(jìn)行,直到滿足該級(jí)的虛警率要求.步驟6.級(jí)聯(lián)結(jié)束,得到級(jí)聯(lián)分類器.支持向量機(jī)(SVM是Vapnik 根據(jù)統(tǒng)計(jì)學(xué)習(xí)理378自動(dòng)化學(xué)報(bào)38卷論提出的一種新的機(jī)器學(xué)習(xí)方法15,其最大的特點(diǎn)就是根據(jù)Vapnik

20、的結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則,在解決小樣本非線性及高維模式識(shí)別問(wèn)題中具有許多特有的優(yōu)勢(shì),對(duì)小樣本問(wèn)題具有很好的學(xué)習(xí)與泛化能力,成為當(dāng)前機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)研究熱點(diǎn)1617.另外,由于支持向量機(jī)算法是一個(gè)凸優(yōu)化問(wèn)題,因此局部最優(yōu)解一定是全局最優(yōu)解,可防止過(guò)學(xué)習(xí)18.本文精細(xì)級(jí)分類器采用SVM來(lái)進(jìn)一步對(duì)行人進(jìn)行分類.2實(shí)驗(yàn)結(jié)果及分析2.1實(shí)驗(yàn)環(huán)境本文的實(shí)驗(yàn)是用Matlab2009a實(shí)現(xiàn)的,計(jì)算機(jī)配置如下:Intel Core i3540CPU3.07GHz,內(nèi)存3G.行人正樣本來(lái)自INRIA行人樣本庫(kù),負(fù)樣本由INRIA庫(kù)中的和網(wǎng)上下載的圖片中截取得到,大小是以128像素×64像素為基準(zhǔn)等比例縮放

21、,檢測(cè)用的是INRIA行人樣本庫(kù)中的測(cè)試樣本.2.2FDF特征同其他特征訓(xùn)練結(jié)果比較本文方法中基于FDF的GAB級(jí)聯(lián)分類器是離線進(jìn)行訓(xùn)練的,負(fù)樣本集由40萬(wàn)個(gè)多尺度負(fù)樣本組成,初始正負(fù)樣本比為1000:1000,級(jí)聯(lián)訓(xùn)練時(shí)間為24h,級(jí)聯(lián)分類器層數(shù)為19級(jí);SVM分類器訓(xùn)練使用Libsvm工具箱來(lái)實(shí)現(xiàn)的,正負(fù)樣本比為2000:2000,訓(xùn)練時(shí)間為400s.訓(xùn)練得到基于FDF的GAB級(jí)聯(lián)分類器的ROC曲線,并與其他特征進(jìn)行對(duì)比,如圖4所示 .圖4基于FDF的GAB級(jí)聯(lián)分類器與其他特征得到的分類器ROC曲線對(duì)比Fig.4Comparison of the ROC curves of the GAB

22、 cascade classier based on FDF and classiers gained byother features在圖4中,文獻(xiàn)19是經(jīng)典的Haar級(jí)聯(lián)方法,文獻(xiàn)20中行人檢測(cè)部分使用HOG和SVM來(lái)檢測(cè)行人,文獻(xiàn)21中的第一級(jí)分類器中使用Haar-like和HOG特征的結(jié)合,文獻(xiàn)22提出了具有人體部位檢測(cè)能力的Edgelet特征.ROC曲線是以檢測(cè)率為縱坐標(biāo),以虛警率為橫坐標(biāo),表示的是級(jí)聯(lián)分類器的性能,同樣的虛警率時(shí),檢測(cè)率越高就說(shuō)明級(jí)聯(lián)分類器的性能越好.從圖4可以看出在相同的虛警率下,本文方法的級(jí)聯(lián)分類器的檢測(cè)率比其他方法的檢測(cè)率都要高,因此本文級(jí)聯(lián)方法性能好一些.基

23、于FDF的GAB級(jí)聯(lián)分類器和OpenCV Haar級(jí)聯(lián)分類器每一級(jí)特征數(shù)目對(duì)比如圖5所示 .圖5基于FDF的GAB級(jí)聯(lián)分類器和Haar級(jí)聯(lián)分類器每一級(jí)特征數(shù)目對(duì)比Fig.5Comparison of the feature numbers in each stage of the GAB cascade classier based on FDF and the Haarcascade classier從圖5可以看出,本文的級(jí)聯(lián)方法每一級(jí)需要的特征數(shù)目要比Haar級(jí)聯(lián)方法少很多,特征數(shù)目少但性能卻比Haar級(jí)聯(lián)要強(qiáng),這顯示了本文基于FDF特征的GAB級(jí)聯(lián)方法的優(yōu)越性.2.3EHOG和HOG檢測(cè)

24、結(jié)果比較本文方法的精密級(jí)檢測(cè)分類器是提取EHOG 特征,用SVM訓(xùn)練得到的,經(jīng)過(guò)粗級(jí)和精密級(jí)檢測(cè)之后的結(jié)果如圖6(a所示.作為對(duì)比實(shí)驗(yàn),提取HOG特征,同樣用SVM 訓(xùn)練得到的分類器作為精密級(jí)分類器,兩級(jí)檢測(cè)之后的結(jié)果如圖6(b所示.從檢測(cè)結(jié)果來(lái)看,用EHOG特征檢測(cè)得到的虛警要比用HOG特征檢測(cè)得到的虛警少,圖中就表現(xiàn)在一些小窗口虛警在用EHOG檢測(cè)時(shí)被剔除了.在對(duì)比實(shí)驗(yàn)中,待測(cè)樣本均來(lái)自INRIA庫(kù)中的測(cè)試樣本,共288張,分別按照HOG特征的級(jí)聯(lián)方法和采用EHOG的級(jí)聯(lián)方法進(jìn)行多尺度檢測(cè),縮放比為1.2,搜素窗口移動(dòng)步長(zhǎng)為12個(gè)像素,統(tǒng)計(jì)檢測(cè)結(jié)果如表1所示,采用EHOG特征的方法比采用H

25、OG 的方法可以減少虛警率10%.3期種衍文等: 一種基于多特征和機(jī)器學(xué)習(xí)的分級(jí)行人檢測(cè)方法379圖6EHOG和HOG檢測(cè)結(jié)果對(duì)比Fig.6Comparison of EHOG detection results and HOGdetection results表1HOG和EHOG方法檢測(cè)結(jié)果統(tǒng)計(jì)對(duì)比表Table1Statistic comparison of EHOG detectionresults with HOG detection results方法待測(cè)圖含有行正確檢測(cè)檢測(cè)率(%虛警率(%片數(shù)人總數(shù)的行人數(shù)HOG28848847998 5.68×102EHOG2884884

26、7998 5.11×1022.4基于FDF的GAB級(jí)聯(lián)方法和基于OpenCV的Haar級(jí)聯(lián)方法比較我們采用INRIA行人樣本庫(kù)里的正樣本1000幅和從網(wǎng)絡(luò)上下載的不含人的負(fù)樣本1500幅作為訓(xùn)練數(shù)據(jù),按照OpenCV Haar級(jí)聯(lián)19分類器訓(xùn)練方法進(jìn)行訓(xùn)練,參數(shù)設(shè)置如下:nstages20,w32,Haar級(jí)聯(lián)分類器與FDF級(jí)聯(lián)分類器進(jìn)行對(duì)比實(shí)驗(yàn),對(duì)INRIA中相同的測(cè)試樣本進(jìn)行檢測(cè).部分檢測(cè)結(jié)果對(duì)比圖如圖7所示,檢測(cè)結(jié)果統(tǒng)計(jì)見表2.從圖7可以看出,本文級(jí)聯(lián)方法的檢測(cè)效果比Haar級(jí)聯(lián)要好,檢測(cè)率高,存在一定的虛警,有待精密級(jí)檢測(cè)進(jìn)一步去除.從表2可以看出在相同參數(shù)設(shè)置下,本文的級(jí)聯(lián)

27、(aOpenCV Haar級(jí)聯(lián)方法檢測(cè)結(jié)果(aThe detection results of the OpenCV Haarcascade method(b本文級(jí)聯(lián)方法檢測(cè)結(jié)果(bThe detection results of the method in the paper圖7本文方法和OpenCV Haar級(jí)聯(lián)方法檢測(cè)結(jié)果對(duì)比Fig.7Comparison of the detection results of the methodin the paper and the OpenCV Haar cascade method方法的檢測(cè)率要遠(yuǎn)高于Haar級(jí)聯(lián)的檢測(cè)率還可以看出本文方法對(duì)于初

28、始移動(dòng)步長(zhǎng)的改變不如Haar級(jí)聯(lián)方法敏感.綜上分析,FDF特征表征行人的能力比Haar要強(qiáng).這里的平均檢測(cè)時(shí)間是在特定步長(zhǎng)下檢測(cè)一張640像素×480像素大小的待測(cè)圖片的平均時(shí)間來(lái)衡量的,從表2中可以看出平均檢測(cè)時(shí)間與檢測(cè)窗口移動(dòng)步長(zhǎng)相關(guān),步長(zhǎng)越大檢測(cè)時(shí)間越短,OpenCV Haar級(jí)聯(lián)方法的平均檢測(cè)時(shí)間比本文的方法要短,但本文方法性能好,時(shí)間基本上可以達(dá)到實(shí)時(shí)性要求,而且本文是用Matlab實(shí)現(xiàn)的,檢測(cè)速度還有提升的空間.表2本文FDF級(jí)聯(lián)方法和Haar級(jí)聯(lián)方法檢測(cè)結(jié)果統(tǒng)計(jì)對(duì)比表380 自 動(dòng) 化 學(xué) 報(bào) 38 卷 2.5 兩級(jí)檢測(cè)方法的對(duì)比 通過(guò)訓(xùn)練和檢測(cè), 我們可以得到本文整體

29、方法 的性能, 畫出 ROC 曲線, 并與其他一些兩級(jí)檢測(cè)方 法進(jìn)行對(duì)比, 如圖 8 所示. 文獻(xiàn) 21 中第一級(jí)是全 身檢測(cè) FBD, 用的是 Haar-like 和 HOG 特征, 第 二級(jí)是頭肩檢測(cè), 用的是 Edgelet 特征, 實(shí)現(xiàn)對(duì)監(jiān) 控視頻的檢測(cè). 文獻(xiàn) 23 提出了一種 Multi-scale orientation 特征 (MSO 特征, 分粗級(jí)和精細(xì)級(jí)兩 部分, 粗級(jí)用 Adaboost 級(jí)聯(lián)訓(xùn)練, 精細(xì)級(jí)用 SVM 訓(xùn)練. 圖9 Fig. 9 本文方法的最終檢測(cè)結(jié)果示例 method in the paper Example of the nal detection r

30、esults for the 圖 8 兩級(jí)檢測(cè)方法的 ROC 曲線對(duì)比 Fig. 8 Comparison of thre ROC curves of some two-stage detection 從圖 8 的 ROC 曲線上可以看出在某些虛警率 下, 本文方法的檢測(cè)率比其他方法低, 但是整體來(lái) 看, 尤其是在虛警率比較低的情況下, 本文方法的檢 測(cè)率比其他兩個(gè)方法都要高一些. 2.6 后處理和最終結(jié)果 最后, 為了將每一個(gè)行人用一個(gè)框標(biāo)注, 我們對(duì) 精密級(jí) ROIs 進(jìn)行后處理, 首先對(duì)所有 ROIs 的中心 位置進(jìn)行聚類, 對(duì)被分為一類的 ROIs 框進(jìn)行平均 化處理, 得到最終的行人框. 經(jīng)過(guò)粗細(xì)兩級(jí)檢測(cè)和聚類等后處理的最終的行 人檢測(cè)結(jié)果部分示例如圖 9 所示. 本文所采用的基 于多特征和 Adaboost 級(jí)聯(lián)的由粗到細(xì)的分級(jí)行人 檢測(cè)方法能有效實(shí)現(xiàn)行人的檢測(cè), 能夠檢測(cè)復(fù)雜背 景下的不同姿勢(shì) (如正面、 側(cè)面、 背面 不同數(shù)目 (單 人或多人 的直立行人, 檢測(cè)速度較快, 檢測(cè)率高, 虛警率低, 具有很好的應(yīng)用潛力. 測(cè), 能夠檢測(cè)復(fù)雜背景下的不同姿勢(shì) (如正面、 側(cè)面、 背面 不同數(shù)目 (單人或多人 的直立行人, 檢測(cè)性 能好, 檢測(cè)率高, 虛警率低, 檢測(cè)時(shí)間比較短, 相對(duì)前 人的方法性能有所提升. 本 文 的