行人探測(cè)特征選擇和提取

...v.行人探測(cè)特征選擇和提取李林3摘要目標(biāo)探測(cè)計(jì)算機(jī)視覺(jué)中一項(xiàng)重要切有挑戰(zhàn)性的課題。該文借鑒了簡(jiǎn)化了的APCF特征值[3]，簡(jiǎn)化了的稱為JRoG特征〔JointRankingofGranules〕，這些特征值是由圖像中每一塊相比擬的一系列離散的二值結(jié)果組成。本文采用了模擬退火〔SA〕和漸進(jìn)式特征選擇模型〔incrementalfeatureselectionmodule〕協(xié)作學(xué)習(xí)算法，這兩個(gè)互補(bǔ)的協(xié)作算法能有效從大量的JRoG特征值中選出有代表性的特征值〔這些特征值將用在目標(biāo)探測(cè)上〕。AbstractObjectdetectionremainsanimportantbutchallengingtaskinputervision.Wepresentamethodthatbineshighaccuracywithhighef?ciency.Weadoptsimpli?edformsofAPCFfeatures[3],whichwetermJointRankingofGranules(JRoG)features;thefeaturesconsistsofdiscretevaluesbyunitingbinaryrankingresultsofpairwisegranulesintheimage.WeproposeanovelcollaborativelearningmethodforJRoGfeatures,whichconsistsofaSimulatedAnnealing(SA)moduleandanincrementalfeatureselectionmodule.Thetwoplementarymodulescollaboratetoef?cientlysearchtheformidablylargeJRoGfeaturespacefordiscriminativefeatures,whicharefedintoaboostedcascadeforobjectdetection.引言目標(biāo)探測(cè)是計(jì)算機(jī)視覺(jué)中一個(gè)根底性的任務(wù)。雖然這些年來(lái)取得一定的進(jìn)步，但目標(biāo)探測(cè)在實(shí)時(shí)性應(yīng)用當(dāng)中仍有一定的挑戰(zhàn)。這篇文章是關(guān)于行人檢測(cè)中的特征值的選擇和提取的?，F(xiàn)實(shí)生活中，由于人群的擁擠和行人之間的相互阻擋，這些對(duì)探測(cè)都是不小的困難，所以在探測(cè)的初始環(huán)節(jié)，就應(yīng)該慎重選取提取特征的方法。關(guān)于行人檢測(cè)方面的研究文獻(xiàn)有很多?；趯W(xué)習(xí)的方法占大多數(shù)，而這個(gè)方法中最重要的是特征值和學(xué)習(xí)算法的選取。特征有全局的和局部的。全局的特征，像邊緣模版〔edgetemplates〕[6]和形狀模型〔shapemodels〕[5]有很好的識(shí)別能力但由于阻擋和非剛性因數(shù)對(duì)物體呃形狀變化很敏感的。局部的特征，小波描述符〔waveletdescriptors〕[12，11]，尺度不變特征變換特征〔SIFT〕[10]和方向梯度直方圖〔HistogramofOrientedGradient，HOG〕[2]具有更好的應(yīng)用性但是這些特征值需要經(jīng)過(guò)精心挑選和重新組合。也有文獻(xiàn)采用多種特征組合，像Wu和Nevatia的非均勻局部特征〔HeterogeneousLocalFeatures〕[21]，Schwartz等人的edge-basedfeaturesaugmentedbytextureandcolor以及Wang等人[9]HOG聯(lián)合局部二進(jìn)制模式〔LocalBinaryPattern，LBP〕通過(guò)一種自頂向底的概率分割(aprobabilistictop-downsegmentation).另一方面，這些成功的方法都是建立在Viola和Jones人臉探測(cè)[16]的方法之上。從這方面開(kāi)展起來(lái)的有Haar特征[17]，邊緣集〔edgelet〕特征[19]和協(xié)方差矩陣表述〔covariancematrixdescriptors〕[15]。分類器也超過(guò)了原來(lái)的級(jí)聯(lián)分類器比方[20]樹(shù)狀構(gòu)造。本文提出了一種新的方法，雖然的遵從原先的思想但是使用了不同的特征，也就需要不一樣的學(xué)習(xí)算法了。在最近的文獻(xiàn)中，Duan等人[3]引進(jìn)一種叫聯(lián)合塊比擬特征值提取法〔AssociatedPairingparisonFeatures，APCF〕，這個(gè)方法是建立在已經(jīng)被人臉檢測(cè)驗(yàn)證了的早期顆粒特征值〔granulefeature〕上面[7]。APCF特征是比擬搜索窗口中某個(gè)小區(qū)域〔granule〕的顏色或梯度的大小得到的。然而APCF特征是由一系列沒(méi)有任何約束的顆粒比擬而得，因此這個(gè)空間很大，不利于一般的AdaBoost學(xué)習(xí)，所以Duan等人使用啟發(fā)式學(xué)習(xí)算法進(jìn)展特征選擇。本文的工作建立在APCF的根底上，但采用了一種特殊的APCF，我們稱呼為JRoG〔JointRankingofGranules〕，這是將閾值設(shè)為0。?；贒uan等人的啟發(fā)式算法，本文提出了模擬圖1.3-bitJRoG特征。彩色圖片轉(zhuǎn)成灰度圖片，選取其中的3對(duì)小塊。1表示實(shí)心的那一塊灰度值高于空心的那一塊，0那么相反。最后這3個(gè)二進(jìn)制數(shù)輸出作為JRoG的特征。退火〔SA〕和漸進(jìn)式特征選擇相結(jié)合的特征選擇算法。這篇文章其余局部安排如下：第2局部概述本文的方法；第3局部引進(jìn)JRoG特征；第4局部詳細(xì)論述了用在JRoG上面的協(xié)作學(xué)習(xí)算法。概方法述這篇文章中的JRoG特征就是將APCF特征中的梯度特征剔除并且將每個(gè)塊比擬的閾值設(shè)為0。圖1所示，JRoG特征是在很多灰度級(jí)的顆粒中通過(guò)一些顆粒進(jìn)展比擬所得到的二值的聯(lián)合[7]。這樣選取的特征空間很大，不利于分類器的訓(xùn)練，并且也會(huì)使計(jì)算時(shí)間加大。來(lái)自APCF特征啟發(fā)式算法[3]的的靈感，本文提出一種協(xié)作學(xué)習(xí)算法來(lái)減輕這樣的困難，這算法就是SA和漸進(jìn)式特征選擇相結(jié)合。SA是一種概率方法，漸進(jìn)式特征選擇是那么能過(guò)濾出那些無(wú)效的特征。最后能選出一組最優(yōu)的特征值。這協(xié)作算法能找出有效的且辨識(shí)能力強(qiáng)的JRoG特征進(jìn)展Schapire和Singer[13]提出弱分類器的訓(xùn)練.JRoG特征JRoG特征就是一些帶有標(biāo)簽的離散的數(shù)字，他們的元素是來(lái)自灰度圖片的顆粒空間。G表示顆?？臻g[7]〔granularspace〕，這就是原始圖片X多層次的擴(kuò)展。某像素點(diǎn)x〔u,v〕，x∈X。那么某一顆?！瞘ranule〕可以表示為：左上角點(diǎn)是〔u,v〕且寬度是2s的小正方形的平均像素值。圖2所示的是16×16例如圖片的4個(gè)不同寬度的顆粒。在這篇文章中，我們選取的s值是從0到3的，那么假設(shè)一個(gè)w×h圖片每個(gè)s值就有〔w-〔2s-1〕〕×〔h-〔2s-1〕〕個(gè)顆粒。比擬任意兩個(gè)顆粒，圖片X就可以被二值化了，所示的比擬如下圖2.從0到3的4個(gè)顆粒的16×16圖片在〔2〕式中k這樣的聯(lián)合就定義了一個(gè)k-bitJRoG特征。這式子中g(shù)是G中2k維子空間，圖像X被分成2k不相交的塊｛X0……X2k-1｝,且當(dāng)J(x)=i時(shí)，x猜落在Xi。4.用于RealAdaBoost的JRoG特征協(xié)作學(xué)習(xí)是訓(xùn)練樣本，y指某一樣本的模式，w是樣本的權(quán)值。在給定JRoG特征，相對(duì)應(yīng)的最優(yōu)弱分類器是h〔x〕，且正那么化因子[13]，如下這里的W是具有一樣模式且落在第j塊中的樣本之和。尋找RealAdaBoost中弱分類器就是通過(guò)最小化正那么化因子找最優(yōu)的JRoG特征，下面我們先定義兩個(gè)重要的特征值之間的距離，gp=(gp0,···,gpm)和gq=(gq0,···,gqm)是兩個(gè)JRoG特征。第一個(gè)距離是，如下這里[[]]表示如果里面的條件是真就輸出1，否那么是0，如果兩個(gè)子空間維數(shù)不同距離就無(wú)窮大。第二個(gè)距離是，如下其中這里e=2s?1是顆粒gu,v,s的一半，u’=u+e和v’=v+e是它坐標(biāo)的中心位置。根據(jù)上面的兩個(gè)距離，JRoG特征g的鄰居可以被定義為θ1和θ2是兩個(gè)距離的閾值。這些鄰居是作為尋找辨識(shí)能力強(qiáng)的特征的候選對(duì)象，因?yàn)橐粋€(gè)最優(yōu)的特征也會(huì)有個(gè)更好的鄰居。4.1.漸進(jìn)式特征選擇模塊這個(gè)模塊采用的是Huang等人[7]提出的那個(gè)，這能高維JRoG特征空間中迅速找到最優(yōu)的特征值。這個(gè)算法的偽代碼如圖3所示圖3漸進(jìn)式特征選擇模塊4.2.SA模塊圖4所示是本文的SA算法，用于尋找辨識(shí)性好的JRoG特征。在實(shí)際應(yīng)用中，我們將θ1=1和θ2=8，G是由顆粒g周圍不超過(guò)8的顆粒組成。出于簡(jiǎn)化和有效性，設(shè)N=1000×dim(g0)和r=0.01-N,SA的初始穩(wěn)定是0.01×T0.初試溫度的選擇對(duì)SA進(jìn)程至關(guān)重要。如果初始溫度過(guò)高，搜索就變的隨意性很大并且很難收斂的，如果初始溫度過(guò)低，在一開(kāi)場(chǎng)搜索時(shí)就陷入了局部最小化狀態(tài)了。在AdaBoost算法中，每個(gè)弱分類器是由各自的訓(xùn)練樣本學(xué)習(xí)得到的，所以很難找個(gè)適用于全部的每個(gè)周期的開(kāi)場(chǎng)溫度圖4用做搜索JRoG特征的模擬退火代碼4.3.JRoG特征的協(xié)作學(xué)習(xí)如圖5所示，對(duì)一個(gè)k-bitJRoG特征進(jìn)展k次迭代學(xué)習(xí)。在每次迭代中，通過(guò)增加一對(duì)顆粒到當(dāng)前特征g中〔生長(zhǎng)〕，將這個(gè)生長(zhǎng)后的特征作為SA的初始值，然后尋找更新之后特征的鄰居。漸進(jìn)式特征選擇模塊應(yīng)用在特征的生長(zhǎng)和鄰居的選擇上面的。在我們的實(shí)驗(yàn)中，定義候選顆粒對(duì)集合C=｛g:dim(g)=2,d(g0,g1)≤4｝,因此任何候選的特征之間都是相互緊湊的。一般來(lái)說(shuō)，在SA進(jìn)程中增加/減少初始溫度T0會(huì)升高/降低跳轉(zhuǎn)/保持率η。這種關(guān)系提供一種思路，就是將η反應(yīng)回去給T0.理想的跳轉(zhuǎn)/保持率η。DangJRoG特征開(kāi)場(chǎng)學(xué)習(xí)時(shí)，對(duì)應(yīng)的η也就被確定了，定義一個(gè)反應(yīng)函數(shù)這能調(diào)整下一輪的初始溫度，使得跳轉(zhuǎn)/保持率接近目標(biāo)值，這更加容易控制理想的跳轉(zhuǎn)/保持率。圖5k-bitJRoG特征的協(xié)作學(xué)習(xí)代碼總的來(lái)說(shuō)，一方面，SA能夠脫離陷入局部最小化但在有限的時(shí)間里難以收斂；另一方面，漸進(jìn)式特征選擇模型能夠減少找到最優(yōu)特征的時(shí)間。這兩個(gè)相互協(xié)作學(xué)習(xí)算法能夠減少以上的這些困難。參考文獻(xiàn)[1].elec.qmul.ac.uk/staf?nfo/andrea/avss2007d.html.[2]N.DalalandB.Triggs.Histogramsoforientedgradientsforhumandetection.CVPR,2005.[3]G.Duan,C.Huang,H.Ai,andS.Lao.Boostingassociatedpairingparisonfeaturesforpedestriandetection.NinthIEEEInternationalWorkshoponVisualSurveillance,2009.[4]A.Ess,B.Leibe,andL.V.Gool.Depthandappearanceformobilesceneanalysis.ICCV,2007.[5]P.Felzenszwalb.Learningmodelsforobjectrecognition.CVPR,2001.[6]D.Gavrila.Pedestriandetectionfromamovingvehicle.ECCV,2000.[7]C.Huang,H.Ai,Y.Li,andS.Lao.Learningsparsefea-turesingranularspaceformulti-viewfacedetection.Proc.SeventhIntlConf.AutomaticFaceandGestureRecognition,2006.[8]S.Kirkpatrick,C.D.Gelatt,andM.P.Vecchi.Optimizationbysimulatedannealing.Science,1985.[9]B.Leibe,E.Seemann,andB.Schiele.Pedestriandetectionincrowdedscenes.CVPR,2005.[10]C.Mikolajczyk,C.Schmid,andA.Zisserman.Humande-tectionbasedonaprobabilisticassemblyofrobustpartde-tectors.ECCV,2004.[11]A.Mohan,C.Papageorgiou,andT.Poggio.Example-basedobjectdetectioninimagesbyponents.PAMI,2001.[12]C.Papageorgiou,T.Evgeniou,andT.Poggio.Atrainablepedestriandetectionsystem.InProceedingofIntelligentVe-hicles,1998.[13]R.E.SchapireandY.Singer.Improvedboostingalgo-rithmsusingcon?dence-ratedpredictions.MachineLearn-ing,1999.[14]W.R.Schwartz,A.Kembhavi,D.Harwood,andL.S.Davis.Humandetectionusingpartialleastsquaresanalysis.ICCV,2009.[15]O.Tuzel,F.Porikli,andP.Meer.Humandetectionviaclas-si?cationonriemannianmanifolds.CVPR,2007.[16]P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR,2001.[17]P.Viola,M.Jones,andD.Snow.Detectingpedestriansusingpatternsofmotionand