旋转角可变的人体检测算法

1、旋转角可变的人体检测算法摘要：常用的人体检测算法多应用于无旋转角的情况，而在旋转角可变的情况下检测性能有限，为此提出了一种适用于有旋转角的人体检测算法。首先，通过径向梯度转换RGT获得具有旋转不变性的梯度；其次，使用类似于梯度方向直方图HOG特征中互相重叠块的组合方式，获取多个带有旋转角信息的特征描绘子，按旋转角大小将它们一维线性连接成具有旋转不变性的特征描绘子组；最后，利用基于支持向量机SVM的二级级联分类器实现了带旋转角的人体检测。基于INRIA行人数据库的144个不同旋转角的人体测试集检测率都不低于86%，144个不同旋转角的非人体样本误检率均低于10%。实验证明了该算法可用于在任意旋转

2、角图像上进展人体检测。关键词：旋转不变；梯度方向直方图；径向梯度变换；级联分类器；支持向量机；人体检测中图分类号： TP391.41 文献标志码：A英文摘要Abstract：Prevalent human detection methods are usually applied in cases without rotation angle， and their detection rates are poor when rotation angle varies. In order to solve the issue， an algorithm which could identify

3、human with variable rotation angle was proposed. Firstly， Radial Gradient Transform RGT method was adopted to obtain the rotationinvariance gradient. Then， adopting the method similar to the way that blocks were overlapped in the Histogram of Oriented GradientHOG feature， a plurality of descriptors

4、with rotation angle information were obtained and connected linearly into a descriptor group with rotation invariance feature， according to the descriptors rotation angle. Finally， the human detection algorithm was conducted with the support of a twolevel cascaded classifier based on Support Vector

5、Machine SVM. The recognition rate of the proposed algorithm achieves more than 86% for a human test set with 144 different rotation angles based on the INRIA pedestrian database. In the meantime， the false detection rate is less than 10% for a nonhuman test set with 144 different rotation angles. Th

6、e experiments indicate that the proposed algorithm can be used for human detection in an image with arbitrary rotation angle.英文关键词Key words：rotationinvariance； Histogram of Oriented Gradient HOG； Radial Gradient Transform RGT； cascaded classifier； Support Vector Machine SVM； human detection0 引言Takac

7、s等13提出一种低维度并具有旋转不变性的快速旋转不变特征RotationInvariant Fast Feature，RIFF，该特征使用径向梯度转换Radial Gradient Transform，RGT算法和压缩梯度方向直方图Compressed Histogram of Gradients，CHoG特征14。RIFF特征的检测窗是一个直径为40个像素的圆形，将检测窗等分成4个同心圆环，对每个圆环提取CHoG特征。虽然RIFF特征拥有高速、旋转不变性等优点，但由于其特征维度少，许多人体的特征细节难以得到很好的表达，不适用于人体的检测。为了抑制拍摄视角给人体检测的应用带来的局限性，本文使用

8、具有旋转不变性的梯度方向直方图，结合Dalal提出的HOG特征中可互相重叠块的方法，提出径向梯度转换梯度方向直方图Radial Gradient TransformHistogram of Oriented Gradient，RGTHOG特征描绘子组，该特征描绘子组具有多角度旋转不变性。互相重叠块的方法对旋转角有较好的鲁棒性，在旋转角度小于两个相邻的旋转不变角差值的情况下仍然能较好地刻画出人体的特征。配合以线性核支持向量机Support Vector Machine，SVM为根底设计的二级级联分类器，实现了适用于旋转角可变场景的RGTHOG人体检测算法，RGTHOG检测算法流程如图1所示。由于

9、行人具有一般人体检测中服饰变化、姿态变化等特点，因此本文将行人作为人体检测对象，利用INRIA行人数据库验证本文提出的人体检测算法。1 RGTHOG特征描绘子组1.1 概述1得到圆形待检测图像；2使用Gamma校正对图像归一化，减弱环境光照对人体目的识别的影响；3计算图像梯度；4使用RGT算法对图像梯度进展变换，得到具有旋转不变性的RGT梯度；5将图像分成假设干个单元格Cell，每个单元格中所有像素的RGT梯度向直方图通道Bin做加权投影；6将相邻的单元格组合成块Block，一维线性链接块内单元格的加权投影结果，并对加权投影结果进展归一化，归一化结果作为Block的特征向量；7位置旋转角一样的

10、Block组合成扇区Sector，每个扇区中所有Block的特征向量一维线性链接得到Sector的特征向量；8选择任一个位置旋转角的扇区作为起点，按位置旋转角大小以升序的方式依次链接所有扇区，得到带有位置旋转角信息的RGTHOG特征描绘子；9将所有带有不同位置旋转角信息的RGTHOG特征描绘子无序组合，得到RGTHOG特征描绘子组。1.3 单元格Dalal等6在提出HOG时通过实验证明使用线性核SVM和高斯核SVM可有效地对人体与非人体进展分类，在检测效果上高斯核SVM要比线性核SVM好，但也带来了大量的运算时间。考虑到高斯核SVM运算量太大，本文将采用两个线性核SVM级联的方式对人体目的进展

11、分类，其中第一级分类器用于粗略判断检测窗中是否有人体，并确定人体在图片中的旋转角度；第二级分类器用于准确判断第一级分类器的结果。2.1 第一级分类器其中I1对应的人体旋转角1为检测窗中的人体旋转角。这个4类分类器可看作为3个两类分类器的叠加，这种叠加会使得负类的误检率增加，因此需要一个两类分类器作准确判断。2.2 第二级分类器基于两类的线性核SVM作为第二级分类器，通过 =0正训练样本和无人体负训练样本进展训练，得到一个高精度的两类分类器。通过第一级分类器判断出检测窗中存在人体并获得人体旋转角1，不通顺，未完？与下一句矛盾“特征描绘子D1后多了“，把“，删除即可将1所对应的特征描绘子D1通过式

12、8计算得到人体旋转角为0的特征描绘子D，将D 送入第二级分类器中作准确分类，得到检测窗中人体检测的最终结果。3 仿真实验本文的实验平台：Intel Core i7 2.4GHz，8GB内存，Matlab R2021a。3.1 实验参数由1.3节可知，同心圆环数N越大，每个圆环M等分的Cell越多，具有旋转不变性的角度越多，但每个Cell中人体细节越少，影响人体的检测率；而M、N过少，每个Cell包含的人体特征过多，细节将难以表达。级联分类器使用Lin等16开发的LIBSVM软件包中的SVM算法，两个级联分类器均采用线性核函数。3.2 实验结果在实验过程中，将正测试集和负测试集在0，360的区间

13、内以2.5的步长旋转，共得到144个不同人体旋转角的测试集和144个不同旋转视角的非人体测试集。第一级分类器和第二级分类器在正负测试集上的检测率和误检率分别如图6、图7所示。图8将第一级分类器与分类结果进展了比照，分类结果与第一级分类器的曲线相似。参加了第二级分类器虽然降低了平均2%的人体检测率，但却有效降低平均8%的非人体误检率。 本文对提出的检测算法中特征提取和分类所消耗的时间如表1所示，其中分类时间是特征提取时间的5到6倍。由于第一类分类器在进展人体和角度判断时，使用了线性核SVM进展了M次预测，加上第二级分类器的准确判断，本算法共使用了M+1次线性核SVM进展预测，因此大幅度地增加了分

14、类时间。3.3 与HOG检测算法的比较HOG是目前行人检测中使用最广泛的算法，而本文的测试样本使用的是INRIA行人数据库，因此将HOG检测算法与本文提出的RGTHOG检测算法进展比较。由图9a的比较结果得，HOG检测算法在旋转角为-10，10区间内拥有高检测率，但随着旋转角的增大，检测率那么不断下降，而RGTHOG检测算法那么在测试旋转角范围内保持这良好的识别率。图9b中HOG检测算法误检率在-45，45范围低于本文提出的检测算法。4 结语RGTHOG检测算法的可行性。使用线性核SVM作为级联分类器的处理时间较长，对实时应用带来一定影响，如何进步级联分类器的处理速度仍有待研究。参考文献：2D

15、OLLAR P， WOJEK C， SCHIELE B， et al. Pedestrian detection： an evaluation of the state of the art J. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2021， 344： 743-761.5ANDRILUKA M， SCHNITZSPAN P， MEYER J， et al. Vision based victim detection from unmanned aerial vehicles C/ Proceeding

16、s of the 2000 IEEE/RSJ International Conference on Intelligent Robots and Systems. Piscataway： IEEE， 2021： 1740-1747.6DALAL N， TRIGGS B. Histograms of oriented gradients for human detection C / CVPR 2005： Proceedings of the 2005 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2005， 1： 886-893.7MU Y， YAN S， LIU