行人探测特征选择和提取

行人探测特征选择和提取李林201022610003摘要目标探测计算机视觉中一项重要切有挑战性的课题。该文借鉴了简化了的APCF特征值[3]，简化了的称为JRoG特征（JointRankingofGranules），这些特征值是由图像中每一块相比较的一系列离散的二值结果组成。本文采用了模拟退火（SA）和渐进式特征选择模型（incrementalfeatureselectionmodule）协作学习算法，这两个互补的协作算法能有效从大量的JRoG特征值中选出有代表性的特征值（这些特征值将用在目标探测上）。AbstractObjectdetectionremainsanimportantbutchallengingtaskincomputervision.Wepresentamethodthatcombineshighaccuracywithhighefficiency.WeadoptsimplifiedformsofAPCFfeatures[3],whichwetermJointRankingofGranules(JRoG)features;thefeaturesconsistsofdiscretevaluesbyunitingbinaryrankingresultsofpairwisegranulesintheimage.WeproposeanovelcollaborativelearningmethodforJRoGfeatures,whichconsistsofaSimulatedAnnealing(SA)moduleandanincrementalfeatureselectionmodule.ThetwocomplementarymodulescollaboratetoefficientlysearchtheformidablylargeJRoGfeaturespacefordiscriminativefeatures,whicharefedintoaboostedcascadeforobjectdetection.引言目标探测是计算机视觉中一个基础性的任务。虽然这些年来取得一定的进步，但目标探测在实时性应用当中仍有一定的挑战。这篇文章是关于行人检测中的特征值的选择和提取的。现实生活中，由于人群的拥挤和行人之间的相互阻挡，这些对探测都是不小的困难，所以在探测的初始环节，就应该慎重选取提取特征的方法。关于行人检测方面的研究文献有很多。基于学习的方法占大多数，而这个方法中最重要的是特征值和学习算法的选取。特征有全局的和局部的。全局的特征，像边缘模版（edgetemplates）[6]和形状模型（shapemodels）[5]有很好的识别能力但由于阻挡和非刚性因数对物体呃形状变化很敏感的。局部的特征，小波描述符（waveletdescriptors）[12，11]，尺度不变特征变换特征（SIFT）[10]和方向梯度直方图（HistogramofOrientedGradient，HOG）[2]具有更好的应用性但是这些特征值需要经过精心挑选和重新组合。也有文献采用多种特征组合，像Wu和Nevatia的非均匀局部特征（HeterogeneousLocalFeatures）[21]，Schwartz等人的edge-basedfeaturesaugmentedbytextureandcolor以及Wang等人[9]HOG联合局部二进制模式（LocalBinaryPattern，LBP）通过一种自顶向底的概率分割(aprobabilistictop-downsegmentation).另一方面，这些成功的方法都是建立在Viola和Jones人脸探测[16]的方法之上。从这方面发展起来的有Haar特征[17]，边缘集（edgelet）特征[19]和协方差矩阵表述（covariancematrixdescriptors）[15]。分类器也超过了原来的级联分类器比如[20]树状结构。本文提出了一种新的方法，虽然的遵从原先的思想但是使用了不同的特征，也就需要不一样的学习算法了。在最近的文献中，Duan等人[3]引进一种叫联合块比较特征值提取法（AssociatedPairingComparisonFeatures，APCF），这个方法是建立在已经被人脸检测验证了的早期颗粒特征值（granulefeature）上面[7]。APCF特征是比较搜索窗口中某个小区域（granule）的颜色或梯度的大小得到的。然而APCF特征是由一系列没有任何约束的颗粒比较而得，因此这个空间很大，不利于一般的AdaBoost学习，所以Duan等人使用启发式学习算法进行特征选择。本文的工作建立在APCF的基础上，但采用了一种特殊的APCF，我们称呼为JRoG（JointRankingofGranules），这是将阈值设为0。。基于Duan等人的启发式算法，本文提出了模拟图1.3-bitJRoG特征。彩色图片转成灰度图片，选取其中的3对小块。1表示实心的那一块灰度值高于空心的那一块，0则相反。最后这3个二进制数输出作为JRoG的特征。退火（SA）和渐进式特征选择相结合的特征选择算法。这篇文章其余部分安排如下：第2部分概述本文的方法；第3部分引进JRoG特征；第4部分详细论述了用在JRoG上面的协作学习算法。概方法述这篇文章中的JRoG特征就是将APCF特征中的梯度特征剔除并且将每个块比较的阈值设为0。图1所示，JRoG特征是在很多灰度级的颗粒中通过一些颗粒进行比较所得到的二值的联合[7]。这样选取的特征空间很大，不利于分类器的训练，并且也会使计算时间加大。来自APCF特征启发式算法[3]的的灵感，本文提出一种协作学习算法来减轻这样的困难，这算法就是SA和渐进式特征选择相结合。SA是一种概率方法，渐进式特征选择是则能过滤出那些无效的特征。最后能选出一组最优的特征值。这协作算法能找出有效的且辨识能力强的JRoG特征进行Schapire和Singer[13]提出弱分类器的训练.JRoG特征JRoG特征就是一些带有标签的离散的数字，他们的元素是来自灰度图片的颗粒空间。G表示颗粒空间[7]（granularspace），这就是原始图片X多层次的扩展。某像素点x（u,v），x∈X。则某一颗粒（granule）可以表示为：4.2.SA模块图4所示是本文的SA算法，用于寻找辨识性好的JRoG特征。在实际应用中，我们将θ1=1和θ2=8，G是由颗粒g周围不超过8的颗粒组成。出于简化和有效性，设N=1000×dim(g0)和r=0.01-N,SA的初始稳定是0.01×T0.初试温度的选择对SA进程至关重要。如果初始温度过高，搜索就变的随意性很大并且很难收敛的，如果初始温度过低，在一开始搜索时就陷入了局部最小化状态了。在AdaBoost算法中，每个弱分类器是由各自的训练样本学习得到的，所以很难找个适用于全部的每个周期的开始温度图4用做搜索JRoG特征的模拟退火代码4.3.JRoG特征的协作学习如图5所示，对一个k-bitJRoG特征进行k次迭代学习。在每次迭代中，通过增加一对颗粒到当前特征g中（生长），将这个生长后的特征作为SA的初始值，然后寻找更新之后特征的邻居。渐进式特征选择模块应用在特征的生长和邻居的选择上面的。在我们的实验中，定义候选颗粒对集合C=｛g:dim(g)=2,d(g0,g1)≤4｝,因此任何候选的特征之间都是相互紧凑的。一般来说，在SA进程中增加/减少初始温度T0会升高/降低跳转/保持率η。这种关系提供一种思路，就是将η反馈回去给T0.理想的跳转/保持率η。DangJRoG特征开始学习时，对应的η也就被确定了，定义一个反馈函数这能调整下一轮的初始温度，使得跳转/保持率接近目标值，这更加容易控制理想的跳转/保持率。图5k-bitJRoG特征的协作学习代码总的来说，一方面，SA能够脱离陷入局部最小化但在有限的时间里难以收敛；另一方面，渐进式特征选择模型能够减少找到最优特征的时间。这两个相互协作学习算法能够减少以上的这些困难。参考文献[1]http://www.elec.qmul.ac.uk/staffinfo/andrea/avss2007d.html.[2]N.DalalandB.Triggs.Histogramsoforientedgradientsforhumandetection.CVPR,2005.[3]G.Duan,C.Huang,H.Ai,andS.Lao.Boostingassociatedpairingcomparisonfeaturesforpedestriandetection.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-basedobjectdetectioninimagesbycomponents.PAMI,2001.[12]C.Papageorgiou,T.Evgeniou,andT.Poggio.Atrainablepedestriandetectionsystem.InProceedingofIntelligentVe-hicles,1998.[13]R.E.SchapireandY.Singer.Improvedboostingalgo-rithmsusingconfidence-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-sificationonriemannianmanifolds.CVPR,2007.[16]P.ViolaandM.Jones.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures.CVPR,2001.[17]P.Viola,M.Jones,andD.Snow.Detectingpedestriansusingpatternsofmotionandappearance.ICCV,2003.[18]X.Wang,T.X.Han,andS.Yan.Anhog-lbphumandetectorwith