熊 聪，王文武

（武汉科技大学 信息科学与工程学院，湖北 武汉 430081）

行人检测作为目标识别领域的很重要的课题，吸引了很多关注。它在智能车辆、自动导航、运动分析、高级人机接口等方面已经成为核心技术并且有着很广泛的应用前景。行人检测的挑战在于当有多个行人在空间上靠得很近的时候。此时，由于行人靠得很近造成行人存在遮挡，单一的行人行人检测器无法检测到部分被遮挡的行人，从而产生了漏检或误检。

然而，社会学家已经发现到相互靠近的行人在实际中表现出了特殊的空间模型，相互靠近的两个行人在空间上存在一定特征[1-2]。本文基于这点，提出了基于可变形部件模型（DPM）[3]的行人检测算法，利用这些特殊的空间模型训练得到两个行人的检测器用于检测行人，从而取得了良好的效果。

1 算法实现

本文提出基于DPM模型[3]的行人检测主要包括样本训练和行人检测两个部分。其中图像的局部描述子采用HOG特征[4]，训练分类器采用在支持向量机基础上添加潜在值的支持向量机(LatentSVM)[3]。

1.1 样本训练

样本训练的目的是为了得到行人检测阶段所需要的行人检测器，包括单个行人检测器、两个行人检测器和行人部件检测器。其中，检测器的实质是一个特征向量滤波器。在样本训练之前得做一些准备工作，准备训练所需的样本，包括单个行人的正负样本，两个行人的正负样本。其中，样本的大小固定。

样本训练的基本步骤如下：

1)分别在单个行人的正负样本上提取单个行人的HOG特征向量和DPM模型下的特征向量 （如图 1中 （a），（b）所示），然后将两者串联起来构成混合的DPM模型特征向量输入LSVM分类器中训练得到单个行人检测器。

2)分别在两个行人的正负样本上提取左边行人的HOG特征向量和右边行人的HOG特征向量（如图2中（c）所示），然后将两组特征输入SVM分类器[5]中训练得到左边行人部件和右边行人部件的检测器。

3)分别在两个行人的正负样本上提取两个行人一起的HOG特征向量和两个行人一起的DPM模型下的特征向量（如图2中(a),(b)所示），将两者和步骤2）中提取的右边行人部件和左边行人部件的特征向量都一起串联起来构成混合的DPM模型特征向量输入LSVM分类器中训练得到两个行人检测器。

图1 单个行人的HOG特征和DPM特征Fig.1 HOG vector and DPM vector for single human

图2 两行人的HOG特征和DPM特征Fig.2 HOGvector and DPM vector for two people

1.2 行人检测

行人检测是整个算法中关键的一步，由于所有的检测器都是特征向量滤波器，于是可以计算分数为β·Φ(x)，其中β是滤波器，Φ(x)是图像及指定的位置和尺度，是特征向量。计算得到分数越大，表示检测窗口中行人的可能性越大。

行人检测的基本步骤如下：

1）输入待检测图像计算得到HOG特征图。

2）将步骤1）中的得到HOG特征图分别与单个行人检测器、两个行人检测器和行人部件检测器卷积得到单个行人检测分数图、两个行人检测分数图、左边行人分数图和右边行人分数图。

3）将单个行人检测分数图、两个行人检测分数图、左边行人分数图和右边行人分数图并联得到混合分数图[5-6]。

4）将混合分数图与单个行人检测分数对应位置相加得到最终的分数图。

5）根据最终的分数图标记出行人所在的位置。

1.3 实验

实验分为2个部分：第一部分，正负样本的训练。通过正负样本的训练得到单个行人检测器、两个行人检测器和行人部件检测器。第二部分，将第一部分得到的检测器用于行人检测，最终的得到如图3中所示的最终检测结果。相比于单一行人检测结果，本文提出的算法最终检测结果有明显改善。

图3 行人检测结果Fig.3 The result of human detection

2 结论

本文提出的基于DPM模型[3]的行人检测算法以HOG特征[4]作为图像特征描述子，以DPM模型以及混合模型作为基础得到改进的算法。实验表明该算法具有很好检测效果，能很好的解决行人相互靠近的情况下的行人检测。同时，在更复杂的场景下，提高检测效果是下一步的重点。

[1]Hare A.Handbook of small group research[M].Macmillan,1962.

[2]Moussaid M,Perozo N,Garnier S,et al.The walking behaviour of pedestrian social groups and its impact on crowd dynamics[R].PLoSONE,2010,5(4):e10047.

[3]Felzenszwalb P,GrishickR B，McAllister D,et al.Object detection with discriminatively trained partbased models[C]//IEEE Trans.Pattern Anal.Mach.Intell.，2010(32):1627-1645.

[4]Dalal N,Triggs B.Histograms of oriented gradients for human Detection[C]//IEEE Computer Society Conference on Computer Vision and Pattern Recognition,San Diego,CA,2005：886-893.

[5]卢虎，李彦，肖颖.支持向量机理论及其应用[J].空军工程大学学报，2003，4（4）：89-91.LU Hu，LI Yan，XIAO Ying.SVM theory and application[J].Journal of Air Force Engineering University，2003，4（4）：89-91.

[6]车志富.基于支持向量机的行人检测[D].北京：北京交通大学，2010.