张辉

摘 要： 针对实际场景中的车辆检测，提供了一种快速有效的检测方法。首先对检测图像进行拉普拉斯锐化增强图像的边缘，其次进行方向梯度直方图（HOG）特征提取，然后用Gentleboost算法训练的分类器来对目标车辆进行分类。实验结果及正确—召回曲线（Precision- Recall）表明，该方法能在在道路、地下停车场等不同光照环境下进行车辆检测，检测精度较高且算法检测收敛速度较快。

关键词： 车辆检测； HOG特征提取； GentleBoost算法； 正确—召回曲线（Precision- Recall）

中图分类号：TP391.9 文献标志码：A 文章编号：1006-8228（2018）06-81-04

A vehicle detection method with HOG-GentleBoost algorithm

Zhang Hui

（Zhejiang Police College， Hangzhou， Zhejiang 310053， China）

Abstract： This paper provides a fast and effective detection method for vehicle detection in the actual scene. Firstly， filtering the detected image with Laplace sharpening to enhancing the image edge， and then implement Histogram of Oriented Gradient （HOG） for feature extraction， and use Gentleboost algorithm train the classifier which is used to classify the vehicle. The result of the experiment and Precision-Recall curve show that the method can detect vehicles on road and in underground parking which are under different lighting conditions， the detection accuracy is high and the algorithm's convergence speed is fast as well.

Key words： vehicle detection； HOG feature extraction； GentleBoost； Precision- Recall

0 引言

現代城市交通快速发展，道路及停车场上的汽车数量大幅增长。随着计算机技术的进步，车辆的智能检测识别成为交通安全领域的一大研究热点[1]。目前实际应用中对车辆检测的方法主要是在路口铺设感应线圈的方式检测，视频图像车辆检测技术应用尚处于起步阶段。视频车辆检测由监控视频序列中提取出关键帧，通过图像处理与模式识别的方法，检测帧图像内的车辆，而这一方法可归结为单幅静态图像的车辆检测。对于图像内的车辆检测，目前主要利用车辆的形状特征进行检测。如利用方向梯度直方图（HOG）和局部二进制模式进行车辆检测[2]，采用AdaBoost方法对图像中车辆目标进行检测也取得较好效果[3]。

Boosting算法[4]是一种通用的学习算法，可以提高任一给定弱分类算法的分类性能，达到强分类器的效果，对图像中人物、车辆等目标具有很好的分类效果。HOG算子[5]以图像中局部区域的方向梯度直方图来构成特征，对行人、车辆等目标物体的形状具有很好的表述效果。本文采用HOG算子对目标车辆进行特征描述，利用改进的Boosting算法即GentleBoost算法对图像中车辆检测。实验结果表明，该方法能对道路、地下停车场等不同光照环境下进行车辆检测，检测精度较高且算法检测收敛速度较快。

1 HOG特征描述

方向梯度直方图（Histogram of Oriented Gradient，HOG）特征是在计算机视觉和图像处理中用以物体检测的特征描述子，核心思想是所检测的局部物体外形能被灰度梯度和边缘方向的分布描述。计算HOG特征过程中，首先对图像进行灰度化和gamma校正，一般γ取1/2；再对图像计算每个像素位置I（x，y）的梯度大小和方向，其中x、y方向上的梯度分量由下式⑴，⑵表示：

⑴

⑵

Gx（x，y），Gy（x，y）表示像素点（x，y）处水平和垂直方向的梯度分量，则该点梯度大小和方向由式⑶，⑷表示：

⑶

⑷

得到梯度后，将图像划分为一定尺度的窗口，在每个窗口中划分等大的细胞单元（Cell），对每个Cell的梯度投影到一定方向上进行直方图统计，形成每个Cell的方向梯度直方图，并归一化合并成每个窗口的方向梯度直方图向量（HOG），称为HOG特征描述子，窗口沿着图像矩阵的坐标轴平移得到整个图像的HOG特征秒速子，作为检测分类的依据。假设64×128大小的目标图像，每8×8个像素组成Cell，2×2个Cell组成一个窗口，则图像的HOG描述子为3780维向量。

2 GentleBoost算法

GentleBoost算法是Boosting算法的改进版本，在人物检测中已经有了较多应用[6]。

假设X∈Rn为样本集，Rn为样本空间，Y为车辆是非类别标识，对于物体检测而言是一个二值分类问题，Y={1，-1}。对于N个样本序列{（x1，y1），…，（xN，yN）}，其中xi∈Rn， yi∈Y={1，-1}，为N个已标注的样本。利用GentleBoost算法分类步骤如下。

⑴ 首先，初始化权值w=1，从而简化计算。

⑵ 确定迭代次数T：t=1，2，3，…，T。

⑶ 构建弱分类器，定义弱分类函数fm（x）=（a+b）[xk?θ]+b[xk<θ]，即线性回归末端，如图1所示。

其中，函数xk表示滤波器绝对响应，对于正确分类的响应[xk?θ]和错误分类响应[xk<θ]赋以权值a，b，同时加大正确分类的权重值，保证分类器的分类效果略优于50%分类正确率。

⑷ 迭代计算强化弱分类器性能。选择fm以最小化[F+fm]的值，即误差函数，GentleBoost通过最小化误差函数的泰勒估计，其中为加权预测误差（error）。由图2，横坐标yF（x），表示分类得分，错误分类为负值而正确分类为正值，损失函数有单调性。平方误差曲线当yF（x）大于1时变为递增，此为对分类过于正确的惩罚机制。每次迭代只需解决平方误差曲线最小值问题。

⑸ 更新分类器权值，未对权值标准化处理，扩大权值更新的范围，以提高对复杂环境车辆检测的正确率，通过多次迭代收敛至强分类器。

3 基于GentleBoost的车辆检测

本文利用LabelMe数据库对车辆检测的实际情况进行模拟，LabelMe为计算机视觉领域检测复杂环境中的不同物体提供大量具有挑战性的图片数据。数据集中的图片中，地面实况被注释以利用公用，这些注释包括图像中物体的类别、形状和位置信息。因此，这个数据库可用于测试分类算法的性能以及用于有监督学习的训练库[7]。本文从此数据库中选取1000幅图像作为训练图像，选取2000幅图像作为测试图像集。

部分图像如图3所示。算法步骤如下。

首先将数据库中的图片归一化至同样大小，进行拉普拉斯锐化增强图像的边缘，提高HOG算子提取的特征强度，锐化结果如图4所示。

然后对增强后的图像进行HOG算子检测特征，具体方法如第一部分所述。这里取16×16大小的窗口进行检测，每个窗口由4×4个Cell组成，特征检测可视化结果如图5所示。

构建合理的分类器称为训练分类过程，对GentleBoost算法而言，核心思想是通过对权值的迭代计算、更新，达到优化分类器性能、达到强分类效果的目的。算法通过优化弱分类器如线性回归末端得到改进效果的强分类器。最小化预测误差的值来确定每次迭代计算的fm，这一过程可转化为最小化预测误差函数的泰勒估计，其中为权值w，xt为为训练样本，yt为期望输出即标签值，为预测输出，寻找预测误差J（F）最小的特征值并赋以较大权值，从而确定参数a， b的值，进而得到，从而权值得到更新，迭代计算，。重复上述计算T次，得到一组弱分类器输出强分类器，进而有。

对于1000份图像训练集，将图像进行边缘增强和HOG特征检测后，将得到的HOG特征向量输入初始化的弱分类器进行训练，其输出值yt是已注释的。依次按上上述步骤进行强分类器训练。将测试图像输入强分类器进行分类测试，对于输出yt即分类得分大于0的进行汉宁（hamming）低通滤波，可得到分类得分最大的像素位置（x，y），并依据此位置在原图像中欧式距离最近的边缘画出分割线，得到如图6所示的部分检测输出结果。

从图6（a）-（e）可见，检测方法对室内外等光照不均条件下的检测结果较好，对较小的遮挡问题也有较好的适应性，这也跟HOG特征检测算子对光照不敏感的特点相关。从图6（f）可见，检测错误的原因主要是车辆距离较远，边缘特征不明显所致。检测结果以正确—召回曲线（Precision-Recall）进行分析，如图7所示。其中正确率表示正确检测的比例，召回率指检测结果数占实际结果总数的比例，这一曲线能全面反映检测器对全部检测目标的响应能力和检测正确率，正确率和召回率越高表明检测性能越好，图7中红色曲线和蓝色曲线分别表示GentleBoost迭代次数为6次及30次，迭代次数增加对检测器性能有积极影响。

4 小结

在目前交通车辆检测对智能化需求的背景下，本文采用HOG算子对目标车辆进行特征描述，对不同光照环境下的车辆检测具有较好的适应性能，为提高HOG特征检测的性能，采用拉普拉斯锐化对图像进行预处理，有效增强了HOG特征强度；利用改进的Boosting算法即GentleBoost算法对图像中车辆检测，训练一系列弱分类器的组合得到强分类器，并对测试图像进行分类，输出值最大的即为需要检测的车辆目标，方法操作较简单，检测性能较好。实验结果表明，该方法能对道路、地下停车场等不同光照环境下进行车辆检测，检测精度较高且算法检测收敛速度较快。 对实际场景中遮挡较多的車辆，算法存在不同程度的漏检率。下一步应考虑引入车辆先验信息，如形状对称性等特征作进一步研究，以解决这一问题。

参考文献（References）：

[1] Sun Zehang， Bebis G， Miller R. On-road Vehicle

Detection： A Review[J]. Pattern Analysis and Machine Intelligence，2006.28（5）：694-711

[2] 杨先风，杨燕.一种基于HOG-LBP的高效车辆检测方法[J].

计算机工程，2014.40（9）：210-214

[3] 张朝晖，刘永霞，雷倩.基于SC-AdaBoost的图像目标检测[J].

计算机科学，2015.42（7）：309-312

[4] Schapire R E. The strength of weak learnability[J].Machine

Learning，1990.5（2）：197-227

[5] Zhu Q， Avidan S， Yeh M C， et. Fast human detection using

a cascade of histograms of oriented gradients[C].IEEE Computer Society Conference on Computer Vision and Pattern Recognition，2006.2：1491-1498

[6] Lior W， Ian M. Robust boosting for learning from few

examples[C].IEEE Conf on Computer Vision and Pattern Recognition （CVPR），2005： 359-364

[7] Russell B C， Torralba A. LabelMe： a database and

Web-based tool for image annotation[DB/OL]. http：//labelme.csail.mit.edu/Release3.0/，2012.12.