CN106778603A - 一种基于梯度式级联svm分类器的行人识别方法 - Google Patents

Abstract

本发明公开了一种基于梯度式级联SVM分类器的行人识别方法，该方法用风险敏感的分类器和投票机制进行行人识别，在一定程度上提高了检测精度，而且，梯度式级联架构采用的是由粗粒度到细粒度的流水线型判断，能够将易判断的负样本在前几个级检测完毕，大大加快检测阶段的分类速度，提高了运算效率与总体处理速度。本发明可以更好的适应人流量较小、非行人目标大量存在场景下的行人识别。

Description

一种基于梯度式级联SVM分类器的行人识别方法

技术领域

本发明属于视频监控技术领域，涉及一种智能视频监控方法，具体涉及一种基于梯度式级联SVM分类器的行人识别方法，尤其适合于人流量较少、非行人区域大量存在场景下的行人识别。

背景技术

头肩识别是行人识别方法的一种，通过对视频中行人的头肩特征进行检测判断其是否是行人。该技术以图像处理技术为依托，主要基于行人特征的提取和识别算法进行实现，目的是通过对视频流中的行人信息加以处理实现对经过某个特定区域的行人的识别，是智能视频监控系统的一个重要分支。目前为止行人识别的主流方法是基于统计特征的行人识别方法，该方法首先提取目标的统计特征，然后利用分类器对提取特征进行分类，判断是否是行人。这种方法鲁棒性比较好，不过需要收集大量的正负样本进行分类器训练，训练时间较长，同时，分类器训练的好坏是影响分类结果的一个重要因素。因此，行人特征的提取和分类器的选择是影响检测结果的主要因素。

图像本身存有大量冗余信息，特征提取即利用计算机对图像进行一系列的处理，剔除图像中的冗余信息，获取具体的、客观实在的有用信息。2001年，Viola和Jones在Papageorgiou等人的基础上提出3种类型4种形式的Haar-like特征：边缘特征、线性特征、中心特征和对角线特征，并由这些特征组合成特征模板。特征模板由白黑两种矩形构成，模板的特征值为白色矩形像素和减去黑色矩形像素和。但矩形特征只对一些简单的图形结构较敏感，如边缘、线段，所以只能描述特定走向的结构，更适合表达图像的局部特征。2005年，Dalal等学者提出梯度直方图特征(HOG,Histogram of Gradient),通过提取目标的边缘梯度信息，将各个边缘梯度信息以梯度方向直方图的方式予以反映，并对各个梯度方向的梯度直方图进行综合归纳来获取目标的边缘共性特征。HOG特征维度较高、计算费时，当视频场景中有大量非行人目标存在时,传统HOG特征计算方式会浪费大量的时间进行非行人目标的特征提取，影响了实时性要求。

分类器就是在已有数据的基础上学习得到的一个分类函数或构造出的一个分类模型，利用此分类函数或模型对提取出来的行人特征进行分类，判断检测目标是否是行人的方法，是行人识别的核心。常见的分类器包含决策树、逻辑回归、AdaBoost、朴素贝叶斯、支持向量机(SVM)等，其中AdaBoost级联分类器和SVM分类器最为常用。AdaBoost级联分类器运用AdaBoost算法从庞大的特征集中选择一小部分关键特征，通过设置权重训练弱分类器，再根据弱分类器的权重组合强分类器，该分类器训练时间较长，而且缺乏确定的函数来优化弱分类器的数量。SVM分类器对非线性的小样本和高维数据分类具有独特的优势，不过SVM的训练需要大量的存储空间，当被检测图片中有大量非行人目标存在时会影响SVM分类器的性能。此外，对于线性不可分情况，SVM采用核函数将输入空间映射到特征空间求解，使非线性SVM在预测过程速度缓慢，不利于快速识别。

由于现有的利用HOG特征和SVM分类器进行行人识别的方法都是利用的单一的高维HOG特征和非级联SVM分类器，当视频场景中有大量类似天空的非行人目标存在时SVM的分类性能会受到影响。

发明内容

针对上述问题，本发明提出了一种基于梯度式级联SVM分类器的行人识别方法，适合于人流量较小、非行人目标大量存在场景下的行人检测。

为了实现上述目的，本发明采用以下技术方案：

一种基于梯度式级联SVM分类器的行人识别方法，包括以下步骤：

1)从待识别视频或图像中提取不同维度的HOG特征；

2)将步骤1)提取到的HOG特征按照维度从低到高训练得到对应的梯度式级联SVM分类器；

3)将步骤1)提取到的所有HOG特征作为样本依序输入由不高于设定维度的HOG特征训练出的级联SVM分类器，只要其中一级级联SVM分类器将输入的样本判定为行人，就将此样本依序输入高于设定维度的HOG特征训练出的级联SVM分类器做进一步判定，以实现行人识别。

进一步地，步骤1)包括：将待识别视频或图像分成若干小的block区域，然后将每个block分成若干个更小的cell区域，采集每个cell中各像素点的梯度方向直方图，并这些直方图组合起来构成HOG特征描述器，通过改变cell的大小即可提取不同维度的HOG特征。

进一步地，0<cell<扫描窗口大小(即分类器训练样本大小)。

进一步地，步骤2)中所述梯度式级联SVM分类器采用正样本风险代价敏感SVM分类器，其目标函数如下：

y_i(x_iω_j+b_j)≥1-η_i,

η_i≥0,μ_i≥0i＝1,...,n.j＝1,...,K

其中，ω_j表示参数向量、b_j表示偏移量，二者共同构成某级分类器的分类超平面j表示第j级分类器，C为惩罚因子，μ_i表示将样本x_i错误分类的代价，x_i表示样本特征，η_i表示松弛变量，i表示第i个样本，y_i样本所属的类别，n表示样本的数量，K表示分类器级数。

进一步地，步骤2)中训练梯度式级联SVM分类器的方法如下：

2-1)选定分类器总级数，输入训练样本集训练单级分类器，所述训练样本集的特征维度随分类器级数增加而增加；

2-2)将获得的单级分类器按照特征维度从低到高顺次相连得到最终的梯度式级联SVM分类器。

进一步地，步骤3)中，优选位于所有HOG特征从低到高排列的特征维度的中间位置的维度作为设定维度。

进一步地，步骤3)中，当高于设定维度的HOG特征训练出的所有级联SVM分类器中有一半以上将输入的样本判定为行人并且最高维度的HOG特征训练出的级联SVM分类器也将其判定为行人时，此样本被判定为行人。

本发明的有益效果如下：

(一)由于HOG特征维度较高，高维特征提取费时，而类似天空大地的非行人目标只要低维特征即可区分，所以采用特征维度依次递增的梯度式级联SVM分类器进行样本分类，利用由低维特征训练出的前几级SVM分类器快速过滤掉大量非行人目标，从而降低了整体的特征提取时间，提高了检测速度。

(二)在非行人目标大量存在的场景中将行人目标错分成非行人目标的风险远大于将非行人目标错分成行人目标的风险，所以采用正样本风险代价敏感的SVM分类器，降低正样本的漏检率。此分类器将支持向量的求解表示为一个二次规划问题，利用拉格朗日乘子法和KKT条件进行求解。

(三)采用正样本误判风险最小化机制和投票机制进行样本类别判定。在利用前几级简单级联SVM分类器快速过滤负样本时，按照级别依序通过简单级联SVM分类器进行判定，只要其中某一级简单级联SVM分类器将样本判定为行人目标则保留此样本，并将其依序输入复杂级联SVM分类器进行判定，当所有复杂级联SVM分类器中的一半以上级联SVM分类器将其判定为行人目标并且最后一级最复杂的级联SVM分类器也将其判定为行人目标时，此目标被划分为行人目标。

总之，与采用单一的非级联SVM分类器进行行人识别的方法相比，本方法可以更好的适应人流量较小、非行人目标大量存在场景下的行人识别。该方法用风险敏感的分类器和投票机制进行行人识别，在一定程度上提高了检测精度，而且，梯度式级联架构采用的是由粗粒度到细粒度的流水线型判断，能够将易判断的负样本在前几个级检测完毕，大大加快检测阶段的分类速度，提高了运算效率与总体处理速度。

附图说明

图1本发明中梯度式级联SVM分类器的示意图。

图2本发明基于梯度式级联SVM分类器的行人识别方法流程图。

图3本发明中目标识别算法流程图。

具体实施方式

传统基于HOG特征和SVM分类器进行行人检测的方法检测速度较慢，实时性不强，不适合于人流量较小、非行人目标大量存在场景的问题。本发明针对该问题提出了一种基于梯度式级联SVM分类器的行人识别方法，利用风险敏感的分类器和投票机制，在一定程度上提高了检测精度，利用梯度式级联架构加快检测阶段的分类速度，提高了运算效率与总体处理速度。整体处理流程如图2所示。其中：分类器1是使用低维特征训练出的简单级联分类器，分类器2是使用高低维特征训练出的梯度式由简单到复杂的级联SVM分类器(级数一般取分类器1的2倍)。分类器1用于快速过滤小梯度非行人目标，只有当分类器1中的所有分类器将被检测目标判定为非行人时才将其判定为非行人，否则进入分类器2继续判定；分类器2用于对通过分类器1的被检测目标作进一步判断，采用投票表决的机制，只有当所有分类器2中所有分类器中的一半以上分类器将其判定为行人并且最后一级最复杂的分类器也将其判定为行人时，此目标被划分为行人。

(1)特征提取

本发明采用图像的梯度直方图特征(HOG,Histogram of Gradient)，将图像分成若干小的block区域，然后将每个block分成若干个更小的cell区域，采集每个cell中各像素点的梯度方向直方图，最后把这些直方图组合起来就可以构成HOG特征描述器。由此可见，HOG特征的维度主要由cell的大小决定，本发明通过改变cell的大小提取不同维度的HOG特征，不同维度的HOG特征对应不同级别的SVM分类器，从而构成由简单到复杂的梯度式级联SVM分类器。

(2)分类器构造

部分非行人目标梯度信息较小，只需要较低的梯度维度特征即可将其过滤掉，所以本发明采用逐级增加特征维度的方法构造梯度式级联SVM分类器，分类器结构如图1。HOG特征的维度主要由cell大小决定，通过改变cell的大小提取不同维度的特征，训练对应级别的分类器，从而构成由简单到复杂的梯度式级联SVM分类器。实验表明，cell(0<cell<扫描窗口大小)不宜过大或过小，cell过大无法行人的局部轮廓特征，cell过小会导致特征维度集聚增大，性能下降，提取用时增加。

因此，分类器的维度可根据扫描窗口的大小划分，本实验采用32*32的扫描窗口，即头肩样本图片大小为32*32，cell的大小依次为22*22、16*16、14*14、12*12、8*12、12*8、8*8，最大为22*22，最小为8*8。从而构成一个7级的复杂级联分类器，每级特征维度依次增加，取3或4级即可构成低维简单分类器过滤非行人目标，过滤非行人目标是用的级数越多，准确率越高，时间越长，一般取整体级数的一半即可。

本发明采用正样本风险代价敏感分类器，分类器目标函数如下：

y_i(x_iω_j+b_j)≥1-η_i,

η_i≥0,μ_i≥0i＝1,...,n.j＝1,...,K

其中，ω_j表示参数向量、b_j表示偏移量，二者共同构成某级分类器的分类超平面j表示第j级分类器，C为惩罚因子，μ_i表示将样本x_i错误分类的代价，x_i表示样本特征，η_i表示松弛变量，i表示第i个样本，y_i样本所属的类别，n表示样本的数量，K表示分类器级数。训练算法如下：

1)初始化：选定分类器级数K，每级的迭代次数T，将待识别视频处理成视频样本获得训练样本集N，训练样本集N包括正样本训练集和负样本训练集，其中正样本即行人样本，负样本即各种非行人样本，初始化样本风险代价μ_i为1/N；

2)训练单级分类器，For t＝1,...,T-1：

①输入训练样本集(样本特征维度随分类器级数增加而增加)，解二次优化模型f_j，求得参数向量ω_j和偏移量b_j，从而获取某级分类器超平面[ω_j b_j]^T；

②将正样本训练集输入获取的分类器中，得到正样本的分类向量

y_i∈(1,-1)；

③记录y_i＝-1的数目m，求正样本错分率ξ＝m/N⁺，N⁺表示正样本的数目；如果ξ大于初始设定值，则修改错分正样本的风险代价为(μ_i/Z_t)×e^ξ，让错分的正样本和原负样本继续训练分类器，直到正样本的错分率小于初始设定值，或者达到迭代条件(初始设定值和迭代次数均可依照实际应用的精度要求而定)。

3)返回结果：将最终获得的单级分类器顺次相连就是最终的梯度式级联分类器。

(3)行人识别

在人流量较小、非行人目标大量存在场景下将行人目标错分为非行人目标的风险远大于将非行人目标错分为行人目标的风险，所以在最终的分类阶段本发明采用了正样本风险最小化机制和投票机制来降低正样本的误判率。首先用A1级简单级联分类器快速过滤非行人目标(如图1所示，其中，每级分类器都由不同维度的样本特征训练得到，其中训练分类器1所用的样本特征维度最低，训练分类器n所用的样本特征维度最高，由此构成梯度式级联SVM分类器。)，采用正样本风险最小化机制，只要A1中的某一级将此目标判定为行人目标，就让此目标通过A2级级联分类器进行更加精确的分类判定。其次，当某个目标通过A2级级联分类器进行判定时，采用投票机制，只有当整个A2级级联分类器中的一半以上个分类器将其判定为行人目标并且最后一级最复杂的分类器也将其判定为行人目标时，此样本才被分为行人目标。算法流程如图3所示，该算法具体包括：

1)初始化：分类器的总级数K，用于快速过滤非行人目标的级数M，判定目标为行人目标的分类器的个数count＝0；

2)For level＝0,...,M-1：

if level＝＝M输出此样本为非行人目标；

else if本级分类器将样本分为非行人目标level++；

else跳转到步骤3)；

3)For level＝0,...,K-1：

if level＝＝K跳转到步骤4)；

if本级分类器将样本判定为正样本count++；

level++；

4)if count≥K/2并且最后一级分类器也将此目标判定为行人目标，输出此

目标判定为行人目标；

else输出为非行人目标。

注：M＜K，此处取M＝K/2；level表示当前所处的SVM分类器的级别；K表示此梯度式级联SVM分类器的总级数，此处取N＝7；count用于实现投票机制，当所有一半以上的级联SVM分类器判定样本为正样本时，才能判定样本为正样本。

Claims (8)

1.一种基于梯度式级联SVM分类器的行人识别方法，包括以下步骤：

1)从待识别视频或图像中提取不同维度的HOG特征；

2)将步骤1)提取到的HOG特征按照维度从低到高训练得到对应的梯度式级联SVM分类器；

3)将步骤1)提取到的所有HOG特征作为样本依序输入由不高于设定维度的HOG特征训练出的级联SVM分类器，只要其中一级级联SVM分类器将输入的样本判定为行人，就将此样本输入高于设定维度的级联SVM分类器做进一步判定，以实现行人识别。

2.如权利要求1所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，步骤1)包括：将待识别视频或图像分成若干小的block区域，然后将每个block分成若干个更小的cell区域，采集每个cell中各像素点的梯度方向直方图，并这些直方图组合起来构成HOG特征描述器，通过改变cell的大小即可提取不同维度的HOG特征。

3.如权利要求2所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，0<cell<扫描窗口大小。

4.如权利要求1所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，步骤2)中所述梯度式级联SVM分类器采用正样本风险代价敏感SVM分类器。

5.如权利要求4所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，所述梯度式级联SVM分类器采用正样本风险代价敏感SVM分类器，其目标函数如下：

$f(w,\mathrm{\&eta;})=\underset{j=1}{\overset{K}{\&Sigma;}}{f}_j,$

$\begin{array}{cc}s.t.& f_j=\frac{1}{2}\left|\right|{\mathrm{\&omega;}}_j|{|}^2+C\left(\underset{i=1}{\overset{n}{\&Sigma;}}{\mathrm{\&mu;}}_i{\mathrm{\&eta;}}_i\right)\end{array},$

y_i(x_iω_j+b_j)≥1-η_i,

η_i≥0,μ_i≥0i＝1,...,n.j＝1,...,K

其中，ω_j表示参数向量、b_j表示偏移量，二者共同构成某级分类器的分类超平面j表示第j级分类器，C为惩罚因子，μ_i表示将样本x_i错误分类的代价，x_i表示样本特征，η_i表示松弛变量，i表示第i个样本，y_i样本所属的类别，n表示样本的数量，K表示分类器级数。

6.如权利要求1所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，步骤2)中训练梯度式级联SVM分类器的方法如下：

2-1)选定分类器总级数，输入训练样本集训练单级分类器，所述训练样本集的特征维度随分类器级数增加而增加；

2-2)将获得的单级分类器按照特征维度从低到高顺次相连得到最终的梯度式级联SVM分类器。

7.如权利要求1所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，步骤3)中，选取位于所有HOG特征从低到高排列的特征维度的中间位置的维度作为设定维度。

8.如权利要求1所述的一种基于梯度式级联SVM分类器的行人识别方法，其特征在于，步骤3)中，当高于设定维度的HOG特征训练出的所有级联SVM分类器中有一半以上将输入的样本判定为行人并且最高维度的HOG特征训练出的级联SVM分类器也将其判定为行人时，此样本被判定为行人。