行人探測特征選擇和提取

行人探測特征選擇和提取李林201022610003摘要目標探測計算機視覺中一項重要切有挑戰(zhàn)性的課題。該文借鑒了簡化了的APCF特征值[3]，簡化了的稱為JRoG特征（JointRankingofGranules），這些特征值是由圖像中每一塊相比較的一系列離散的二值結果組成。本文采用了模擬退火（SA）和漸進式特征選擇模型（incrementalfeatureselectionmodule）協(xié)作學習算法，這兩個互補的協(xié)作算法能有效從大量的JRoG特征值中選出有代表性的特征值（這些特征值將用在目標探測上）。AbstractObjectdetectionremainsanimportantbutchallengingtaskincomputervision.Wepresentamethodthatcombineshighaccuracywithhighef?ciency.Weadoptsimpli?edformsofAPCFfeatures[3],whichwetermJointRankingofGranules(JRoG)features;thefeaturesconsistsofdiscretevaluesbyunitingbinaryrankingresultsofpairwisegranulesintheimage.WeproposeanovelcollaborativelearningmethodforJRoGfeatures,whichconsistsofaSimulatedAnnealing(SA)moduleandanincrementalfeatureselectionmodule.Thetwocomplementarymodulescollaboratetoef?cientlysearchtheformidablylargeJRoGfeaturespacefordiscriminativefeatures,whicharefedintoaboostedcascadeforobjectdetection.引言目標探測是計算機視覺中一個基礎性的任務。雖然這些年來取得一定的進步，但目標探測在實時性應用當中仍有一定的挑戰(zhàn)。這篇文章是關于行人檢測中的特征值的選擇和提取的?，F(xiàn)實生活中，由于人群的擁擠和行人之間的相互阻擋，這些對探測都是不小的困難，所以在探測的初始環(huán)節(jié)，就應該慎重選取提取特征的方法。關于行人檢測方面的研究文獻有很多。基于學習的方法占大多數(shù)，而這個方法中最重要的是特征值和學習算法的選取。特征有全局的和局部的。全局的特征，像邊緣模版（edgetemplates）[6]和形狀模型（shapemodels）[5]有很好的識別能力但由于阻擋和非剛性因數(shù)對物體呃形狀變化很敏感的。局部的特征，小波描述符（waveletdescriptors）[12，11]，尺度不變特征變換特征（SIFT）[10]和方向梯度直方圖（HistogramofOrientedGradient，HOG）[2]具有更好的應用性但是這些特征值需要經(jīng)過精心挑選和重新組合。也有文獻采用多種特征組合，像Wu和Nevatia的非均勻局部特征（HeterogeneousLocalFeatures）[21]，Schwartz等人的edge-basedfeaturesaugmentedbytextureandcolor以及Wang等人[9]HOG聯(lián)合局部二進制模式（LocalBinaryPattern，LBP）通過一種自頂向底的概率分割(aprobabilistictop-downsegmentation).另一方面，這些成功的方法都是建立在Viola和Jones人臉探測[16]的方法之上。從這方面發(fā)展起來的有Haar特征[17]，邊緣集（edgelet）特征[19]和協(xié)方差矩陣表述（covariancematrixdescriptors）[15]。分類器也超過了原來的級聯(lián)分類器比如[20]樹狀結構。本文提出了一種新的方法，雖然的遵從原先的思想但是使用了不同的特征，也就需要不一樣的學習算法了。在最近的文獻中，Duan等人[3]引進一種叫聯(lián)合塊比較特征值提取法（AssociatedPairingComparisonFeatures，APCF），這個方法是建立在已經(jīng)被人臉檢測驗證了的早期顆粒特征值（granulefeature）上面[7]。APCF特征是比較搜索窗口中某個小區(qū)域（granule）的顏色或梯度的大小得到的。然而APCF特征是由一系列沒有任何約束的顆粒比較而得，因此這個空間很大，不利于一般的AdaBoost學習，所以Duan等人使用啟發(fā)式學習算法進行特征選擇。本文的工作建立在APCF的基礎上，但采用了一種特殊的APCF，我們稱呼為JRoG（JointRankingofGranules），這是將閾值設為0。?；贒uan等人的啟發(fā)式算法，本文提出了模擬圖1.3-bitJRoG特征。彩色圖片轉成灰度圖片，選取其中的3對小塊。1表示實心的那一塊灰度值高于空心的那一塊，0則相反。最后這3個二進制數(shù)輸出作為JRoG的特征。退火（SA）和漸進式特征選擇相結合的特征選擇算法。這篇文章其余部分安排如下：第2部分概述本文的方法；第3部分引進JRoG特征；第4部分詳細論述了用在JRoG上面的協(xié)作學習算法。概方法述這篇文章中的JRoG特征就是將APCF特征中的梯度特征剔除并且將每個塊比較的閾值設為0。圖1所示，JRoG特征是在很多灰度級的顆粒中通過一些顆粒進行比較所得到的二值的聯(lián)合[7]。這樣選取的特征空間很大，不利于分類器的訓練，并且也會使計算時間加大。來自APCF特征啟發(fā)式算法[3]的的靈感，本文提出一種協(xié)作學習算法來減輕這樣的困難，這算法就是SA和漸進式特征選擇相結合。SA是一種概率方法，漸進式特征選擇是則能過濾出那些無效的特征。最后能選出一組最優(yōu)的特征值。這協(xié)作算法能找出有效的且辨識能力強的JRoG特征進行Schapire和Singer[13]提出弱分類器的訓練.JRoG特征JRoG特征就是一些帶有標簽的離散的數(shù)字，他們的元素是來自灰度圖片的顆?？臻g。G表示顆粒空間[7]（granularspace），這就是原始圖片X多層次的擴展。某像素點x（u,v），x∈X。則某一顆粒（granule）可以表示為：4.2.SA模塊圖4所示是本文的SA算法，用于尋找辨識性好的JRoG特征。在實際應用中，我們將θ1=1和θ2=8，G是由顆粒g周圍不超過8的顆粒組成。出于簡化和有效性，設N=1000×dim(g0)和r=0.01-N,SA的初始穩(wěn)定是0.01×T0.初試溫度的選擇對SA進程至關重要。如果初始溫度過高，搜索就變的隨意性很大并且很難收斂的，如果初始溫度過低，在一開始搜索時就陷入了局部最小化狀態(tài)了。在AdaBoost算法中，每個弱分類器是由各自的訓練樣本學習得到的，所以很難找個適用于全部的每個周期的開始溫度圖4用做搜索JRoG特征的模擬退火代碼4.3.JRoG特征的協(xié)作學習如圖5所示，對一個k-bitJRoG特征進行k次迭代學習。在每次迭代中，通過增加一對顆粒到當前特征g中（生長），將這個生長后的特征作為SA的初始值，然后尋找更新之后特征的鄰居。漸進式特征選擇模塊應用在特征的生長和鄰居的選擇上面的。在我們的實驗中，定義候選顆粒對集合C=｛g:dim(g)=2,d(g0,g1)≤4｝,因此任何候選的特征之間都是相互緊湊的。一般來說，在SA進程中增加/減少初始溫度T0會升高/降低跳轉/保持率η。這種關系提供一種思路，就是將η反饋回去給T0.理想的跳轉/保持率η。DangJRoG特征開始學習時，對應的η也就被確定了，定義一個反饋函數(shù)這能調整下一輪的初始溫度，使得跳轉/保持率接近目標值，這更加容易控制理想的跳轉/保持率。圖5k-bitJRoG特征的協(xié)作學習代碼總的來說，一方面，SA能夠脫離陷入局部最小化但在有限的時間里難以收斂；另一方面，漸進式特征選擇模型能夠減少找到最優(yōu)特征的時間。這兩個相互協(xié)作學習算法能夠減少以上的這些困難。參考文獻[1]http://www.elec.qmul.ac.uk/staf?nfo/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-rithmsusingcon?dence-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-si?cationonriemannianmanifolds.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