行人识别特征的提取就是利用数学方法和图像处理技术从原始的灰度图像或者彩色图像中提取表征人体信息的特征,它伴随着分类器训练和识别的全过程,直接关系到行人识别系统的性能,因此行人识别特征提取是行人识别的关键技术。 在实际环境中,由于行人自身的姿态不同、服饰各异和背景复杂等因素的影响,使得行人特征提取比较困难,因此选取的行人特征要鲁棒性比较好。目前行人识别特征主要有HOG特征、Har小波特征、 Edgeley特征和颜色特征等。 1.HOG特征HOG特征的主要思想是用局部梯度大小和梯度方向的分布来描述对象的局部外观和外形,而梯度和边缘的确切位置不需要知道。 梯度方向直方图描述符一般有三种不同形式,如图5-17所示,都是基于密集型的网格单元,用图像梯度方向的信息代表局部的形状信息,图5-17(a)为矩形梯度直方图描述符;图5-17(b)为圆形梯度方向直方图描述符;图5-17(c)为单个中心单元的圆形梯度直方图描述符。
2.Haar小波特征Haar小波特征反应图像局部的灰度值变化,是黑色矩形与白色矩形在图像子窗口中对应区域灰度级总和的差值。Haar小波特征计算方便且能充分地描述目标特征,常与 Adaboost级联分类器结合,识别行人目标常用的Haar小波特征主要分为八种线性特征、四种边缘特征、两种圆心环特征和一种特定方向特征,如图5-18所示。
可以看出,Haar小波特征都是由2~4个白色和黑色的矩形框构成。由该特征定义知,每一种特征都是计算黑色填充区域的像素值之和与白色填充区域的像素值之和的差值,这种差值就是Har小波特征的特征值。实验表明,一幅很小的图像就可以提取成千上万的大量的Har小波特征,这样就给算法带来了巨大的计算量,严重降低了检测Haar和分类器的训练的速度,为了解决这些问题,可以在特征提取中引入积分图的概念,并应用到实际的对象检测框架中3.Edgeley特征Edgeley特征描述的是人体的局部轮廓特征,该特征不需要人工标注,从而避免了重复计算相似的模板,降低了计算的复杂度,由于是对局部特征的检测,该算法能较好地处理行人之间的遮挡问题,对复杂环境多个行人相互遮挡检测效果明显优于其他特征。
人体部位的定义如图5-19所示。
每一个 Edgeley特征就是一条由边缘点组成且包含一定形状与位置信息的
小边,主要有直线型、弧型和对称型三种形式的 Edgeley特征,该方法是通过Adaboost算法筛选出一组能力强的 Edgeley特征进行学习训练,便能识别行人的各个部位,如头、肩、躯干和腿,最后分析各个局部特征之间相互的关系来进行整体的行人检测。
4.颜色特征颜色特征提取与颜色空间和颜色直方图有关。颜色空间包括RGB、HSV和HIS等。颜色直方图表示的是整幅图像中不同颜色所占的比例,并不关心每种颜色所处空间位置,即无法描述图像中的对象。在运动目标的检测与跟踪中,颜色直方图有其独特的优点,即物体形变对其影响较小,由于颜色直方图不表示物体的空间位置,仅表示颜色,跟踪目标的颜色不变,形体发生变化不会影响颜色直方图的分布,所以应用颜色直方图作为特征进行行人跟踪,很好地改善了行人动作随意和形变较大的缺点上述4种特征各有优缺点,概括如下①HOG特征是比较经典的行人特征,具有良好的光照不变性和尺度不变性,能较强地描述行人的特征,对环境适应性较强,但它也有其自身的不足,如特征维数较高和计算量大,难以保证实时性。
②Haar小波特征容易理解,计算简单,特别是引入积分图概念后,计算速度提高,实时性高,在稀疏行人且遮挡不严重的环境下检测效果较好,但是它对光照和环境遮挡等因素敏感,适应性差,不适合复杂易变的行人场景。
③ Edgeley特征表征的是人体局部轮廓特征,可以处理一定遮挡情况下的行人检测,但是该算法要去匹配图像中所有相似形状的边缘,这样就需要耗费大量时间进行搜索,不能达到实时要求。
④颜色特征具有较强的鲁棒性,图像中子对象的方向和大小的改变对它影响不大,颜色给人以直观的视觉冲击,是最稳定、最可靠的视觉特征,常应用于行人跟踪领域,但是该特征容易受到背景环境的影响。
