基于HOG特征和改进IKSVM的车辆检测算法

黄 飞

(宿州学院 机械与电子工程学院，安徽 宿州 234000)



基于HOG特征和改进IKSVM的车辆检测算法

黄 飞

(宿州学院 机械与电子工程学院，安徽 宿州 234000)

为了准确地对视频图像中的车辆目标进行检测，提出一种基于方向梯度直方图(HOG)特征和交叉核函数支持向量机(IKSVM)的车辆检测算法,并通过对交叉核函数计算方法的改进，提高了算法的检测效率．以m个n维支持向量构成的IKSVM为例，改进后其检测的时间复杂度由o(nm)降为o(nlogm)．实验证明，改进IKSVM算法对图像中的车辆目标进行了较准确的分类检测，且在检测速度方面较传统的SVM车辆检测算法有明显的提高．

车辆检测;HOG特征;交叉核;SVM分类器

智能化视频监控的目的是将图像与事件建立一种映射关系，借助计算机强大的数据处理能力对监控视频的内容进行描述、分析和判断[1]，使其具有与人类相似的对图像内容的理解能力．其中，车辆目标的自动检测是实现智能化视频监控至关重要的一个环节．

目前，基于计算机视觉的车辆检测算法主要有光流法、模板匹配法和基于特征的方法．光流法对于图像中的光线变化较为敏感，然而计算量过大无法满足实时性要求；而模板匹配法的检测准确度则十分依赖所选取的车辆模板，受车型、角度和距离的影响较大．相较于上述两种算法，目标特征结合机器学习的车辆检测算法性能更为优良，正逐渐成为国内外的研究热点[2]，并取得了一系列的研究成果．如Chang[3]结合Haar特征和Adaboost分类器从侧面检测车辆的前后轮，并后续提出了采用级联Adaboost分类器检测车辆[4]，以提高分类器的检测性能．Adaboost分类器实时性较好，但训练时间长，且随着训练样本的增多，训练时间成倍增加．Wang[5]利用boosted HOG特征和线性SVM实现行人检测.在此算法应用于行人检测已较为成熟的基础上，Sivaraman[6]提出一种HOG特征结合SVM分类器检测车辆的方法，但SVM分类检测算法为了保证目标检测的准确度，往往采用高达数千维的支持向量，计算量十分庞大，同时也无法满足大多数系统实时性的要求．

针对上述问题，提出一种HOG特征结合改进的IKSVM的车辆检测算法，在不降低HOG特征维数的前提下，通过提高IKSVM的分类效率来加快车辆的检测速度．

1 HOG特征提取方法

方向梯度直方图(Histogram of Oriented Gradients，HOG)是由Dalal提出的一种用于行人检测的算法，其核心思想是待检测目标的外观形状可以由目标区域的梯度幅值和梯度方向的分布统计来描述[7]．一般场景下的车辆目标在车标、车灯、车牌和保险杠存在的区域包含了丰富的梯度信息，而车身和背景区域灰度变化相对较小，因而使用HOG特征检测车辆目标较为合理．由于HOG特征对尺度、方向、光照的良好适应性，已成为常用的车辆检测算法．

车辆图像的HOG特征示例如图1所示，输入车辆图像如图1a所示，该图像的可视化HOG特征如图1b 所示．

HOG特征的计算过程如下：

(1)灰度化输入图像并使用Gamma方法对灰度图进行校正和归一化处理．

(2)遍历图像计算像素点(x,y)的梯度幅值和方向．

图1 车辆样本和HOG特征可视化图

(4)在图像中划分若干个2*2细胞单元大小的块block，串联block内4个cell的36维特征向量并对梯度幅值做归一化处理，即得到36维块向量．归一化后的块向量能有效地减弱图像局部变化的影响．

(5)联合所有的块向量即可得到该输入图像的HOG特征．

2 车辆分类检测算法

基于HOG特征的IKSVM车辆分类检测算法通过分析和比较待检测样本的HOG特征向量和支持向量之间的相似度来确定目标的类别，其计算复杂度是衡量分类算法的重要指标．借鉴Maji提出的一种改进的基于交叉核支持向量机(IKSVM)的HOG特征直方图比较方法，将直方图的比较转化为直方图坐标功能的线性组合，大大降低了计算复杂度[8-9]．

直方图交叉核常用于比较直方图ha和hb之间的相似性，由于它的正定性，也可用作SVM分类算法的核函数．近年，交叉核SVM在检测和识别方面应用比较成功，如金字塔匹配算法和空间金字塔匹配算法，但是同运算简单的线性核SVM相比，IKSVM运算代价较大．以m个支持向量构成的IKSVM分类器处理n维特征向量为例，其分类算法的时间复杂度和空间复杂度皆为o(nm)．引入的改进方法将IKSVM分类器识别算法的时间复杂度缩短至o(nlogm)．

SVM分类检测算法的性能取决于选取的核函数，线性核函数训练和识别速度快，内存空间要求低；非线性核分类性能更加出色，但计算时间和空间复杂度高，无法满足实时性要求．针对这一问题，采用改进的IKSVM算法，在不降低支持向量维数、保证分类检测准确度的前提下，有效地提高了IKSVM算法的分类速度．提高分类器识别速度的改进的IKSVM算法具体如下．

假设特征向量x,z∈Rn，交叉核函数的表达式为：

(1)

分类器的分类决策函数为：

(2)

(3)

(4)

重新构造分类决策函数h(x)，将其作为一组函数hi的和，hi负责计算n维向量中的一维向量：

(5)

式中,hi(s)的计算量是o(m)；h(x)的计算量仍是o(nm)．

(6)

式(7)表明hi为分段线性函数，且为连续函数，因为：

(7)

3 实验及结果分析

为了验证文中算法的有效性，利用LIBSVM和VS2010搭建算法实验平台，并使用车载摄像头拍摄的车辆图像和道路视频作为实验对象．

3.1 实验步骤

训练分类器阶段.选取不同车型、不同角度及不同光照条件下的车辆后视图作为正样本，负样本为不包含车辆特征的任意图像．正负样本统一调整为64*128像素大小，然后计算每个样本的HOG特征向量并送入基于交叉核函数的SVM分类模型中进行训练，从中挑选一部分适合描述车辆外观形状的HOG特征，即构成SVM分类器的支持向量．SVM分类的实质就是评估输入向量和存储在SVM中支持向量之间的差异度，从而判断目标物体的类别．为了提高SVM的分类性能，往往在迭代的训练过程中不断地更新正负样本集合，寻找在测试过程中易被SVM错误分类的样本，如漏检的车辆、被误检为车辆的图像(绿化带、广告牌)，加入到相应的样本集合并提高权重．一组用于训练SVM的图像如图2所示.其中，正样本车辆图像如图2a所示，负样本非车辆图像如图2b所示．

图2 SVM分类器训练样本图像

车辆检测阶段.对输入的测试图像，利用多尺度滑动窗口分别计算不同尺度下检测窗口的HOG特征并送入SVM分类器中进行检测[10]．若检测窗口的HOG特征符合车辆目标，则合并同一目标的多个不同尺度检测窗口，锁定车辆的具体位置．车辆检测结果如图3所示.由图3可知，文中算法在目标车辆距离摄像头较远或者较近、光照不足以及目标车辆存在部分遮挡情况下仍然保持了较好的检测性能，由此验证了算法较好的鲁棒性．

图3 车辆检测效果图

3.2 结果分析

基于核函数SVM的分类性能取决于选取的核函数.线性核函数计算量小、检测速度快，但分类性能不够理想；径向基核函数(RBF)检测准确性高，但运算复杂无法满足实时性的要求．提出的改进交叉核函数在不降低分类准确度的前提下，提升了分类速度，具有良好的鲁棒性和实时性．下面为验证算法的可行性，将改进的交叉核SVM、线性核SVM和RBF核SVM分别对同一段交通视频(上海外环高速路段)做车辆检测统计．三种算法的检测准确率对比如图4所示.由图4可知，在检测准确率方面，改进IKSVM算法95.62%的准确率和RBF核SVM算法95.51%的准确率基本相当，都远远超出线性核SVM．三种算法在检测速度上的比较如图5所示.由图5可知，线性核17.57 ms/frame的速度最为优秀，改进IKSVM的表现尚可，为25.29 ms/frame，能够满足大多数视频系统的实时性要求，RBF核速度最慢．

图4 三种算法的检测准确率对比 图5 三种算法的检测速度对比

4 结论

提出一种基于方向梯度直方图(HOG)特征和交叉核支持向量机(IKSVM)的车辆检测算法，利用HOG特征来描述车辆目标和训练IKSVM分类器，并将基于交叉核的直方图比较方法改进为直方图坐标功能的线性组合，大大提高了IKSVM的分类效率．实验结果表明，该方法具有较好的鲁棒性和识别性能，且相较于传统的HOG+IKSVM方法，检测速度有了很大提高．

[1] 闻帆,屈桢深,闫纪红.基于CKPCA-HOG和支持向量机的运动目标分类算法[J].哈尔滨工程大学学报，2011,32(5):643-649.

[2] 郭烈,高龙,赵宗艳.基于车载视觉的行人检测与跟踪方法[J].西南交通大学学报，2012,4(1):125-131.

[3] W C Chang,C W Cho.Real-time Side Vehicle Tracking Using Parts-based Boosting[C]//IEEE International Conference on System,Man and Cybernetic,Singapore：Institute of Electrical and Electronics Engineers,2008:3 370-3 375.

[4] W C Chang,C W Cho.Online Boosting for Vehicle Detection[J].Institute of Electrical and Electronics Engineers,2010,40(3)：892-902.

[5] Z R Wang，Y L Jia，H Huang，et al．Pedestrian Detection Using Boosted HOG Features[C]//Proceedings of the 11th International Conference on Intelligent Transportation Systems,Beijing：Institute of Electrical and Electronics Engineers,2008:1 155-1 160．

[6] S Sivaraman,M Trived.Active Learning Foe On-road Vehicle Detection:A Comparative Study[J].Machine Vision and Applications,2014,25(3):599-611.

[7] N Dalal,B Triggs.Histograms of Oriented Gradients for Human Detection[C]//Proc. of International Conference on Computer Vision & Pattern Recognition.Montbonnot,France：Institute of Electrical and Electronics Engineers,2005:886-893.

[8] S Maji,A Berg,J Malik.Efficient Classification for Additive Kernel SVMs[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2013,35(1):66-77.

[9] S Maji,A Berg,J Malik.Classification Using Intersection Kernel Support Vector Machines Is Efficient[C]//Proceeding of the IEEE Conference on Computer Vision and Pattern Recognition,Anchorage,AK：Institute of Electrical and Electronics Engineers,2008:1-8.

[10] X J Zhao,Z Y Liu,K Q Fan.SVM Based Method For Vehicle Automatic-classification[J].Journal of Highway and Transportation Research and Development,2003,20(5):108-110．

A Vehicle Detection Algorithm Based on HOG Features and Improved IKSVM

HUANG Fei

(School of Mechanical and Electronic Engineering,Suzhou University,Suzhou,234000,China)

For the purpose of detecting vehicles in the video images, a vehicle detection algorithm based on histogram of oriented gradients (HOG) features and intersection kernel support vector machine(IKSVM) is proposed and an efficient detection using IKSVM is introduced through improving the calculation methods of intersection kernel.Given feature vectors of dimensionnand learned support vector classifier consisting ofmsupport vectors,the time complexity of improved histogram IKSVM is reduced too(nlogm). The experimental results demonstrate that the proposed algorithm is able to detect vehicle well and faster than traditional SVM algorithms for vehicle detecting.

vehicle detection；HOG features；intersection kernel；SVM classifier

1672-2477(2016)05-0028-05

宿州学院科研平台基金资助项目(2014YKF37；2014YKF11)

黄 飞(1986-)，男，安徽宿州人，助教，硕士．

TP391.4

A