结合SVM分类器与HOG特征提取的行人检测
徐 渊1,许晓亮1,李才年1,姜 梅1,张建国2
【摘 要】针对基于方向梯度直方图(HOG)的行人检测方案存在运算量大、实时性差的问题,设计一个内嵌支持向量机(SVM)分类器的HOG特征提取归一化模块,并将其应用于行人检测。提出两级流水线架构,第1级采用16×16像素块扫描,并结合查找表的方式生成HOG,以减少乘法器资源消耗量,第2级将15路并行SVM内嵌到HOG归一化模块中,通过提前启动SVM降低15路SVM乘累加器的位宽。利用面向硬件实现的自动消除检测重复性算法,进一步提高检测准确性。实验结果表明,该方案能够以100 MHz时钟频率运行在Spartan6 FPGA芯片上,每秒可处理47帧SVGA(800×600)分辨率的图像,具有较高的行人检测实时性和准确率。 【期刊名称】计算机工程 【年(卷),期】2016(042)001 【总页数】6
【关键词】现场可编程门阵列;流水线;查找表;方向梯度直方图;支持向量机
1 概述
基于计算机视觉的行人检测在智能监控、机器人自动导航、车辆辅助驾驶系统中具有重要应用价值,是当前最热门的研究课题之一[1-2]。文献[3]提出方向梯度直方图(Histogram of Oriented Gradient,HOG)与线性支持向量机(Support Vector Machine,SVM)分类器相结合的方法。该方法具有较高的正确率和鲁棒性,当误检率为104时检测准确率高达89%[4-5],但是该方法计算量大、检测速度慢,很难满足实时性的要求。
近年来,使用HOG特征实现行人检测系统成为研究热点。这类系统有些在通用图形处理器(General-purpose Graphics Processing Unit,GPGPU)上实现[6],一些在FPGA+GPU异构计算平台上实现[7-8],上述系统考虑了性能与设计复杂性的折中,增加了设备成本,但性能并不太理想。另外一些在FPGA平台上实现,如：文献[9]给出HOG的一种变体特性集和有效积分处理方法。文献[10]专注于HOG特征值的提取,但没有提出分类器的实现方法。文献[11]采用基于窗口的扫描架构生成HOG特征值并完成窗口分类。文献[12]在HOG特征提取的基础上进行分类。文献[13-14]采用基于单元的扫描架构。在FPGA上实现的方案存在以下问题：(1)采用多路流水线计算方向梯度直方图,需要进行预处理并缓存中间结果,这样会消耗较多FPGA资源;(2)将HOG特征生成模块与SVM分类器分开设计,存在处理效率不高、SVM的乘法器位宽大等问题;(3)HOG特征分类会造成同一行人被其周围的多个窗口同时检测到,即存在检测重复性。
本文结合HOG特征提取和SVM分类器,提出改进的行人检测方案。该方案由两级流水线组成,在生成HOG直方图的过程中,结合查找表的方式,从而减少乘法器的资源消耗量。而将15路并行SVM分类器内嵌到HOG直方图归一化模块中,可以提前启动SVM并降低15路SVM乘累加器的位宽。同时,给出面向硬件实现的自动消除检测重复性算法,以提高检测准确性。
2 基于HOG算法的行人检测
2.1 HOG算法
基于HOG算法的行人检测是利用一个64×128像素的窗口(window)在一帧图像上以光栅扫描的形式进行扫描,水平方向和垂直方向上的扫描步长均为8像素。用8×8像素的单元(cell)对窗口进行划分,形成了8×16=128个单元。把上下左
右4个相邻的单元视为一个像素块(block),一个窗口包含15×7=105个像素块,如图1所示。
HOG算法可分为以下步骤：
(1)由式(1)、式(2)计算出每个像素在x,y方向的梯度分量,再由式(3)、式(4)计算出每个像素的梯度向量长度和角度。 Gx(x,y)=pixel(x+1,y)-pixel(x-1,y) (1)
Gy(x,y)=pixel(x,y+1)-pixel(x,y-1) (2) (3)
θ(x,y)=arctan(Gy(x,y)/Gx(x,y)) (4)
其中,pixel(x+1,y),pixel(x-1,y),pixel(x,y+1),pixel(x,y-1)表示4个像素点的位置;Gx(x,y)和Gy(x,y)分别表示2个像素点在水平和垂直方向上的距离;S(x,y)和θ(x,y)表示梯度向量长度和梯度向量角度。
(2)根据式(5)将16×16像素块中每个像素点的梯度向量长度与高斯矩阵做点乘,暗化像素块的边缘。 (5)
其中,S16×16表示16×16像素块的梯度向量长度;F16×16表示高斯矩阵;而w16×16表示点乘的结果。
(3)根据像素点相对所在像素块的坐标(x,y)和像素点的梯度向量角度θ,用式(6)对每个像素块做三维线性插值并仲裁累加形成36维向量直方图[2]。
结合SVM分类器与HOG特征提取的行人检测
