0 概述

行人检测^[1]的目的是定位图像中的所有行人。在很多实际应用中, 行人检测的速度与准确率同等重要。虽然深度学习的行人检测方法已经实现了较高的准确率, 但其即便使用高端的GPU, 检测速度仍然很低。而提升决策树(Boosting Decision Tree, BDT)^[2]方法在该领域具有很强的竞争力, 能够在保证检测准确率的同时, 提高检测速度。

Caltech行人数据集^[3]中的行人样本高度范围为7像素~476像素, 并且经常会表现出大范围的尺度变化, 在行人检测过程中会构成类内差异。因此, 如何检测不同尺度的行人已成为行人检测的关键问题。

不同尺度的行人在原始图像中具有不同的像素。如果一个特征在不同尺度上保持不变, 那么这一特征可用于多尺度检测。然而, 许多特征都是尺度多变的, 这意味着在大尺度行人中提取的特征与在小尺度行人中提取的特征不同, 即便是被广泛使用的方向梯度直方图(Histogram of Oriented Gradient, HOG)也存在这一问题^[4]。为了保证尺度不变性, 可构建图像金字塔并计算金字塔每层的特征映射, 然后用训练好的行人模型进行滑动窗口检测。由于行人尺度范围较大, 金字塔需要包含很多层, 因此特征金字塔的构建需要消耗大量时间。

为避免构造特征金字塔, 研究者尝试使用单尺度特征映射实现多尺度行人检测, 并取得了重要进展^[5]。本文在MRFC^[6]的基础上提出一种基于多分辨率滤波通道的行人检测方法。使用尺度感知池进行采样, 并利用差异积分通道(DICs)^[7]丰富特征获得更好的感受域对应性。同时, 使用软决策树在BDT级联中构建弱分类器, 软决策树的2个分支分别用于大尺度和小尺度实例, 以解决尺度多变的问题。

1 相关工作

多尺度检测主要利用尺度的不变性。如果特征尺度不变, 则可以使用单尺度特征映射来执行检测, 再通过调整模型的大小来检测多尺度目标。但是, 并非所有用于行人检测的特征都是尺度不变的, 且密集图像金字塔会导致计算成本较高。FPDW^[8]使用指数比例定律计算稀疏特征金字塔和近似中间特征尺度, 然而, 这种策略通常会导致准确度明显下降。VeryFast^[9]没有使用特征金字塔, 而是根据不同行人的尺度和近似中间分类器尺度, 使用指数比例定律来训练一个稀疏分类器金字塔, 将测试时间转换为训练时间。FASCF^[10]使用特征金字塔和分类器金字塔进行多尺度检测。由于BDT能够处理类内差异并提供良好的结果, 因此一些研究者只使用单尺度特征映射, 训练单个行人模型。

为了实现更精确的感受域对应性, 本文借鉴空间金字塔池(Spatial Pyramid Pooling, SPP)^[11-12]的思想, 在每个分区中进行特征合并, 再对特征映射进行划分, 从而将各种尺寸的特征映射转换成固定长度矢量。因为全连接层需要在具有固定长度的矢量中馈送, 所以其在基于卷积神经网络(Convolutional Neural Network, CNN)^[13]的行人检测中非常有用, 是Fast-RCNN和Faster-RCNN^[14]检测器的关键组成部分。不同于CNN的最大池化方式, 本文使用平均池化来计算积分图。

2 尺度感知池

MRFC是一个基于CPU的解决方案, 其仅使用单一尺度特征图和单个行人模型进行检测。MRFC中使用的基本特征映射是10个LUV + HOG通道。对原始图像计算10个通道后, 再对10个通道连续应用3×3方框进行6次滤波, 得到70个通道。该过程利用6个具有不同标准偏差σ的卷积核对原始的10个通道进行处理, 然后将2个边缘滤波器(垂直和水平)应用于每个通道中, 总共产生210个通道。

为了检测多尺度行人, 在计算的通道上滑动不同尺度的行人模型, 通过网格化方式在通道中进行采样以提取分类特征。网格空间适应于窗口大小, 如图 1(a)所示, 通过这种方式使不同尺度的行人获得相同数量的特征。在训练时, 不同于传统方法将行人尺寸调整到固定尺寸, MRFC从图像的原始行人尺寸中提取特征。在测试时, 无需为多尺度检测计算图像金字塔, 而是直接计算这210个通道。得到多分辨率滤波通道之后, 利用类似于ACF检测器的单像素索引进行特征提取。因此, MRFC检测器的速度非常快。但是, MRFC方法的最初实现存在一些缺点, 感受域对应性问题就是其中之一。如图 1(a)所示, 在MRFC的实现过程中, 特征的感受域不会随着行人的大小而变化。因此, 小行人的特征感受域与大行人的特征感受域不对应。在这种情况下, 大行人的鼻子特征可能对应于小行人的整个面部, 这是不合理的。理想的情况是特征的感受域随行人的尺度而改变, 如图 1(b)所示。

为了解决上述问题, 本文采用类似于SPP的方法, 将检测窗口划分成m×n个单元, 并通过在一个或多个单元中的平均池来计算特征, 根据检测窗口的大小调整单元的面积, 从而使特征感受域更好地对应。本文使用23×11个单元格, 池化区域被约束为不大于4×2个单元格, 从而为每个特征映射出1 806个特征。在MRFC中, 通过不断地卷积形成7个不同大小的感受域。图 2给出本文方法的特征提取过程。其中, 图 2(a)表示不同尺度的特征映射被划分为相同数量的单元格, 其大小随行人大小而变化, 图 2(b)通过由一个或多个单元格组成的不同区域的平均池提取特征, 图 2(c)中的上半部分表示特征梯度映射中的池化等效于计算2个移位池化区域的差异, 其效果与非相邻特征(Nor-Neighboring Features, NNF)类似, 下半部分给出DICs中的一些判别特征。

本文使用10个基本通道和20个梯度通道, 总共产生30个特征进行映射。与其他类型的卷积特征映射不同的是, 本文方法可以使用流式SIMD扩展^[15]计算特征梯度映射。为了快速地进行平均池化, 在检测前预先计算积分映射, 然后在与区域大小无关的恒定时间内计算区域中的特征值和, 即为每一个特征映射(10个基本特征映射和20个梯度特征映射)计算积分映射, 并根据卷积换向定律得到式(1)。

$\mathit{\Omega }(x, y)*G(x, y)*u(x, y) = \Omega (x, y)*u(x, y)*G(x, y) $

(1)

其中, Ω是特征映射, G(x, y)是梯度滤波器, u(x, y)是阶跃函数。积分可以作为步进函数的卷积, 本文只需计算原始的10个特征映射的积分映射, 然后在其基础上计算20个梯度映射。图 3给出积分图计算的加速策略示意图。

在DICs中提取的特征与NNF类似^[16], 这些特征已被证明对行人检测有效。NNF与同一水平面中的非相邻矩形区域不同, 相较于NNF, 本文的DICs的优越性主要表现在以下3个方面:

1) NNF使用固定的模型, 其需要图像金字塔, 而本文不构造图像金字塔, 节省了大量计算时间。

2) NNF需要对特征计算2个区域的平均池, 而本文只需要对一个区域计算平均池。

3) NNF只考虑同一水平面中的2个区域, 而本文还考虑了在同一垂直面中的2个区域, 这对于头、肩和脚等部位的检测是非常有用的。

根据定义, 本文首先求出区域中的所有特征值, 然后除以区域大小来计算平均池特征。为了提高效率, 本文不在测试时执行分割操作, 而是提前更改每个决策树中单层决策树的阈值。尽管本文只训练一个检测器, 但是可将这个检测器切换到n个检测器中, n为模板尺度的数量。这些检测器有相同的特征指标, 但阈值不同, 其阈值需要乘以它们所对应的区域大小来获得。

3 软决策树

本文使用软决策树在BDT中构建弱分类器, 其中, 树的2个分支分别处理大尺度和小尺度的行人。在本文方案中, 所有样本都参与单个BDT级联的训练。虽然硬决策树中使用的硬决策节点确定性地将样本x指向其中的一个子节点, 但软决策节点会将样本x指向其左右分支, 其概率分别为P(L|x)和P(R|x), 具体计算如式(2)、式(3)所示。

$P(L | x)=\frac{1}{1+\exp \left[\frac{\bar{h}-h_{x}}{\beta}\right]} $

(2)

$P(R | x)=1-P(L | x) $

(3)

其中, h是训练集中行人高度的平均值, h_x是样本x的高度, β是控制门函数平滑量的超参数。随着h_x的增加, P(L|x)变大, 样本x对左分支的权重增加。β反映了不同尺度行人的相似程度, 当β较大时, 函数P(L|x)较为平缓, 说明不同尺度的实例非常相似, 极端情况β→∞, 表示均等地处理所有尺度实例, 树会成为平均集合。当β较小时, 函数P(L|x)较为陡峭, 说明不同尺度实例的表示存在较大差异, 需要以不同方式进行处理, 极端情况β→0, 表示节点成为硬决策节点。

软决策节点的输出通过其2个分支输出的加权和来计算, 如图 4所示。在测试时, 每个实例必须通过所有中间节点, 直至到达叶节点。该方案仅适用于单个决策树, 对于具有数千个树的BDT, 其计算成本较高。因此, 本文只使用根节点的软决策节点对其进行简化。在处理多尺度检测问题时, 利用左分支对大尺度行人进行分类, 而右分支负责小尺度行人分类。

图 4给出硬决策树和软决策树的比较, 其中, 蓝色、绿色和红色节点分别表示硬决策节点、软决策节点和叶节点, 箭头表示样本权重的流动。由图 4(a)可知, 硬决策树由硬决策节点和叶节点组成, 对于给定的样本, 硬决策节点将其所有权重指向其子节点之一。图 4(b)表示软决策树的根节点是一个软决策节点, 它根据样本大小将样本权重指向两个子节点, 给定一个大样本, 软决策节点将更多的权重引导到它的左分支(左分支的箭头比右分支的箭头粗)。图 4(c)表示具有小样本的软决策树, 软决策节点将更多的权重指向它的右分支。

在样本x指向根节点的2个分支之后, 通过对2个分支求值可以得到P(y=1|x, L)和P(y=1|x, R)。其中, y∈(1, +1)是样本标签。整个软决策树给出的x为正样本的概率为:

$\begin{aligned} P(y=1 | x)=& P(L | x) P(y=1 | x, L)+\\ & P(R | x) P(y=1 | x, R) \end{aligned} $

(4)

本文使用RealSub^[17]来训练BDT, 其叶节点不输出概率, 而是输出半对数比, 如式(5)所示。

$f(x)=\frac{1}{2} \ln \frac{p(x)}{1-p(x)} $

(5)

其中, p(x)是叶节点中正样本权重的一部分。为了得到式(4)中的P(y=1|x, L)和P(y=1|x, R), 需要用式(5)的反函数将f(x)转换成相应的概率, 具体如下:

$p(x)=\frac{\mathrm{e}^{2 f(x)}}{1+\mathrm{e}^{2 f(x)}} $

(6)

在使用式(3)得到P(y=1|x)后, 通过式(5)将其转换为对应的半对数比。在训练过程中, 当为每个样本获取半对数比时, 将样本权重更新为常用的RealBoost, 并在训练后使用式(6)将所有树节点的半对数比转换为其对应的概率, 以提高训练效率。

4 加速滑动窗口分类

与构造密集金字塔的传统方法相比, 使用单尺度特征映射的优点在于, 其在特征映射计算阶段节省了大量的计算成本。然而, 除了特征映射计算之外, 行人检测还存在另一个耗时的过程, 即滑动窗口分类。本文采取基于区域平均池的方法, 与ACF和LDCF^[18]等其他检测器相比, 此阶段的计算成本较高。因此, 本文的单尺度特征映射必须采取有效的滑动窗口分类策略, 否则其优势非常有限。为了验证使用单一尺度特征图的优势, 本文将两种简单的加速滑动窗口分类策略进行对比。

4.1 地平面约束

对于固定车载相机拍摄的图像, 由于地平面约束(Ground Plane Constraint, GPC), 一定尺度的行人将不会出现在某些位置, 如图 5所示。其中, 图 5(a)表示行人可能被实线框框住, 但不可能被虚线框框住。图 5(b)表示在Caltech训练集中, 行人的可能位置(h, y)被两条直线限定。

目前, GPC已被广泛用于行人检测, 其核心思想是在车载相机的一些有效假设下, 行人的投影高度h与垂直位置y呈现线性关系。GPC的一些后处理通过支持向量机(Support Vector Machine, SVM)完成。这种方法旨在提高检测准确率, 但其会增加额外的计算成本。本文为了加快滑动窗口分类的速度, 在检测阶段只扫描行人可能出现的位置, 以节省计算成本。同时, 该方法对消除某些误报也有积极的作用。

4.2 稀疏网格检测

对于480像素×640像素的图像, 其有330 000多个候选窗口(不同尺度、不同位置)需要被分类, 其中大部分属于背景区域。本文真正需要的是峰值得分窗口, 即具有局部最高得分的窗口。在非最大抑制(Non-Maximum Suppression, NMS)^[19]之后, 峰值得分窗口将抑制其邻域中具有较低检测分数的窗口, 本文不需要评估所有候选窗口, 只需要确保评估所有峰值得分窗口, 以降低计算成本。

由于附近位置处的检测器响应是相关的, 因此峰值得分窗口的相邻位置通常也具有正响应, 说明存在峰值得分窗口的支撑区域(Region of Support, ROS)。对于BDT级联, ROS的大小随着弱分类器的增加而减少。

基于上述分析, 本文首先仅评估步长为3的稀疏网格G₃。如果G₃中的窗口通过级联的k个阶段, 则触发其3×3邻域中的每个窗口进行评估, 如图 6所示。在图 6中, 假设窗口P是峰值得分窗口但不属于G₃, 则在3×3邻域中存在窗口x₁∈G₃。窗口x₁由于ROS而具有正分数, P被x₁触发。由于G₃仅占所有滑动窗口的1/9, 触发窗口的数量较少, 因此会大幅降低计算成本。

在图 6中, 首先评估稀疏网格(x₁, x₂, x₃, x₄)^[20], 假设P是峰值得分窗口, 其ROS由虚线圆表示。窗口x₁位于ROS中, 因此它将通过BDT级联的k个阶段, 并且触发3×3邻域中的每个窗口(图 6中黄色圆圈)。当k增大时, ROS和触发窗口变小, 检测速度变高。然而, k增大容易造成峰值得分窗口丢失, 从而降低准确性。在本文实验中, 取k＝20可以实现速度和准确率的平衡。

5 实验结果与分析

本文方法既使用了尺度感知和软决策树, 又结合了地平面约束和稀疏网格的加速策略, 并通过地平面约束和稀疏网格降低滑动窗口分类的计算成本。为了方便描述, 下文用SAP、SDT、GPC和SGD分别表示尺度感知池、软决策树、地平面约束和稀疏网格检测算法。在实验中, 如果真实目标边界框(b_g)与检测到的边界框(b_d)交集与并集之比(IoU)大于阈值, 则将b_d视为真值, IoU的计算过程如下:

$I_{\mathrm{loU}}\left(b_{\mathrm{d}}, b_{\mathrm{g}}\right)=\frac{b_{\mathrm{d}} \cap b_{\mathrm{g}}}{b_{\mathrm{d}} \cup b_{\mathrm{g}}} $

(7)

本文将IoU阈值设置为0.5, 并与Caltech的结果进行漏检率比较。使用每个图像的假正例(False Positives Per Image, FPPI)曲线作为行人检测的评估指标。计算9个FPPI点处的平均漏检率, 并将这些点在10^-2~10⁰的对数空间中进行均匀间隔, 最终得到的对数平均漏检率即可作为评价各种检测方法的标准。

将本文方法与VJ、HOG+SVM、HOGLBP、Multifu+Motion、WordChannels、ACF-Caltech、SCF+AlexNet和MRFC + Semantic等其他具有代表性的方法进行比较。其中, WordChannels和MRFC + Semantic与本文方法相同, 均基于单尺度特征映射, 所以在对比时更具说服力。

5.1 实验配置

本文实验的软硬件配置如下:图像视频处理平台为华硕台式机, CPU为Inter Core i7, 频率为2.5 GHz, GPU为NVIDIA GTX1080, 120 GB固态硬盘, 内存大小为4 GB, 使用OpenCV框架, 并参考该开源项目上一些层次结构的具体实现方式。

5.2 结果分析

Caltech行人数据集是目前规模最大, 使用范围最广的行人检测数据集。它由250 000个640像素×480像素(大约137 min)的视频组成, 分为11个样本, 前6个样本用于训练, 后5个样本用于测试。标准评估在测试集每个视频的30帧处执行, 总共产生4 024个图像。

从每4个连续帧中抽取一个图像作为训练图像。由于性能评估仅需要检测高于50像素的行人, 因此将最小的模型尺寸设置为64像素×32像素。为了提高效率, 将通道降采样2倍, 则最小模型的特征映射大小为32像素×16像素。因为训练数据较多, 所以本文在每次自举循环中使用两倍数量的弱分类器。

图 7给出漏检率随FPPI变化的曲线, 对于每个FPPI点, 漏检率越低越好。可以看出, 在深度学习方法中, SCF+AlexNet的漏检率为23.09%, 而在非深度学习方法中, 基于单一尺度特征映射的WordChannels和MRFC+Semantic的漏检率分别为42.30%和16.84%, 而本文方法的漏检率为10.11%, 得到整个FPPI范围内的最低漏检率, 优于其他所有的对比方法。

此外, 本文还在小尺度、不规则宽高比和部分遮挡的条件下进行实验。将小尺度行人高度设置在55像素~85像素, 结果如图 8所示。可以看出, 本文方法的漏检率低至10.17%。将宽高比定义为W/H=0.43±0.1(W和H分别是行人宽度和高度), W/H的分布集中在0.43, 其检测结果如图 9所示, 可以看出, 本文方法的漏检率为14.35%, 低于WordChannels和MRFC+Semantic方法。部分遮挡表示行人被遮挡的面积不超过40%, 其检测结果如图 10所示。在部分遮挡条件下, 本文方法的漏检率为17.01%。在上述3个条件下, 遮挡对于多尺度行人检测的影响较大, 但是从整体来看, 本文方法的检测准确率在所有对比实验中最高。

为了进一步评估本文方法的检测效率和准确率, 分别对4个组件进行不同的组合, 结果如表 1所示。从表 1可以看出, 单使用SAP所达到的准确率和检测速度最低。将SAP作为基准, 分别观察其他3个组件对Caltech数据集所产生的效果可以发现, SAP+SDT组合的准确率比SAP高4.91%, 说明尺度感知和软决策树的结合可以有效提高检测准确率。而当结合SAP+SDT+GPC+SGD 4个组件时, 检测速度也得到提高, 可以达到15.68 frame/s。由此说明, 本文方法不仅能够实现对多尺度行人的快速检测, 也可以达到较高的准确率。

5.3 真实场景下的行人检测

为了测试本文方法的实时性, 使用高清摄像头拍摄的校园内自然真实场景进行实验, 场景主要是教学楼前的走道。在训练得到的模型中输入一段视频进行实验, 其中部分帧的检测结果如图 11所示。可以看出, 所有帧中的行人目标都能够完整地检测出来, 且概率较大, 目标边界恰好框出目标。

然而, 从图 11(a)可以看出, 采用SAP+SDT+GPC+SGD相结合的算法也存在一些误检测, 这是因为非深度学习在提取特征时, 会将一个亮度很大的圆形区域视为人头, 并将其下连接的区域视为身体和腿, 因此出现了误检测的情况。由图 11(b)~图 11(d)可知, 如果行人处于较远的位置或者骑车经过时, 检测窗口未能全部准确识别出来, 这些需要在后期研究中进行改进。

6 结束语

为了提高多尺度行人检测的准确性, 本文受MRFC的启发, 利用单尺度特征映射对多尺度行人检测问题进行研究。对MRFC的缺点进行分析, 并分别通过尺度感知池和软决策树改善感受域对应性和尺度不变性, 使用地平面约束和稀疏网格来降低计算成本。在Caltech数据集上的实验结果表明, 该方法可实现实时有效的行人检测, 与其他先进的检测方法相比, 采取SAP+SDT+GPC+SGD检测器不仅可以实现快速检测并且检测准确率较高。下一步将在, SAP+SDT+GPC+SGD检测器的基础上对多尺度行人的实时性检测问题进行研究, 以提高算法的实时性能。