|
車輛檢測(cè)技術(shù)看似神秘，本質(zhì)上是通過(guò)數(shù)學(xué)公式，計(jì)算出圖片上指定區(qū)域內(nèi)的像素特征，進(jìn)而根據(jù)特征判斷物體所屬類別。物體檢測(cè)方法可以總結(jié)為特征提取與類別判定兩步，常用方法為支持向量機(jī), Support Vector Machine（SVM）與方向梯度直方圖, Histograms of Oriented Gradients（HOG）相互配合。 本文將從以下幾個(gè)方面介紹這種常用的車輛檢測(cè)算法，揭開(kāi)其神秘面紗，也讓讀者通過(guò)閱讀對(duì)機(jī)器學(xué)習(xí)過(guò)程有清晰的了解。 應(yīng)用場(chǎng)景簡(jiǎn)介 詳述HOG特征的計(jì)算方法 簡(jiǎn)述SVM的工作過(guò)程 對(duì)比及總結(jié) 應(yīng)用場(chǎng)景簡(jiǎn)介 現(xiàn)實(shí)生活中車輛檢測(cè)技術(shù)應(yīng)用廣泛，下面舉例說(shuō)明車內(nèi)裝置的應(yīng)用。我們平時(shí)開(kāi)的私家車?yán)镉袝r(shí)會(huì)有后置車載攝像頭，后方一定距離內(nèi)有車將要超過(guò)該車時(shí)，此系統(tǒng)便會(huì)啟動(dòng)，檢測(cè)出后方車輛以后發(fā)出警報(bào)，提示駕駛員減速駕駛（圖1）。另一個(gè)例子便是在自動(dòng)駕駛領(lǐng)域的應(yīng)用，通過(guò)對(duì)周邊車的定位，分析他車車速、距離等干擾因素，從而改變?cè)撥嚨男旭傑壍馈?br /> 
圖1：后視車載攝像頭檢測(cè)出車輛在圖像上用矩形框定位 車輛檢測(cè)系統(tǒng)還廣泛用于交通管制和路況監(jiān)控（圖2），例如在隧道口安置此系統(tǒng)，則會(huì)統(tǒng)計(jì)每天各個(gè)時(shí)段的車流量，適當(dāng)實(shí)施限行政策，減少交通事故的發(fā)生,并且提醒駕駛員，哪里是擁擠路段，哪里交通較為順暢，進(jìn)而方便駕駛員選擇出行線路，起到疏散交通的目的。此外車流量的統(tǒng)計(jì)也會(huì)應(yīng)用在機(jī)場(chǎng)或火車站的停車場(chǎng)，經(jīng)過(guò)大數(shù)據(jù)分析出車位緊張的時(shí)段，以便工作人員合理調(diào)度資源。 附帶車輛檢測(cè)系統(tǒng)的信號(hào)燈可以通過(guò)與其他技術(shù)相結(jié)合，探測(cè)信號(hào)燈周圍車流量，工作人員通過(guò)大數(shù)據(jù)人工智能進(jìn)行統(tǒng)計(jì)，通過(guò)計(jì)算設(shè)定紅綠燈交替變換的合理時(shí)間間隔。
圖2：車輛檢測(cè)系統(tǒng)在路況監(jiān)控場(chǎng)景下的應(yīng)用 HOG 與 SVM相結(jié)合的算法 ( 40 −16 )/ 8 +1 =4 利用HOG與SVM相結(jié)合的行人檢測(cè)方法最初是由法國(guó)研究人員Dalal于2005年在CVPR上提出的，如今演變成以HOG+SVM為主要思路對(duì)各類物體進(jìn)行檢測(cè),包括車輛以及車道的定位。 步驟如下（圖3）所示：
圖3：SVM與HOG結(jié)合做車輛檢測(cè)的流程圖。 HOG特征計(jì)算 HOG是一個(gè)局部提取特征的算法，如果是包含復(fù)雜背景的大圖，就算提取再多的特征也不會(huì)達(dá)到檢測(cè)物體的目的。我們需要將圖片剪裁得到目標(biāo)，經(jīng)實(shí)驗(yàn)證明，車輛作為目標(biāo)物體占圖片比重必須大于80%才會(huì)得到好的效果。在剪裁好的局部圖像上將圖像分區(qū)（block），每個(gè)區(qū)域以細(xì)胞（cell）為單位提取特征。（圖像中的多個(gè)像素為一個(gè)細(xì)胞cell，多個(gè)cell組成區(qū)域塊block。） 我們以下（圖4）為例，解釋HOG特征的計(jì)算過(guò)程。 首先剪裁得到一張40*40的圖片（以像素為單位），之后我們要定義如下幾個(gè)變量：
圖4：block在剪裁圖片上的移動(dòng)過(guò)程，由圖可知4個(gè)cell組成一個(gè)邊長(zhǎng)為16個(gè)像素值block，圖片經(jīng)剪裁得到長(zhǎng)寬均為40個(gè)像素值。步長(zhǎng)為1， 即每次移動(dòng)一個(gè)像素值。 定義移動(dòng)步長(zhǎng)s, 例如：s=1。 定義cell大小，以像素為單位，例如：8*8。 定義block大小，例如：由2*2=4個(gè)cell組成。 定義bin的數(shù)量取值，根據(jù)需要設(shè)定數(shù)量，例如bin=9，每個(gè)bin用來(lái)存放計(jì)算出的直方圖的梯度方向累加值，其原理下文將具體講解。 對(duì)輸入的圖像及顏色進(jìn)行標(biāo)準(zhǔn)化處理，減少光照或陰影對(duì)圖像中物體檢測(cè)準(zhǔn)確性的干擾，具體做法是進(jìn)行g(shù)emma顏色矯正后改為灰度圖（Gemma顏色矯正原理在此不做介紹）。 梯度大小的計(jì)算。以一個(gè)細(xì)胞部分區(qū)域?yàn)槔鲇?jì)算方法講解（圖5），下文為計(jì)算像素值為25的中間點(diǎn)的公式。
圖5：一個(gè)細(xì)胞的部分區(qū)域大小及像素值 采用一個(gè)合理的卷積核方式的定義，實(shí)驗(yàn)表明[-1,0,1]效果最好。卷積核 [-1,0,1] 可以理解為一個(gè)矩陣，用于計(jì)算每個(gè)像素點(diǎn)的梯度幅值方向，因此我們可以橫向（x軸正方向，向右）采用[-1,0,1] 的卷積核，縱向（y軸正方向，向上）采用〖[-1,0,1]〗^T,對(duì)于圖像區(qū)域中的每一個(gè)像素點(diǎn)做橫向，縱向的梯度分量計(jì)算，二者平方和開(kāi)根號(hào)得到該點(diǎn)的梯度方向，因此計(jì)算公式如下：
所以像素為25的點(diǎn)水平方向的計(jì)算方法如下（圖6）所示：
圖6：像素值為25的中間點(diǎn)水平方向的像素值的計(jì)算過(guò)程 計(jì)算公式：
所以像素為25的點(diǎn)垂直方向計(jì)算方法如下（圖7）所示：
圖7：像素值為25的中間點(diǎn)水平方向的像素值的計(jì)算過(guò)程 計(jì)算公式：
梯度方向的計(jì)算采用以下公式：
對(duì)每個(gè)細(xì)胞(cell)中的所有像素點(diǎn)重復(fù)3-4的計(jì)算過(guò)程，再將數(shù)值相加，我們就得到了一個(gè)細(xì)胞(cell)內(nèi)9個(gè)梯度方向上的梯度積分圖（圖8）。 求解圖像分區(qū)(block)的HOG特征，即：將所包含的細(xì)胞(cell)特征串聯(lián)到一起。 求解整個(gè)圖片的HOG特征，即：將所包含的圖像分區(qū)(block)特征串聯(lián)到一起。 特征維度的計(jì)算方法： 以上例子中block塊沿著x,y軸分別移動(dòng)4步： (40-16)/8+1=4 每個(gè)block中包含4個(gè)cell： 2*2=4 特征維度的計(jì)算公式：
因此該圖例中通過(guò)計(jì)算得到特征維度是576。 將求得的梯度向量正則化。正則化的重要目的是為了防止過(guò)擬合，過(guò)擬合會(huì)造成在對(duì)訓(xùn)練集的分類效果過(guò)于理想，但是測(cè)試集檢測(cè)率極其偏低，這顯然是我們不能接受的。跟一般的機(jī)器學(xué)習(xí)特征正則化的道理相同，例如得到的特征值在(0, 200)之間分布，我們要求防止200以內(nèi)的數(shù)字對(duì)特征整體分布造成影響（模型在訓(xùn)練中會(huì)為了迎合200而偏離整體趨勢(shì)，造成過(guò)擬合），因此要將特征分布規(guī)范化到一定區(qū)間，Dalal在論文中提到采用L2-norm得到的效果非常理想。（這里0，200指特征值所在的范圍） 將特征與標(biāo)簽一起送往SVM中對(duì)分類器進(jìn)行訓(xùn)練。 直方圖的梯度方向及bin的取值 Dalal在論文中提到，“這一步驟的目的是為局部圖像區(qū)域提供一個(gè)指示函數(shù)量化梯度方向的同時(shí)，能夠保持對(duì)圖像中檢測(cè)對(duì)象外觀的弱敏感性”。 梯度大小要根據(jù)梯度方向插入到對(duì)應(yīng)的bin中，方向分為兩種。 第一種無(wú)方向的方法（unsighed）適用于車輛或其他目標(biāo)檢測(cè)，第二種有方向的方法（sighed）經(jīng)實(shí)驗(yàn)證明，不適用于車輛或其他目標(biāo)檢測(cè)，這種方法在圖片放大、縮小、或經(jīng)過(guò)旋轉(zhuǎn)后，像素點(diǎn)要恢復(fù)到原位置時(shí)會(huì)有應(yīng)用，可以點(diǎn)擊參考文獻(xiàn)的第5個(gè)鏈接進(jìn)行深入了解。 無(wú)方向。 (0 , π) 下面我們?cè)敿?xì)了解無(wú)方向插值法. 本文將使用三張表格去做講解，每張表格中第一行為計(jì)算出的幅值，第二行為規(guī)定好的bin的方向取值，由180度除以定義的bin個(gè)數(shù)得來(lái)。第三行為bin的序號(hào)，從0開(kāi)始. 根據(jù)實(shí)際需要分成若干個(gè)bin, 例如分成9個(gè)，即每個(gè)細(xì)胞內(nèi)統(tǒng)計(jì)9個(gè)方向的梯度直方圖，每個(gè)bin的覆蓋方向?yàn)?0度。將幅值（上文中計(jì)算的 G(x, y) ）插入到bin中，最終bin中幅值的累加和即為直方圖的縱軸，橫軸則是bin的取值范圍，該例中取(0, 8) 的數(shù)字。 插入值的方法： 若某個(gè)像素點(diǎn)的幅值為80，方向?yàn)?0度，則插入到(表格1)藍(lán)色區(qū)域的位置：
(表格1) 若幅值為80，方向?yàn)?0度，則分別插入到(表格2)藍(lán)色填充的兩個(gè)位置：
(表格2) 若幅值為60，方向?yàn)?65度，則分別插入到表格3藍(lán)色的兩個(gè)位置： （180度和0度在方向上等價(jià)，所以幅值按1:3分別插入兩個(gè)bin）
(表格3) 上述(表格1)介紹的方向值恰好為bin對(duì)應(yīng)值的插入方法，表格2介紹了方向值介于兩個(gè)bin值之間的插入方法，表格3介紹了方向值大于最大bin值的插入方法。根據(jù)三種方法的原理，以cell為單位計(jì)算，一個(gè)cell中所有像素點(diǎn)遍歷后的幅值累加，例如上面我們?cè)?號(hào)bin的位置得到了兩個(gè)幅度值分別為40和15，因此我們到目前為止0號(hào)bin的直方圖累加到55。以此類推，計(jì)算每個(gè)cell 的1-8號(hào)bin幅度分別累加。最終我們會(huì)得到類似于下面（圖8）的直方圖，橫坐標(biāo)X為梯度方向，縱坐標(biāo)Y為梯度幅值：
圖8：梯度直方圖實(shí)例。橫軸為bin序號(hào)，縱軸為計(jì)算出的幅值。本圖縱軸對(duì)應(yīng)的數(shù)字僅為舉例說(shuō)明，例如，上圖三張表格中的bin1幅值加和得到80+40+0=120作為最終結(jié)果，則直方圖縱坐標(biāo)得到120，繼續(xù)做計(jì)算，bin1 的值會(huì)繼續(xù)累加。 實(shí)驗(yàn)證明目標(biāo)檢測(cè)時(shí)用9個(gè)bin,單向插入會(huì)得到最佳效果。 有方向。(0, 2π) 方向前加了正負(fù)號(hào)，若也定義9個(gè)bin, 則每一個(gè)bin所分配到的角度范圍是(0, π/9 °) 例如，第二個(gè)bin,其正值插入到范圍在20-40(藍(lán)色的扇形區(qū)域)，負(fù)值應(yīng)插入到200-220的bin中(藍(lán)色的扇形區(qū)域)。（圖9）
圖9：有方向的插值方法，每一個(gè)扇形區(qū)域代表一個(gè)bin覆蓋角度范圍值。紅色為一號(hào)bin,覆蓋0-20度。順時(shí)針?lè)较蛞来螛?biāo)號(hào)，綠色為終點(diǎn)，340-360度。藍(lán)色區(qū)域?yàn)橄鄬?duì)應(yīng)的兩個(gè)方向的bin. 簡(jiǎn)述SVM的工作過(guò)程 SVM (Support Vector Machine) 全稱為支持向量機(jī) ，在空間中將兩個(gè)類別通過(guò)一個(gè)超平面分開(kāi)，二維空間可簡(jiǎn)單理解成為了找到 y 而 y 滿足
y的值決定了樣本是正類還是負(fù)類。但是如何確定最優(yōu)超平面，這里就引入了支持向量和最大 間隔。我們的目標(biāo)是引入超平面，使得距離超平面最近的點(diǎn)之間有最大間隔（圖10）。
圖10：紅色的線為超平面，落 在兩側(cè)的虛線上的點(diǎn)為支持向量，計(jì)算得到的𝑦值即1（正類）或-1（負(fù)類），藍(lán)色的點(diǎn)為正 樣本，綠色的點(diǎn)為負(fù)樣本，目的是找到虛線之間的距離最大的𝑤值，因?yàn)榫嚯x越大表示二分類 模型效果越好。 (來(lái)源: https://en.wikipedia.org/wiki/Support-vector_machine) 由于現(xiàn)實(shí)情況中的數(shù)據(jù)復(fù)雜度高，有時(shí)會(huì)根據(jù)需要引入核函數(shù)，作用是將低維度映射到高維度 中，通過(guò)找到㇐個(gè)最優(yōu)超平面使線性不可分（圖11）的數(shù)據(jù)變得線性可分。
圖11：紅色圈內(nèi)的點(diǎn)與藍(lán)色的點(diǎn)二維空間中線性不可分，因此需要通過(guò)核函數(shù)將各個(gè)點(diǎn)映射 到高維度的空間坐標(biāo)系中 SVM的計(jì)算量大，訓(xùn)練耗時(shí)，因?yàn)閷?duì)于每個(gè)點(diǎn)都要計(jì)算㇐遍與其他每㇐個(gè)點(diǎn)的相似度。因此S VM適用于數(shù)據(jù)量較小的二分類模型訓(xùn)練，若為多個(gè)類別，則通常分別訓(xùn)練多個(gè)模型。此外， 臺(tái)灣大學(xué)教授研發(fā)的兩款開(kāi)源工具當(dāng)下深受科學(xué)家的喜愛(ài)，㇐個(gè)是LibSVM，另㇐個(gè)是基于SV M開(kāi)發(fā)、適用于大數(shù)據(jù)量的liblinear。 SVM對(duì)參數(shù)也極其敏感。libSVM或LibLinear訓(xùn)練過(guò)程中要注意懲罰項(xiàng)C，和權(quán)重系數(shù)w. C 即懲罰項(xiàng)，越大，代表訓(xùn)練過(guò)程分類效果越好，但是C過(guò)大會(huì)造成過(guò)擬合，即訓(xùn)練樣本分類 正確率極其高但是測(cè)試準(zhǔn)確率極其底。因?yàn)閿?shù)據(jù)中不可避免的出現(xiàn)㇐些遠(yuǎn)離集中群體的點(diǎn)，C 的大小表明了你是否愿意放棄這些離群點(diǎn)。越大表示不愿意放棄，因此模型會(huì)特別好的擬合訓(xùn) 練集但非測(cè)試集， W即權(quán)重代表正負(fù)樣本的系數(shù)，如果想讓更多的目標(biāo)被檢測(cè)出來(lái)，就將正樣本權(quán)重加大，但 是這樣誤檢率(FP)會(huì)特別高。反之，負(fù)樣本權(quán)重加大，會(huì)控制誤檢率（FP），當(dāng)然目標(biāo)檢測(cè)率 (TP)就會(huì)降低。 經(jīng)過(guò)筆者親自實(shí)驗(yàn)發(fā)現(xiàn)，㇐百萬(wàn)個(gè)數(shù)據(jù)，1152維特征，在2個(gè)CPU，60G內(nèi)存的 Windows10 操作系統(tǒng)下，開(kāi)18個(gè)線程程訓(xùn)練耗時(shí)20分鐘。因此作者建議大家使用liblinear庫(kù)訓(xùn)練超大文 本，或增加計(jì)算機(jī)內(nèi)存。 對(duì)比及總結(jié) 本文重點(diǎn)解析了車輛檢測(cè)的特征計(jì)算部分，以及簡(jiǎn)要介紹SVM的分類策略。建議HOG特征用 于車輛檢測(cè)時(shí)，采用大于1000維度特征，9個(gè)bin的無(wú)方向插值法，特征分布不均勻務(wù)必采用 正則化處理；SVM可根據(jù)需要選擇核函數(shù)，必要時(shí)可以選用LibSVM庫(kù)訓(xùn)練基于超大數(shù)據(jù)量的 模型。 SVM 的內(nèi)核函數(shù)機(jī)制將低維度空間映射到高維度空間有效解決了線性不可分的難題，SVM的 計(jì)算復(fù)雜度由支持向量的個(gè)數(shù)決定，而幸運(yùn)的是，最終決策函數(shù)由少量支持向量決定。SVM 同樣有其局限性，如果不使用LiBSVM/Liblinear開(kāi)源庫(kù)，單純的SVM對(duì)大型數(shù)據(jù)的處理非常 困難，因?yàn)镾VM在計(jì)算過(guò)程中涉及矩陣計(jì)算，其行數(shù)列數(shù)由樣本數(shù)量決定，大型樣本在計(jì)算 過(guò)程中消耗大量時(shí)間和空間。同理，實(shí)踐過(guò)程中，對(duì)于是否選擇HOG也要雙向考慮優(yōu)缺點(diǎn)優(yōu) 點(diǎn)。這里對(duì)其優(yōu)缺點(diǎn)做總結(jié)以便讀者做參考： 優(yōu)點(diǎn)：HOG是在局部的單元上做檢測(cè)，能較好地捕捉局部形狀信息，而忽略光照，色 彩等因素，例如車輛檢測(cè)中可以忽略車的色彩因素，從而降低所需要的特征維度，而 且因?yàn)閷?duì)光照的若敏感度，即使車輛存在遮擋的部分也可以檢測(cè)出。 缺點(diǎn)：HOG不擅長(zhǎng)處理遮擋問(wèn)題，車輛方向改變也不易檢測(cè)；因?yàn)樘荻鹊男再|(zhì)，HOG 對(duì)噪點(diǎn)相當(dāng)敏感，因此在實(shí)際應(yīng)用中，在 block 和 cell分割成局部區(qū)域單元之后，通常 有必要做㇐次高斯平滑去除噪點(diǎn)。對(duì)特征維度的確定（細(xì)胞，塊，步長(zhǎng)的確定）要求 高，實(shí)際工作中需反復(fù)設(shè)計(jì)方案實(shí)驗(yàn)得出最優(yōu)解。 以上是本文的主要內(nèi)容，希望給讀者㇐個(gè)清晰的思路。盡管SVM與HOG的結(jié)合計(jì)算量大，但 是成本較低，模型的訓(xùn)練也基于CPU就可以進(jìn)行，深受中小型產(chǎn)品研發(fā)企業(yè)的青睞，例如車 載攝像頭等小部件的研發(fā)與產(chǎn)出，在保證可用性的前提下價(jià)格方面會(huì)親民許多。 參考文獻(xiàn) https://blog.csdn.net/u011285477/article/details/50974230 https://www.learnopencv.com/histogram-of-oriented-gradients/ https://www.stat.purdue.edu/~pan ... _HumanDetection.pdf https://www.csie.ntu.edu.tw/~cjlin/libsvm/ https://blog.csdn.net/u011448029/article/details/11709443 文章來(lái)源：貿(mào)澤電子 作者簡(jiǎn)介：王晶是一名機(jī)器學(xué)習(xí)算法工程師，目前在汽車檢測(cè)領(lǐng)域工作。熱衷于技術(shù)文章的創(chuàng)作。她希望她的文章能引起讀者們對(duì)人工智能的興趣，以激勵(lì)更多的專業(yè)人員致力于這個(gè)領(lǐng)域，將AI與云技術(shù)和大數(shù)據(jù)結(jié)合起來(lái)，以使人們的生活更加安全便捷。 |
