|
車輛檢測技術(shù)看似神秘，本質(zhì)上是通過數(shù)學(xué)公式，計算出圖片上指定區(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。 本文將從以下幾個方面介紹這種常用的車輛檢測算法，揭開其神秘面紗，也讓讀者通過閱讀對機(jī)器學(xué)習(xí)過程有清晰的了解。 應(yīng)用場景簡介 詳述HOG特征的計算方法 簡述SVM的工作過程 對比及總結(jié) 應(yīng)用場景簡介 現(xiàn)實生活中車輛檢測技術(shù)應(yīng)用廣泛，下面舉例說明車內(nèi)裝置的應(yīng)用。我們平時開的私家車?yán)镉袝r會有后置車載攝像頭，后方一定距離內(nèi)有車將要超過該車時，此系統(tǒng)便會啟動，檢測出后方車輛以后發(fā)出警報，提示駕駛員減速駕駛（圖1）。另一個例子便是在自動駕駛領(lǐng)域的應(yīng)用，通過對周邊車的定位，分析他車車速、距離等干擾因素，從而改變該車的行駛軌道。 
圖1：后視車載攝像頭檢測出車輛在圖像上用矩形框定位 車輛檢測系統(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)，則會統(tǒng)計每天各個時段的車流量，適當(dāng)實施限行政策，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)計也會應(yīng)用在機(jī)場或火車站的停車場，經(jīng)過大數(shù)據(jù)分析出車位緊張的時段，以便工作人員合理調(diào)度資源。 附帶車輛檢測系統(tǒng)的信號燈可以通過與其他技術(shù)相結(jié)合，探測信號燈周圍車流量，工作人員通過大數(shù)據(jù)人工智能進(jìn)行統(tǒng)計，通過計算設(shè)定紅綠燈交替變換的合理時間間隔。
圖2：車輛檢測系統(tǒng)在路況監(jiān)控場景下的應(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)合的行人檢測方法最初是由法國研究人員Dalal于2005年在CVPR上提出的，如今演變成以HOG+SVM為主要思路對各類物體進(jìn)行檢測,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)合做車輛檢測的流程圖。 HOG特征計算 HOG是一個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達(dá)到檢測物體的目的。我們需要將圖片剪裁得到目標(biāo)，經(jīng)實驗證明，車輛作為目標(biāo)物體占圖片比重必須大于80%才會得到好的效果。在剪裁好的局部圖像上將圖像分區(qū)（block），每個區(qū)域以細(xì)胞（cell）為單位提取特征。（圖像中的多個像素為一個細(xì)胞cell，多個cell組成區(qū)域塊block。） 我們以下（圖4）為例，解釋HOG特征的計算過程。 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變量：
圖4：block在剪裁圖片上的移動過程，由圖可知4個cell組成一個邊長為16個像素值block，圖片經(jīng)剪裁得到長寬均為40個像素值。步長為1， 即每次移動一個像素值。 定義移動步長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bin用來存放計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，減少光照或陰影對圖像中物體檢測準(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）。 梯度大小的計算。以一個細(xì)胞部分區(qū)域為例做計算方法講解（圖5），下文為計算像素值為25的中間點的公式。
圖5：一個細(xì)胞的部分區(qū)域大小及像素值 采用一個合理的卷積核方式的定義，實驗表明[-1,0,1]效果最好。卷積核 [-1,0,1] 可以理解為一個矩陣，用于計算每個像素點的梯度幅值方向，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,對于圖像區(qū)域中的每一個像素點做橫向，縱向的梯度分量計算，二者平方和開根號得到該點的梯度方向，因此計算公式如下：
所以像素為25的點水平方向的計算方法如下（圖6）所示：
圖6：像素值為25的中間點水平方向的像素值的計算過程 計算公式：
所以像素為25的點垂直方向計算方法如下（圖7）所示：
圖7：像素值為25的中間點水平方向的像素值的計算過程 計算公式：
梯度方向的計算采用以下公式：
對每個細(xì)胞(cell)中的所有像素點重復(fù)3-4的計算過程，再將數(shù)值相加，我們就得到了一個細(xì)胞(cell)內(nèi)9個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。 特征維度的計算方法： 以上例子中block塊沿著x,y軸分別移動4步： (40-16)/8+1=4 每個block中包含4個cell： 2*2=4 特征維度的計算公式：
因此該圖例中通過計算得到特征維度是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擬合，過擬合會造成在對訓(xùn)練集的分類效果過于理想，但是測試集檢測率極其偏低，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)字對特征整體分布造成影響（模型在訓(xùn)練中會為了迎合200而偏離整體趨勢，造成過擬合），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)域提供一個指示函數(shù)量化梯度方向的同時，能夠保持對圖像中檢測對象外觀的弱敏感性”。 梯度大小要根據(jù)梯度方向插入到對應(yīng)的bin中，方向分為兩種。 第一種無方向的方法（unsighed）適用于車輛或其他目標(biāo)檢測，第二種有方向的方法（sighed）經(jīng)實驗證明，不適用于車輛或其他目標(biāo)檢測，這種方法在圖片放大、縮小、或經(jīng)過旋轉(zhuǎn)后，像素點要恢復(fù)到原位置時會有應(yīng)用，可以點擊參考文獻(xiàn)的第5個鏈接進(jìn)行深入了解。 無方向。 (0 , π) 下面我們詳細(xì)了解無方向插值法. 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個數(shù)得來。第三行為bin的序號，從0開始. 根據(jù)實際需要分成若干個bin, 例如分成9個，即每個細(xì)胞內(nèi)統(tǒng)計9個方向的梯度直方圖，每個bin的覆蓋方向為20度。將幅值（上文中計算的 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： 若某個像素點的幅值為80，方向為20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，方向為10度，則分別插入到(表格2)藍(lán)色填充的兩個位置：
(表格2) 若幅值為60，方向為165度，則分別插入到表格3藍(lán)色的兩個位置： （180度和0度在方向上等價，所以幅值按1:3分別插入兩個bin）
(表格3) 上述(表格1)介紹的方向值恰好為bin對應(yīng)值的插入方法，表格2介紹了方向值介于兩個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為單位計算，一個cell中所有像素點遍歷后的幅值累加，例如上面我們在0號bin的位置得到了兩個幅度值分別為40和15，因此我們到目前為止0號bin的直方圖累加到55。以此類推，計算每個cell 的1-8號bin幅度分別累加。最終我們會得到類似于下面（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：梯度直方圖實例。橫軸為bin序號，縱軸為計算出的幅值。本圖縱軸對應(yīng)的數(shù)字僅為舉例說明，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)做計算，bin1 的值會繼續(xù)累加。 實驗證明目標(biāo)檢測時用9個bin,單向插入會得到最佳效果。 有方向。(0, 2π) 方向前加了正負(fù)號，若也定義9個bin, 則每一個bin所分配到的角度范圍是(0, π/9 °) 例如，第二個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，每一個扇形區(qū)域代表一個bin覆蓋角度范圍值。紅色為一號bin,覆蓋0-20度。順時針方向依次標(biāo)號，綠色為終點，340-360度。藍(lán)色區(qū)域為相對應(yīng)的兩個方向的bin. 簡述SVM的工作過程 SVM (Support Vector Machine) 全稱為支持向量機(jī) ，在空間中將兩個類別通過一個超平面分開，二維空間可簡單理解成為了找到 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)的虛線上的點為支持向量，計算得到的𝑦值即1（正類）或-1（負(fù)類），藍(lán)色的點為正 樣本，綠色的點為負(fù)樣本，目的是找到虛線之間的距離最大的𝑤值，因為距離越大表示二分類 模型效果越好。 (來源: https://en.wikipedia.org/wiki/Support-vector_machine) 由于現(xiàn)實情況中的數(shù)據(jù)復(fù)雜度高，有時會根據(jù)需要引入核函數(shù)，作用是將低維度映射到高維度 中，通過找到㇐個最優(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)的點與藍(lán)色的點二維空間中線性不可分，因此需要通過核函數(shù)將各個點映射 到高維度的空間坐標(biāo)系中 SVM的計算量大，訓(xùn)練耗時，因為對于每個點都要計算㇐遍與其他每㇐個點的相似度。因此S VM適用于數(shù)據(jù)量較小的二分類模型訓(xùn)練，若為多個類別，則通常分別訓(xùn)練多個模型。此外， 臺灣大學(xué)教授研發(fā)的兩款開源工具當(dāng)下深受科學(xué)家的喜愛，㇐個是LibSVM，另㇐個是基于SV M開發(fā)、適用于大數(shù)據(jù)量的liblinear。 SVM對參數(shù)也極其敏感。libSVM或LibLinear訓(xùn)練過程中要注意懲罰項C，和權(quán)重系數(shù)w. C 即懲罰項，越大，代表訓(xùn)練過程分類效果越好，但是C過大會造成過擬合，即訓(xùn)練樣本分類 正確率極其高但是測試準(zhǔn)確率極其底。因為數(shù)據(jù)中不可避免的出現(xiàn)㇐些遠(yuǎn)離集中群體的點，C 的大小表明了你是否愿意放棄這些離群點。越大表示不愿意放棄，因此模型會特別好的擬合訓(xùn) 練集但非測試集， 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)被檢測出來，就將正樣本權(quán)重加大，但 是這樣誤檢率(FP)會特別高。反之，負(fù)樣本權(quán)重加大，會控制誤檢率（FP），當(dāng)然目標(biāo)檢測率 (TP)就會降低。 經(jīng)過筆者親自實驗發(fā)現(xiàn)，㇐百萬個數(shù)據(jù)，1152維特征，在2個CPU，60G內(nèi)存的 Windows10 操作系統(tǒng)下，開18個線程程訓(xùn)練耗時20分鐘。因此作者建議大家使用liblinear庫訓(xùn)練超大文 本，或增加計算機(jī)內(nèi)存。 對比及總結(jié) 本文重點解析了車輛檢測的特征計算部分，以及簡要介紹SVM的分類策略。建議HOG特征用 于車輛檢測時，采用大于1000維度特征，9個bin的無方向插值法，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)，必要時可以選用LibSVM庫訓(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 計算復(fù)雜度由支持向量的個數(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開源庫，單純的SVM對大型數(shù)據(jù)的處理非常 困難，因為SVM在計算過程中涉及矩陣計算，其行數(shù)列數(shù)由樣本數(shù)量決定，大型樣本在計算 過程中消耗大量時間和空間。同理，實踐過程中，對于是否選擇HOG也要雙向考慮優(yōu)缺點優(yōu) 點。這里對其優(yōu)缺點做總結(jié)以便讀者做參考： 優(yōu)點：HOG是在局部的單元上做檢測，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 且因為對光照的若敏感度，即使車輛存在遮擋的部分也可以檢測出。 缺點：HOG不擅長處理遮擋問題，車輛方向改變也不易檢測；因為梯度的性質(zhì)，HOG 對噪點相當(dāng)敏感，因此在實際應(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。對特征維度的確定（細(xì)胞，塊，步長的確定）要求 高，實際工作中需反復(fù)設(shè)計方案實驗得出最優(yōu)解。 以上是本文的主要內(nèi)容，希望給讀者㇐個清晰的思路。盡管SVM與HOG的結(jié)合計算量大，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格方面會親民許多。 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 文章來源：貿(mào)澤電子 作者簡介：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人工智能的興趣，以激勵更多的專業(yè)人員致力于這個領(lǐng)域，將AI與云技術(shù)和大數(shù)據(jù)結(jié)合起來，以使人們的生活更加安全便捷。 |
