基于HOG+SVM的目標檢測與識別的方案設(shè)計和分析

在數(shù)字圖像處理中ATR（自動目標識別）是一個富有挑戰(zhàn)性的課題，特別是在背景環(huán)境不可控的情況下，其難度與復(fù)雜度不言而喻。國家也投入了大量的財力物力推進其發(fā)展，在各大高校、科研院所也有相應(yīng)的機構(gòu)進行專門的研發(fā)，在研究生學(xué)歷攻讀階段，也有相應(yīng)的基礎(chǔ)和高級課程的設(shè)計。今天，我不是以一個科研人員的身份進行說話，而是站在一個普通的圖像算法應(yīng)用工程師的角度總結(jié)下我的工作經(jīng)驗，不足之處，多多海涵！

下面，我以一個人臉目標的檢測為例，使用OpenCV2.4.7做一個HOG+SVM的檢測實例。實例中，使用皮膚檢測分割作為快速目標檢測。HOG參數(shù)設(shè)置為64X64，Cell：16，Block：32，Bin：9

1、總體設(shè)計HOG是一個圖像的特征，全稱梯度方向直方圖，是使用圖像局部梯度對圖像進行描述的一種方式。SVM是一個高維度的分類器，全稱支持向量機，是一種結(jié)構(gòu)化風(fēng)險較低的分類器，也是目前研究領(lǐng)域較為熱門的分類器。我們關(guān)注的焦點不是如何實現(xiàn)他們，而是如何在開發(fā)中正確有效的使用他們。從總體上，可以將方案分為四大部分，一是分類器的訓(xùn)練；二是目標疑似區(qū)提取，即檢測部分；三是使用分類器進行虛警踢除，即識別部分；四是聚類定位。

2、分類器的訓(xùn)練部分主要是完成樣本的采集、管理、特征提取以及SVM的訓(xùn)練。樣本的采集部分一般是使用現(xiàn)有的標準數(shù)據(jù)庫，或者使用PS一類的圖像處理軟件進行裁剪采集，需要說明的是所有樣本尺寸需一致，且符合HOG特征提取要求。樣本管理是正確的組織管理大量樣本，最好有一個樣本管理軟件。不要小看這部分，對于小量樣本來說管理部分確實簡單，但是，對于海量數(shù)據(jù)來說，其管理難度可想而知。特征提取部分我建議使用opencv的HOGDescriptor類進行實現(xiàn)，使用簡便。svm分類器訓(xùn)練部分可以使用opencv的SVM類，但是，出于對訓(xùn)練結(jié)果的可視性，我建議使用C語言版本的libSVM，這是***一大學(xué)教授耗時3年多編制而成，opencv也是使用他的源碼進行封裝，連調(diào)用接口都幾乎一致。完成訓(xùn)練部分以后，保存訓(xùn)練模型，以便于識別部分使用。特別提醒的是， 對于SVM的訓(xùn)練而言，對訓(xùn)練數(shù)據(jù)進行歸一化是一個很重要的過程，有可能影響到訓(xùn)練的成功與否。

3、快速目標檢測 （1）原始圖像

目標疑似區(qū)提取是一個快速目標檢測的過程，這也是一個比較棘手的過程。目標疑似區(qū)提取有兩大原則，一是不能丟失目標，二是盡可能減少疑似區(qū)。根據(jù)這兩個原則，針對實際情況進行算法定制。常見的有局部對比度分割，或者是恒虛警算法、基于顏色的分割、基于邊緣的分割等等……局部對比度分割適用于尺寸較小，與周圍背景對比度強烈的目標?；陬伾指钸m用目標顏色特征較為明顯的目標，如車牌、綠色植物、鼠標墊等?？焖贆z測部分的設(shè)計應(yīng)該基于量大原則：一是目標不遺落原則?？焖贆z測部分只是在宏觀選上對目標進行篩選，此時遺落目標后續(xù)算法就毫無意了；二是高效原則?？焖贆z測部分應(yīng)該是基于底層圖像信息，如亮度、邊緣等知識進行處理，盡可能減少算法耗時。

（2）、皮膚檢測

（3）、皮膚分割

4、目標識別部分是在快速檢測的結(jié)果上進行，快速檢測部分提供了目標的疑似區(qū)域，在疑似區(qū)域?qū)?yīng)的原始圖像上，形成目標切片、提取特征、分類器判定，形成目標候選區(qū)域。目標識別部分的主要工作體現(xiàn)在分類器的訓(xùn)練，因為識別部分只是使用與訓(xùn)練部分相同的特征提取方式，以及分類模型的導(dǎo)入等。

（4）、HOG+SVM檢測

5、目標聚類部分的目的是為了準確找出目標的中心。在分類器鑒別后形成的目標候選點集合中，如果可以確認只存在一個目標，那么聚類部分就非常簡單了，只需要求出所有候選點的質(zhì)心就是目標的中心了。對于目標個數(shù)不確定的情況，我們通常有這樣幾種解決方案：一是通過領(lǐng)域候選點矩陣進行聯(lián)通域提出，以每個聯(lián)通域的質(zhì)心為目標中心。二是使用領(lǐng)域候選點增長法。

（5）、聚類結(jié)果