無源濾波器設計軟件：gabor濾波代碼

針對實際監控中人體目標輪廓的多尺度特性，提出一種用於人體目標檢測的多尺度方向特徵描述子(HOGG)。首先採用Gabor濾波器提取人體圖像對應不同尺度、不同方向的多個Gabor幅值域圖譜，然後將相同尺度不同方向的幅值域圖譜融合以降低特徵維數，並對每幅融合圖像提取梯度方向直方圖(HOG)特徵，最後將這些HOG特徵聯合起來作為人體圖像表徵。利用支持向量機(SVM)對描述特徵進行分類，在CAVIAR數據庫中進行了實驗，結果表明，該算法對人體目標檢測具有較好的性能。

人體檢測被廣泛地用於計算機視覺領域，如公共安全、智能機器人、視覺監控、行為分析等［1］。目前人體檢測多採用基於統計分類的方法，常用Gabor小波變換和Haar小波變換提取人體特徵。DALAL N［2］等人提出梯度直方圖(Histograms of Oriented Gradient，HOG)，利用圖像塊內的方向統計進行人體檢測，對解決局部形變與視角變化等問題，該檢測算法具有較高的精度。Mu Yadong［3］等人將局部二值模式(Local Binary Patterns，LBP)作為人體特徵描述算子，具有旋轉不變性和光照不變性，是一種有效的描述特徵。Wang Xiaoyu［4］等人提出了HOG與LBP相結合的算法，達到兩種特徵互補的效果，對解決人體檢測中部分遮擋問題有顯著的提高。

上述輪廓特徵一般都是在固定尺度上計算，沒有考慮實際監控中複雜背景下人體目標輪廓的多尺度特性，當這些算法應用到真實場景中時，其性能會急劇下降。本文提出一種Gabor變換與HOG特徵相結合的人體檢測算法(簡稱HOGG)，利用Gabor變換多方向多尺度的特性，增強了人體的輪廓信息。該方法首先對圖像進行規一化處理，然後使用Gabor濾波器提取圖像多尺度、多方向的幅值域圖譜，並將同尺度不同方向幅值域圖譜融合以降低特徵維數，最後按順序提取各個尺度上融合圖譜的HOG特徵，串接組成整幅圖像的描述特徵。在CAVIAR數據庫下的大量實驗表明，該方法能較好地提取人體描述特徵，有較高的檢測率。

在提取人體Gabor特徵之前需要對圖像進行規一化處理，本文實驗中所用人體圖像為灰度圖像，大小為32×64像素。為了獲取多尺度的Gabor特徵，選取5個尺度和8個方向的Gabor濾波器組，則一幅人體圖像的多尺度、多方向特徵表示為：

通過Gabor變換後，每幅圖像會轉化成40個不同尺度與方向的圖像，特徵維數為原圖像的40倍，造成特徵數據冗餘，增加了計算的複雜度。本文將Gabor特徵同一尺度不同方向的特徵進行融合，有效地降低了Gabor特徵間的數據冗餘，保持了有效的決策信息，並可以對人體圖像進行多尺度分析。

2HOGG描述子

本文對融合圖像進一步提取HOG特徵，並將其聯合起來作為人體圖像的HOGG表徵。HOGG的構建過程主要分為以下幾個步驟:

(1)計算梯度幅值和方向

利用一階模板算子(-1,0,1)分別從橫向和縱向對融合圖像進行梯度提取操作，求得融合圖像的梯度圖像。

(2)構建梯度方向直方圖

把梯度圖像分成同等大小的正方形小塊(block)，這些小塊是相互重疊的並且每個小塊被分為更小的正方形單元(cell，n×n像素)。利用梯度幅值和梯度方向在每個單元中進行直方圖投票，其中梯度方向作為直方圖投票區間，而梯度幅值作為直方圖投票權重，這樣對於每個小塊(block)都能得到一個維度為m×m×b的直方圖向量。

(3)梯度強度歸一化

以block為單位進行L2norm標準化，減少局部光照以及前景、背景對比度的變化對直方圖特徵的影響。設vn是對應的block向量，則標準化的向量fn為：

其中：ξ為接近0的正數。

(4)形成特徵向量

把一幅融合圖像的所有塊中的HOG特徵連接起來就得到了該融合圖像的HOG特徵。再將各尺度融合圖像的HOG順接起來作為一幅人體圖像的HOGG描述子。

3實驗分析

3.1實驗環境與數據庫

在Core(TM)2.00 GHz的CPU，2.00 GB內存，Windows下MATLAB R2010a的計算機上進行仿真實驗。實驗採用MIT和INRIA數據庫作為訓練集，包括1 126個正樣本與1 218個負樣本；採用CAVIAR［5］數據庫作為測試集。

3.2實驗步驟

本文採用滑動窗口方式獲取檢測窗口，用HOGG描述子對檢測窗口進行描述，再利用支持向量機［6］進行判別。由於在檢測過程中，對同一個人體進行多重檢測會直接導致計算效率下降。為此，本文將檢測窗口從大到小進行遍歷。在遍歷過程中，如果待測區域已經被標記為人體，則跳過該區域。

3.3實驗結果與分析

Gabor能對圖像進行多尺度、多方向的分解，實驗首先研究不同尺度數對檢測算法的影響。從CAVIAR四個序列中各隨機選取200張圖片作為測試集。實驗結果如表1所示。