基于热红外图像的人体目标检测方法的测试结果与分析

从OTCBVS Benchmark Dataset Collection和利用FLIR A40拍摄的自建数据集中选取多段热红外序列图像。测试序列图像的分辨率均为320×240，图像中人体目标的姿态、尺寸、运动模式等特点均有不同。表4.3列出了其中3段代表性序列图像的细节信息。利用所选取的测试序列图像，经图像分割和候选目标选取整理得到一个由3 000个正样本和3 000个负样本构成的数据集，用于测试本节算法。

表4.3　代表性测试序列图像特征列表

DBN可见层及隐含层单元偏置量均初始化为0，网络的学习率ε=0.01，epochs=30。层间连接权初始化为高斯分布的［0，1］随机数。隐含层的层数为2，这样使网络结构尽可能简单。每个隐含层的神经元数d设置为MLE对输入特征向量的本征维数估计值，这样使输入特征与网络结构紧密耦合。测试时采用3折交叉验证，评价指标为交叉验证精度CVA。

首先配置多组HOME生成参数（参数包括最大尺度S，方向区间数N以及网格划分数P、Q），然后使用DBN网络对测试数据集进行识别，结果列于表4.4。可见在所列参数下，CVA值达到97%～99%，而且较小的DBN隐含层单元数使得DBN网络结构简单，使得识别效率较高。

表4.4　本节方法在HOME不同生成参数下的CVA

接下来设置四组粒度从粗到细的HOME特征生成参数，并在每组参数下使用不同比列的样本训练DBN，相应的CVA值列于表4.5。可见CVA在92.50%以上，最高可达到99.82%，说明识别精度高。另外，尽管训练样本比例剧烈变化，但识别精度保持了相对稳定。

表4.5　本节方法在使用不同比例训练样本时的CVA

（续表）

继续将本节算法与其他识别方法进行对比，获得的对比结果列于表4.6。表格数据反映出HOME在边缘信息表达能力上优于PCF［120］、HMOE［123］、HOG特征，同时DBN也体现出较NN、SVM、RVM、MSRC［129］更优的分类性能。HOME与DBN的组合获得了最佳识别精度。(www.xing528.com)

表4.6　本节方法与对比方法的CVA

随后在0.005～0.2范围内改变ε值，考察学习速度对DBN的影响。该测试得到的CVA曲线见图4.19，可见CVA始终在0.99附近小幅变化，表明网络性能对此参数值变化的鲁棒性好。

最后，将本方法在实际热红外序列图像中进行测试。部分代表性识别结果如图4.20所示。该图中识别正确与识别错误的目标分别以方框和椭圆框标注。另外也计算了探测率、虚警率、漏检率、精确率指标，所得结果列于表4.7。从图4.20及表4.7可看出本节方法在多种不同场景中均获得了较好的识别效果，具有良好的场景适应性。

图4.19　DBN在不同学习速度下获得的CVA

图4.20　本节方法在测试序列图像上的部分代表性识别结果

表4.7　本节方法在实际序列图像上的性能评价

以上各测试结果表明，HOME作为MMSR的统计描述，在多尺度概念下实现了对图像边缘的良好表达。DBN从HOME自动学习到紧支特征，获得较图像微结构层次更高、更结构化和层次化的内在特征，实现了对图像数据的更好理解，构建了更好的分类模型。通过HOME与DBN结构的紧密耦合，有利于获得优化的深度网络结构参数，一方面避免了参数不当可能导致的网络收敛性问题［130］，同时也加速了网络训练过程。