基于slbh特征的行人檢測算法研究

《基于slbh特征的行人檢測算法研究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、摘要：受韋伯局部描述子和LBP特征的啟發(fā)，針對(duì)Haar特征維度高、冗余度大以及對(duì)光照變化適應(yīng)性差等缺點(diǎn)，提出了一種于顯著性的局部二值化Haar特征。首先將8種Haar特征組合形成一個(gè)3*3的塊，利用局部二值化思想得到二值化Haar特征；然后根據(jù)韋伯定律求取該塊的顯著性因子；最后把顯著性因子作為權(quán)重將二值化Haar特征統(tǒng)計(jì)成直方圖而得到SLBH特征。通過在INRIA行人樣本庫上實(shí)驗(yàn)，表明該特征具有較好的魯棒性、較高的檢測率和較低的虛警率。關(guān)鍵詞：韋伯局部描述子；LBP特征；SLBH特征;顯著性因子；行人檢測中圖分類號(hào)：TP18文獻(xiàn)標(biāo)識(shí)碼：

2、A文章編號(hào)：1009-3044(2015)09-0202-03近年來，基于計(jì)算機(jī)視覺的行人檢測技術(shù)一直是智能交通系統(tǒng)領(lǐng)域研宄的熱點(diǎn)問題［1］，而可行且高效的行人特征提取算法是其中的關(guān)鍵部分，為此，許多專家學(xué)者對(duì)此進(jìn)行了深入研究。Haar特征由Viola等學(xué)者首次提出并用于人臉識(shí)別領(lǐng)域，取得了良好的檢測效果［2,3］，而后被許多學(xué)者改進(jìn)和擴(kuò)展，使其更加適合于行人檢測領(lǐng)域。AbramsonY［4］在標(biāo)準(zhǔn)haar特征的基礎(chǔ)上進(jìn)行了擴(kuò)展，以增強(qiáng)對(duì)運(yùn)動(dòng)行人姿態(tài)的描述和檢測。但該特征仍然易受光照變化、環(huán)境遮擋等因素的影響，適應(yīng)場景變化的能力較差，魯

3、棒性不高。HOG特征是行人檢測特征提取領(lǐng)域的另一經(jīng)典算法，與haar?特征不同，HOG特征屬于矢量特征范疇［5］。LazebnikS等人［6］為了提升了HOG特征提取速度提出了PHOG特征。SIFT特征［7］由于其優(yōu)異的不變性也被廣泛到應(yīng)用到目標(biāo)檢測特征提取的應(yīng)用中。HOG特征和SIFT特征都是比較典型的矢量特征提取算法，但是由于特征維數(shù)較高，實(shí)時(shí)性難以保證，必須經(jīng)過特征降維處理。再就是Edgelet特征［8-9］，與其他行人檢測特征提取算法不同該特征著力于描述行人輪廓特征，能有效處理環(huán)境復(fù)雜且目標(biāo)被遮擋情況較為嚴(yán)重條件下的行人檢測，但

4、是由于計(jì)算較為復(fù)雜，實(shí)時(shí)性較低。OjalaT等人提出的LBP特征因其具有維度低、計(jì)算速度快、能很好的刻畫圖像的紋理信息而被廣泛應(yīng)用，并且出現(xiàn)了許多的變體［10，11］。Chen等人［12］根據(jù)韋伯定理提出了韋伯局部描述算子，該特征雖然對(duì)光照和噪聲干擾具別領(lǐng)域，取得了良好的檢測效果［2,3］，而后被許多學(xué)者改進(jìn)和擴(kuò)展，使其更加適合于行人檢測領(lǐng)域。AbramsonY［4］在標(biāo)準(zhǔn)haar特征的基礎(chǔ)上進(jìn)行了擴(kuò)展，以增強(qiáng)對(duì)運(yùn)動(dòng)行人姿態(tài)的描述和檢測。但該特征仍然易受光照變化、環(huán)境遮擋等因素的影響，適應(yīng)場景變化的能力較差，魯棒性不高。HOG特征是行人

5、檢測特征提取領(lǐng)域的另一經(jīng)典算法，與haar?特征不同，HOG特征屬于矢量特征范疇［5］。LazebnikS等人［6］為了提升了HOG特征提取速度提出了PHOG特征。SIFT特征［7］由于其優(yōu)異的不變性也被廣泛到應(yīng)用到目標(biāo)檢測特征提取的應(yīng)用中。HOG特征和SIFT特征都是比較典型的矢量特征提取算法，但是由于特征維數(shù)較高，實(shí)時(shí)性難以保證，必須經(jīng)過特征降維處理。再就是Edgelet特征［8-9］，與其他行人檢測特征提取算法不同該特征著力于描述行人輪廓特征，能有效處理環(huán)境復(fù)雜且目標(biāo)被遮擋情況較為嚴(yán)重條件下的行人檢測，但是由于計(jì)算較為復(fù)雜，實(shí)時(shí)性

6、較低。OjalaT等人提出的LBP特征因其具有維度低、計(jì)算速度快、能很好的刻畫圖像的紋理信息而被廣泛應(yīng)用，并且出現(xiàn)了許多的變體［10，11］。Chen等人［12］根據(jù)韋伯定理提出了韋伯局部描述算子，該特征雖然對(duì)光照和噪聲干擾具有一定的魯棒性，但是其特征提取仍比較復(fù)雜，計(jì)算量較大。本文在分析上述特征的基礎(chǔ)上，針對(duì)Haar特征維度高、冗余度大，而LBP特征又無法刻畫人眼的視覺敏感度，提出了一種基于顯著性的局部二值化Haar特征(SaliencyLocalBinaryHaar,SLBH)提取算法。該特征維度低，對(duì)平移、縮放和噪聲具有一定的魯棒

7、性，并能顯現(xiàn)特征的局部顯著性，從而提高了行人檢測的準(zhǔn)確率。本文結(jié)構(gòu)安排如下：SLBH特征將在第2節(jié)詳細(xì)介紹，第3節(jié)給出實(shí)驗(yàn)與結(jié)果分析，最后是總結(jié)。1SLBH特征1.1顯著性因子顯著因子是對(duì)局部特征顯著性的描述，韋伯定律指出，在發(fā)散的局部特征中，局部顯著性不能由差別閾限的絕對(duì)值來進(jìn)行比較，而應(yīng)由其相對(duì)值進(jìn)行確定。根據(jù)韋伯定律［12］，可以利用式(1)計(jì)算出中心像素點(diǎn)在其鄰域內(nèi)的顯著性因子。其中［lc］表示中心像素點(diǎn)的灰度值，p為鄰域個(gè)數(shù)，［li］為對(duì)應(yīng)鄰域像素點(diǎn)的灰度值。［S(lc)=arctani=Op(li-lc)lc］(1)其中，［

8、S(lc)E-h2，Ji2］。為了方便后續(xù)計(jì)算，本文再通過增加一個(gè)值為p2］的偏置項(xiàng)將［S(lc)］值域轉(zhuǎn)換至轉(zhuǎn)換［0，JI］。［S(Ic)］是對(duì)局部特征顯著性的描述，其值越大表明顯著性越強(qiáng)。1.2加權(quán)LB