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

ID:20610093

大?。?1.73 KB

頁數(shù):14頁

時(shí)間:2018-10-14

基于slbh特征的行人檢測算法研究_第1頁
基于slbh特征的行人檢測算法研究_第2頁
基于slbh特征的行人檢測算法研究_第3頁
基于slbh特征的行人檢測算法研究_第4頁
基于slbh特征的行人檢測算法研究_第5頁
資源描述:

《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

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文

此文檔下載收益歸作者所有

當(dāng)前文檔最多預(yù)覽五頁,下載文檔查看全文
溫馨提示:
1. 部分包含數(shù)學(xué)公式或PPT動(dòng)畫的文件,查看預(yù)覽時(shí)可能會(huì)顯示錯(cuò)亂或異常,文件下載后無此問題,請放心下載。
2. 本文檔由用戶上傳,版權(quán)歸屬用戶,天天文庫負(fù)責(zé)整理代發(fā)布。如果您對(duì)本文檔版權(quán)有爭議請及時(shí)聯(lián)系客服。
3. 下載前請仔細(xì)閱讀文檔內(nèi)容,確認(rèn)文檔內(nèi)容符合您的需求后進(jìn)行下載,若出現(xiàn)內(nèi)容與標(biāo)題不符可向本站投訴處理。
4. 下載文檔時(shí)可能由于網(wǎng)絡(luò)波動(dòng)等原因無法下載或下載錯(cuò)誤,付費(fèi)完成后未能成功下載的用戶請聯(lián)系客服處理。