欢迎来到天天文库
浏览记录
ID:73771787
大小:16.00 KB
页数:4页
时间:2021-12-25
《特征的行人检测算法研究》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库。
1、特征的行人检测算法研究摘要:受韦伯局部描述子和LBP特征的启发,针对Haar特征维度高、冗余度大以及对光照变化适应性差等缺点,提出了一种于显著性的局部二值化Haar特征。首先将8种Haar特征组合形成一个3*3的块,利用局部二值化思想得到二值化Haar特征;然后根据韦伯定律求取该块的显著性因子;最后把显著性因子作为权重将二值化Haar特征统计成直方图而得到SLBH特征。通过在INRIA行人样本库上实验,表明该特征具有较好的鲁棒性、较高的检测率和较低的虚警率。关键词:韦伯局部描述子;LBP特征;SLBH特征;显著性因子;行人检测近年来,基于计算机视觉的行人检测技术一直是智能交
2、通系统领域研究的热点问题[1],而可行且高效的行人特征提取算法是其中的关键部分,为此,许多专家学者对此进行了深入研究。本文在分析上述特征的基础上,针对Haar特征维度高、冗余度大,而LBP特征又无法刻画人眼的视觉敏感度,提出了一种基于显著性的局部二值化Haar特征(SaliencyLocalBinaryHaar,SLBH)提取算法。该特征维度低,对平移、缩放和噪声具有一定的鲁棒性,并能显现特征的局部显著性,从而提高了行人检测的准确率。本文结构安排如下:SLBH特征将在第2节详细介绍,第3节给出实验与结果分析,最后是总结。1SLBH特征1.1显著性因子显著因子是对局部特征显著
3、性的描述,韦伯定律指出,在发散的局部特征中,局部显著性不能由差别阈限的绝对值来进行比较,而应由其相对值进行确定。根据韦伯定律[12],可以利用式(1)计算出中心像素点在其邻域内的显著性因子。其中[Ic]表示中心像素点的灰度值,p为邻域个数,[Ii]为对应邻域像素点的灰度值。[S(Ic)=arctani=0p(Ii-Ic)Ic](1)其中,[S(Ic)∈-π2,π2]。为了方便后续计算,本文再通过增加一个值为[π2]的偏置项将[S(Ic)]值域转换至转换[0,π]。[S(Ic)]是对局部特征显著性的描述,其值越大表明显著性越强。局部二元模式(LBP)是一种描述图像局部纹理的算
4、子,因其具有计算简单,对光照变化不敏感等优点而被广泛应用于计算机视觉领域。LBP特征计算如式(2)所示,其中[gc]为中心像素点的灰度值,[gi]为[gc]的八个邻域像素点灰度值,[s(?)]为阈值比较函数,其定义如式(3)所示。[LBP(gc)=i=07s(gi-gc)?2i](2)[s(x,y)=0,ifx-y≤T1,otherwise](3)在计算出整幅图像的LBP特征值后,根据式(4)统计LBP特征直方图,其中判断函数[f(?)]定义如式(5)所示。[H(k)=x,yf(LBP(x,y),k),k∈[0,K]](4)[f(x,y)=1,ifx=y0,otherwis
5、e](5)LBP特征仅利用了中心像素与其邻域内像素间的差异,而缺乏对物体显著性的描述。如图1所示,虽然两个矩形区域具有相同LBP特征值,但是其显著性因子相差却很大。根据韦伯定律,显著因子越大,其显著性
此文档下载收益归作者所有