特征的行人检测算法研究

《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