融合显著性因子的行人纹理提取.docVIP

融合显著性因子的行人纹理提取 　　摘要：针对基于纹理信息的行人特征提取算法中存在特征信息冗余度大，无法刻画人眼视觉敏感性的不足，提出一种融合人类视觉感知特性的基于显著性局部二值模式（SFLBP）的行人纹理特征提取算法。该算法首先采用显著性计算方法提取感兴趣区域得到各部分的显著性因子；然后将显著性因子权值与行人纹理特征根据核函数相融合，生成基于SFLBP算子的特征向量；接着统计不同区域的特征向量，形成特征直方图；最后结合自适应AdaBoost分类器构建实验平台进行实验。INRIA数据集中的实验结果显示，SFLBP特征在检测准确率上比梯度直方图（HOG）特征、Haar特征高出2%～3%，达到97%，召回率达到90%，提高了2%左右，表明SFLBP算子能够准确描述行人的纹理特征，提高行人检测系统的准确率。 　　关键词：显著性因子；局部纹理特征；感兴趣区域提取；AdaBoost分类器；行人检测 　　中图分类号： TP391.4 　　文献标志码：A 　　0引言 　　行人检测一直是模式识别、机器视觉、图像处理等研究领域中的一项重要研究课题，广泛应用于视频监控系统、智能车辆控制、肢体动作分析等智能系统中。目前基于统计学习的行人检测方法主要由特征提取和分类学习两部分构成。此类方法中最为典型的是Dalal等[1]提出的基于方向梯度直方图（Histogram of Oriented Gradients， HOG）和支持向量机（Support Vector Machine， SVM）的行人检测方法，该方法能有效刻画人体边缘特征，在行人检测研究中取得了突破性的进展， 但它也存在特征维数高、计算复杂的问题。另外，不少学者还提出了其他的方法用以描述行人特征。Chen等[2]提出的基于人类视觉机制的韦伯特征（Weber Local Lescriptor，WLD）的方法，对光影变化有一定的鲁棒性； Wu等[3]提出的利用线条描述人体局部轮廓的小边特征（Edgelet）在图像出现遮挡的情况下也有了较好的检测效果； Yu等[4]提出了利用光流法计算图像内部的运动信息进行统计建模的检测方法，能有效针对运动目标进行检测。除此之外，还有颜色特征、伽柏特征（Gabor）、协方差特征（Covariance， COV）、积分通道特征（Integral Channel Feature， ICF）等一系列的特征提取算法[5-7]。 　　在基于统计学习方法的行人检测算法中有两个因素对于检测结果有着至关重要的影响：一是分类器设计，二是行人的特征和标识集的建立。在真实场景中，行人和背景通常都是非静态的，可能存在各种变化。为了解决这些问题，行人特征的提取和描述必须做到高效和精确。局部二值模式（Local Binary Pattern， LBP）是一种描述图像纹理特征的有效算子，它具有单调变换不变性和旋转不变性的特点，对光照和周围环境的变化具有一定的鲁棒性[8]。显著性局部二值模式（Significant Factor Local Binary Pattern， SFLBP）则是在LBP算子的基础上融合了显著性因子，使得特征符合人类视觉快速搜索的规律，突出强调行人特征[9]。利用SFLBP特征结合AdaBoost分类器可提高分类器对于行人特征的区分度，有效地提高检测的精度，达到更好的检测效果。 　　1显著纹理结构 　　传统的行人检测方法主要是根据图像自身描述的信息提取出行人特征，再通过这些特征来判断图像中是否存在行人区域，一般可用于提取行人特征的信息有颜色、轮廓、边缘、结构等。本文先提取图像中的LBP纹理特征信息，然后在特征中融合显著性因子，突出图像中视觉显著区域的纹理特征，有利于分类器更好地对特征进行分类操作。 　　1.1 显著性描述因子 　　显著性描述因子（Significant Factor）主要是根据人类的视觉特性来描述图像显著性的算子[10]。依据人的视觉感知特性，显著性一般是由目标部分与背景区域的基于色彩和亮度特征的比值组成，局部显著性因子定义为邻域像素值与中心像素的像素值的之间的对比关系，具体表达式为： 　　G（Xc）=（∑p-1i=0（ΔXi））/Xc=（∑p-1i=0（Xi-Xc））/Xc（1 　　为统一描述图像中的局部显著性特征，对局部显著因子作归一化处理，进一步定义中心像素点的显著性因子为： 　　ξ（Xc）=arctan[G（Xc）]=arctan[∑p-1i=0（Xi-Xc）/Xc] （2） 　　其中：ξ（Xc）的取值范围是[-π/2，π/2]，另外将ξ（Xc）映射到矩形算子框架中，将矩形框划分为N个区间Si（i=0，1，…，N-1），每个区间Si的显著性因子权值也会因区间位置的不同略有差异。ξ（Xc）的值越大，表明该处的显著