基于SLBH特征的行人检测算法研究.docVIP

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 TP18 A 1009-3044 (2015)09-0202-03 近年来，基于计算机视觉的行人检测技术一直是 智能交通系统领域研宄的热点问题［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。 Haar特征由Viola等学者首次提出并用于人脸识 别领域，取得了良好的检测效果［2, 3］，而后被许多 学者改进和扩展，使其更加适合于行人检测领域。 Abramson Y［4］在标准haar特征的基础上进行了扩展， 以增强对运动行人姿态的描述和检测。但该特征仍然 易受光照变化、环境遮挡等因素的影响，适应场景变 化的能力较差，鲁棒性不高。HOG特征是行人检测特 征提取领域的另一经典算法，与haar?特征不同，HOG 特征属于矢量特征范畴［5］。Lazebnik S等人［6］为了提 升了 HOG特征提取速度提出了 PHOG特征。SIFT特征 ［7］由于其优异的不变性也被广泛到应用到目标检测 特征提取的应用中。HOG特征和SIFT特征都是比较典 型的矢量特征提取算法，但是由于特征维数较高，实 时性难以保证，必须经过特征降维处理。再就是 Edgelet特征［8-9］，与其他行人检测特征提取算法不同 该特征着力于描述行人轮廓特征，能有效处理环境复 杂且目标被遮挡情况较为严重条件下的行人检测，但 是由于计算较为复杂，实时性较低。OjalaT等人提出 的LBP特征因其具有维度低、计算速度快、能很好的 刻画图像的纹理信息而被广泛应用，并且出现了许多 的变体［10，11］。Chen等人［12］根据韦伯定理提出了 韦伯局部描述算子，该特征虽然对光照和噪声干扰具 有一定的鲁棒性，但是其特征提取仍比较复杂，计算 量较大。 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(Saliency Local Binary Haar, 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。 1 SLBH特征 1.1显著性因子 显著因子是对局部特征显著性的描述，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［lc］表示中心像素点 的灰度值，p为邻域个数，［li］为对应邻域像素点的灰 度值。 ［S (lc) =arctani=Op (li-lc) lc］ (1) 其中，［S(lc) E-h2，Ji2］。为了方便后续计算， 本文再通过增加一个值为p 2］的偏置项将［S (lc)］值 域转换至转换［0，JI］。［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。 1.2加权LBP特征 局部二元模式(LBP)是一种描述图像局部纹理的 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-yTl，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)，ke［0, K］］ (4) ［f (x，y) =1，ifx=y0, otherwise］ (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 显著性越强，其所描