基于slbh特征的行人检测算法研究

《基于slbh特征的行人检测算法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、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；行人检测中图分类号：TP18文献标识码：

2、A文章编号：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。AbramsonY［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

3、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］。LazebnikS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

4、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。AbramsonY［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

5、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］。LazebnikS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

6、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(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

7、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，［

8、S(lc)E-h2，Ji2］。为了方便后续计算，本文再通过增加一个值为p2］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LB