- 相關(guān)推薦
基于SLBH 特征的行人檢測(cè)算法研究報(bào)告
摘要：受韋伯局部描述子和LBP特征的啟發(fā)，針對(duì)Haar特征維度高、冗余度大以及對(duì)光照變化適應(yīng)性差等缺點(diǎn)，提出了一種于顯著性的局部二值化Haar特征。首先將8種Haar特征組合形成一個(gè)3*3的塊，利用局部二值化思想得到二值化Haar特征；然后根據(jù)韋伯定律求取該塊的顯著性因子；最后把顯著性因子作為權(quán)重將二值化Haar特征統(tǒng)計(jì)成直方圖而得到SLBH特征。通過在INRIA行人樣本庫上實(shí)驗(yàn)，表明該特征具有較好的魯棒性、較高的檢測(cè)率和較低的虛警率。
關(guān)鍵詞：韋伯局部描述子；LBP特征；SLBH特征；顯著性因子；行人檢測(cè)
近年來，基于計(jì)算機(jī)視覺的行人檢測(cè)技術(shù)一直是智能交通系統(tǒng)領(lǐng)域研究的熱點(diǎn)問題[1]，而可行且高效的行人特征提取算法是其中的關(guān)鍵部分，為此，許多專家學(xué)者對(duì)此進(jìn)行了深入研究。
本文在分析上述特征的基礎(chǔ)上，針對(duì)Haar特征維度高、冗余度大，而LBP特征又無法刻畫人眼的視覺敏感度，提出了一種基于顯著性的局部二值化Haar特征（Saliency Local Binary Haar，SLBH）提取算法。該特征維度低，對(duì)平移、縮放和噪聲具有一定的魯棒性，并能顯現(xiàn)特征的局部顯著性，從而提高了行人檢測(cè)的準(zhǔn)確率。本文結(jié)構(gòu)安排如下：SLBH特征將在第2節(jié)詳細(xì)介紹，第3節(jié)給出實(shí)驗(yàn)與結(jié)果分析，最后是總結(jié)。
1 SLBH特征
1.1 顯著性因子
顯著因子是對(duì)局部特征顯著性的描述，韋伯定律指出，在發(fā)散的局部特征中，局部顯著性不能由差別閾限的絕對(duì)值來進(jìn)行比較，而應(yīng)由其相對(duì)值進(jìn)行確定。根據(jù)韋伯定律[12]，可以利用式（1）計(jì)算出中心像素點(diǎn)在其鄰域內(nèi)的顯著性因子。其中[Ic]表示中心像素點(diǎn)的灰度值，p為鄰域個(gè)數(shù)，[Ii]為對(duì)應(yīng)鄰域像素點(diǎn)的灰度值。
[S（Ic）=arctani=0p（Ii-Ic）Ic] （1）
其中，[S（Ic）∈-π2，π2]。 為了方便后續(xù)計(jì)算，本文再通過增加一個(gè)值為[π2]的偏置項(xiàng)將[S（Ic）]值域轉(zhuǎn)換至轉(zhuǎn)換[0，π]。[S（Ic）]是對(duì)局部特征顯著性的描述，其值越大表明顯著性越強(qiáng)。
局部二元模式（LBP）是一種描述圖像局部紋理的算子，因其具有計(jì)算簡單，對(duì)光照變化不敏感等優(yōu)點(diǎn)而被廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域。LBP特征計(jì)算如式（2）所示，其中[gc]為中心像素點(diǎn)的灰度值，[gi]為[gc]的八個(gè)鄰域像素點(diǎn)灰度值，[s（?）]為閾值比較函數(shù)，其定義如式（3）所示。
[LBP（gc）=i=07s（gi-gc）?2i] （2）
[s（x，y）=0，if x-y≤T1，otherwise] （3）
在計(jì)算出整幅圖像的LBP特征值后，根據(jù)式（4）統(tǒng)計(jì)LBP特征直方圖，其中判斷函數(shù)[f（?）]定義如式（5）所示。
[H（k）=x，yf（LBP（x，y），k），k∈[0，K]] （4）
[ f（x，y）=1，if x=y0，otherwise] （5）
LBP特征僅利用了中心像素與其鄰域內(nèi)像素間的差異，而缺乏對(duì)物體顯著性的描述。如圖1所示，雖然兩個(gè)矩形區(qū)域具有相同LBP特征值，但是其顯著性因子相差卻很大。根據(jù)韋伯定律，顯著因子越大，其顯著性越強(qiáng)，其所描述的信息也就越重要，而LBP特征并不能描述這些顯著性信息。Cao Y等人[11]利用中心像素與鄰域像素差的絕對(duì)值之和作為權(quán)值，來增加像素間差異在LBP特征直方圖中的影響，如式（6）所示，其中K為最大的LBP特征值，判斷函數(shù)與式（5）相同，權(quán)值函數(shù)如式（7）所示。
[H（k）=x，yw（x，y）*f（LBP（x，y），k），k∈[0，K]] （6）
[w（gc）=i=07|gi-gc|] （7）
Cao Y等提出的加權(quán)LBP直方圖雖然考慮到了像素鄰域間差異的影響，但是它也沒能很好描述特征的局部顯著性。此外，由于在加權(quán)直方圖統(tǒng)計(jì)過程中不斷累積權(quán)重，使得各維度之間相差較大。受韋伯定理的啟發(fā)，本文使用更接近人類視覺差異的顯著性因子作為權(quán)重來統(tǒng)計(jì)加權(quán)LBP直方圖。直方圖統(tǒng)計(jì)函數(shù)如下：
[H（k）=x，yS（x，y）*f（LBP（x，y），k），k∈[0，K]] （8） 1.3 SLBH特征
Viola等人[3]最先提出并將Haar特征應(yīng)用于行人檢測(cè)中。但隨著研究的深入，學(xué)者們發(fā)現(xiàn)原始的Haar特征對(duì)于檢測(cè)靜止的、對(duì)稱的物體比較有效，而對(duì)于行人這類非剛性物體，則需要在其它方向上增加能夠描述行人運(yùn)動(dòng)特點(diǎn)的特征。Lienhart R等人在Viola提出的標(biāo)準(zhǔn)Haar特征的基礎(chǔ)上進(jìn)行了擴(kuò)展，本文使用了圖2所示的這8種擴(kuò)展的Haar特征。
其中，[I（k，l）]表示圖像[I]在點(diǎn)[（k，l）]處像素值，w表示cell的寬度，h表示cell的高度。考慮到LBP模式缺乏對(duì)顯著性描述的缺陷，因此本文利用式（8）來統(tǒng)計(jì)局部二值化Haar特征直方圖，即SLBH特征。該特征計(jì)算步驟如下：
Step 1：將輸入圖像轉(zhuǎn)換到灰度空間。
Step 2：利用積分圖技術(shù)求取每個(gè)cell的像素灰度值之和。
Step 3：將8個(gè)cell按照?qǐng)D3所示結(jié)構(gòu)組成一個(gè)block。
Step 4：根據(jù)式（9）計(jì)算每個(gè)block內(nèi)的LBH值，根據(jù)式（1）計(jì)算每個(gè)block的顯著性因子。
Step 5：按照式（8）統(tǒng)計(jì)直方圖，即為該圖像的SLBH特征。
與傳統(tǒng)Haar特征相比，SLBH特征增加了顯著性因子計(jì)算，其計(jì)算復(fù)雜度雖高于傳統(tǒng)Haar特征，但該特征在刻畫行人紋理信息時(shí)需要的特征數(shù)量較少，故此特征實(shí)時(shí)性較好。由于引入加權(quán)局部二元模式的思想使SLBH特征擁有傳統(tǒng)的Haar特征無法比擬的光照不變性，可以有效的提高系統(tǒng)的魯棒性，這在下面的試驗(yàn)中可以看到SLBH特征優(yōu)越的檢測(cè)效果。
2 實(shí)驗(yàn)與結(jié)果分析
2.1特征性能評(píng)估
為了測(cè)試本文對(duì)Haar特征改進(jìn)的性能，實(shí)驗(yàn)選用了Haar、LBH和SLBH特征做對(duì)比實(shí)驗(yàn)，并且選擇SVM作為分類器。實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如表1所示，從表1中可以發(fā)現(xiàn)本文提出的SLBH特征雖然特征提取時(shí)間略高于其它兩種特征，但是在其它3種評(píng)價(jià)指標(biāo)上都優(yōu)于Haar和LBH特征。
2.2 檢測(cè)性能對(duì)比
3 總結(jié)
本文針對(duì)Haar特征維度高、冗余大以及對(duì)光照敏感等不足提出了一種顯著性的局部二值化Haar特征，該特征結(jié)合了視覺顯著性和加權(quán)LBP的思想，能減少Haar特征的維數(shù)，并增強(qiáng)了紋理描述能力。通過在INRIA行人樣本庫中實(shí)驗(yàn)，結(jié)果表明本文所提方法的檢測(cè)率與誤檢率都優(yōu)于其它方法。
【基于SLBH 特征的行人檢測(cè)算法研究報(bào)告】相關(guān)文章：
基于SVM的重復(fù)網(wǎng)頁檢測(cè)算法分析論文10-11
基于典型相關(guān)分析方法的尺度不變特征變換10-26
基于兒童心理特征的少兒圖書選題策劃研究10-26
基于GABP算法的計(jì)算機(jī)復(fù)雜網(wǎng)絡(luò)可靠性評(píng)估方法研究論文10-08
淺談基于專業(yè)特性進(jìn)行人力資源管理教學(xué)改革的思考10-26
論文范文：基于成人學(xué)員學(xué)習(xí)特征的移動(dòng)學(xué)習(xí)資源設(shè)計(jì)研究10-07
排序算法的算法思想和使用場(chǎng)景總結(jié)01-29
行人的作文04-02