[发明专利]一种基于改进HOG‑SSLBP的行人检测方法

说明书

技术领域

本发明涉及计算机视觉和模型识别技术领域，尤其涉及一种基于改进HOG-SSLBP的行人检测方法。

背景技术

行人检测作为物体检测技术的一种，已经在汽车驾驶辅助、视频监控系统和基于内容的视频检索等方面得到广泛的应用。行人检测可看作是特征提取和分类器设计相结合的过程，目的是从一个未知的视频或图像中，自动分析并检测出其中存在的行人。采用行人检测的智能图像信息分析技术，可有效处理与目标检测相关的图像理解和模式识别中的不确定性问题。

目前，较为经典的行人检测方法有HOG描述子与SVM分类器结合的行人检测方法，利用可变部件模型(deformal part models，DPM)检测粘连现象严重的行人的方法以及基于HOG-LBP特征的行人检测方法。使用HOG及其改进的方法取得了较大的成功。HOG与LBP融合作为特征进行行人检测，弥补了单独使用LBP特征进行图像描述造成的边缘方向信息缺失的缺陷。HOF和局部自相似性特征进行图像描述，使用HIKSVM分类器进行行人检测，提高了算法的精度和实时性。

局部二值模式(LBP)作为一种描述图像局部纹理特征的算子，用于提取纹理特征时，具有旋转不变性和灰度不变性等显著优点，且提取的特征是图像局部的纹理特征。但存在特征谱维数较高，对光照、旋转和尺度鲁棒性差等缺陷。

HOG描述子生成过程冗长，导致速度慢，实时性差，很难处理遮挡问题。由于梯度的性质，该描述子对噪点相当敏感。LBP及其改进的算子无法解决尺度变化问题，且存在特征谱维度较高，对噪声鲁棒性差等缺陷。

发明内容

鉴于上述的分析，本发明旨在提供一种基于改进HOG-SSLBP的行人检测方法，用以解决现有行人检测方法无法解决尺度变化问题或实时性差的问题。

本发明的目的主要是通过以下技术方案实现的：

一种基于改进HOG-SSLBP的行人检测方法，具体包括以下步骤：

获取待检测图像序列；

提取上述图像序列的SSLBP特征和HOG特征并进行融合，得到融合特征；

利用训练好的HIK SVM分类器对上述融合特征进行分类，获得行人检测结果。

本发明有益效果如下：

本发明采用将原始图像的尺度选择局部二值模式(SSLBP)特征与HOG特征融合的特征提取方法，提取图像特征。在对光照、噪声和旋转具有鲁棒性，保留原始图像纹理信息和边缘信息的同时；简单有效地解决了尺度问题，提高局部二值模式的尺度不变性，获得尺度不变特征提高了检测精度，且提取特征耗时较短，具有较高的实时性。

在上述方案的基础上，本发明还做了如下改进：

进一步，所述提取图像序列的SSLBP特征具体包括以下步骤：

使用CLBP提取尺度敏感特征；

应用尺度选择方案对上述得到尺度敏感特征进行处理，获得SSLBP特征。

采用上述进一步方案的有益效果是：

使用CLBP提取尺度敏感特征，消除了旋转的影响。

进一步，所述尺度选择方案，具体包括以下步骤：

使用高斯滤波器获得图像的尺度空间；

构建上述尺度空间中仅包含主导模式的每个图像的局部模式直方图；

对于每个主导模式，选择不同尺度之间的最大发生频率；

利用上述选择的最大发生频率构建得到新的特征直方图，所述新的特征直方图作为图像的尺度不变特征。

进一步，所述主导模式通过以下步骤确定：

通过二维高斯滤波器得到训练样本集的尺度空间；

对于上述每个尺度空间中的图像，构建局部模式直方图；

对于每个模式，选择不同尺度之间的最大发生频率；

利用上述选择的最大发生频率构建得到新的特征直方图；

对上述得到的新的特征直方图进行降序分类，选择具有高平均频率的模式为主导模式。

进一步，所述HIK SVM分类器，训练过程具体包括以下步骤：

输入训练样本集；

提取训练样本的SSLBP特征和HOG特征并进行融合，得到融合特征；

利用上述融合特征对HIK SVM分类器进行训练。

进一步，所述提取训练样本的SSLBP特征具体包括以下步骤：

使用CLBP提取训练样本的尺度敏感特征；

应用尺度选择方案对上述得到的尺度敏感特征进行处理，获得训练样本的SSLBP特征。