基于稀疏表示LBP和HOG融合的行人检测方法技术

本发明专利技术公开了一种基于稀疏表示LBP和HOG融合的行人检测方法，首先提取LBP特征并对其进行稀疏表示，然后将稀疏系数与HOG特征进行融合。实验结果表明，该方法有效的提高了识别率、且对复杂光照条件下具有较高的鲁棒性。相比仅靠融合特征提高识别率的方法，本发明专利技术具有特征维度低，识别速度较快等优点。

【技术实现步骤摘要】

本专利技术属于模式识别下的行人检测领域，具体涉及一种基于稀疏表示LBP和HOG融合的行人检测方法。
技术介绍
行人检测可定义为:判断输入图片(或视频帧)是否包含行人,如果有,给出位置信息.。行人检测系统(PDS-PedestrianDetectionSystem)旨在行进的汽车上建立一个自主、智能的行人检测、智能辅助驾驶系统,具有提高驾驶安全性、保障行人生命财产安全的重要意义和实用价值。在行人检测系统中，通常包括感兴趣区域提取、特征提取、目标识别，三个阶段。行人检测通常提取的简单特征有，目标的长宽比、占空比、物体的相对移动速度等，相对复杂些的特征有haar-like、hog、sift、shapelet、LBP特征。对于行人检测而言,没有一个单独的特征提取算法的性能优于HOG算法。HOG特征描述了行人目标区域梯度强度和梯度方向的分布情况,能很好地表征行人的外观和形状,而且对光照不敏感。但当背景覆盖凌乱的噪声边缘时，HOG处理效果很差。由于单一类型的特征仅能从某一方面刻画行人特征，描述能力较弱，因此组合应用多种底层特征的越来越具有应用价值。LBP纹理特征在图像处理和模式识别领域是主要的特征之一，它可以过滤出噪声，结合了边缘/局部形状信息还有纹理信息，能够很好的捕捉到人的外表。且不受背景颜色和光照的影响将HOG特征和纹理特征联合起来共同表征行人，这样在获取了行人的梯度信息的同时，还获得了描述行的纹理特征，这对复杂环境中的行人检测有良好的改善效果。但是标准的LBP直方图大多都是针对图像中的各个分区分别计算的，对于一个普通大小的分块区域，标准LBP算子得到的二进制模式数目较多，而实际位于该分块区域中的像素数目去相对较少，这将会得到一个过于稀疏的直方图，从而使直方图失去统计意义。多特征融合技术使得行人检测的识别率有了进一步的提升，但同时过高的维度也会增加计算的复杂度，给后续的分类问题带来负担。实际上维数过高的特征向量对于分类性能(识别率)也会造成很多负面影响。需要进一步的对特征进行降维等处理。
技术实现思路
本专利技术提出了基于稀疏表示LBP和HOG融合的行人检测的方法，解决单个HOG算法对行人描述不足的缺点、采用统一化LBP算子解决了传统LBP直方图过于稀疏的问题，采用稀疏表示解决了融合特征中直接将特征融合造成维度过高的问题，在降低维度的同时也提高了识别率。结合说明书附图，本专利技术的技术方案如下：一种基于稀疏表示LBP和HOG融合的行人检测方法，该方法首先利用训练样本训练分类器模型，然后利用分类器模型识别检测样本，其特征在于：所述利用训练样本训练分类器模型的具体步骤如下：A1：输入训练样本组图片；A2：判断训练样本组图片是否为灰度图像，若不是，将其转化为灰度图像；A3：提取训练样本图片的LBP特征，并进行归一化处理；A4：获得训练样本组图片的LBP特征；A5：选取归一化后的K个训练样本的LBP特征矩阵作为初始矩阵D，利用K-SVD算法进行字典学习，得到更新后的字典D；A6：利用字典D对步骤A4中归一化的训练样本组图片的LBP特征进行稀疏表示，得到稀疏系数；A7：提取训练样本组图片的HOG特征，获得供分类使用的特征向量；A8：将步骤A7中得到的HOG特征与步骤A6中得到的稀疏系数进行融合，串联形成融合特征向量；A9：使用SVM算法训练得出SVM分类器模型，并保存SVM分类器模型；所述利用分类器模型识别检测样本的具体步骤如下：B1：输入检测样本图片；B2：判断检测样本图片是否为灰度图像，若不是，将其转化为灰度图像；B3：提取检测样本图片的LBP特征，并进行归一化处理；B4：利用字典D对归一化的检测样本图片的LBP特征进行稀疏表示，得到稀疏系数；B5：提取检测样本的HOG特征，获得特征向量；B6：将HOG特征向量与稀疏系数进行融合，串联形成融合特征向量；B7：利用步骤A9中所述的SVM分类器模型对检测样本的融合特征进行分类，判别检测样本是否为行人；所述步骤A3与B3中提取图片的LBP特征，并进行归一化处理的步骤如下：第一步：图像分割，将图像分割为图像块；第二步：求取每个图像块LBP特征直方图，针对每块图像块，根据LBP82算子求取图像的纹理特征，得到特征向量，再将特征向量进行提取转化；第三步：归一化直方图，采用L2-范式：获得归一化后向量，其中：s为待归一化向量，ε为避免分母为零的常量，s′为归一化后的向量；第四步：获得单幅图像LBP特征，得到N维LBP向量。所述步骤A4中获得训练样本组图片的LBP特征的具体方法为：使用m个正样本和n个负样本，将单个图像形成的N维向量形成一行，共得到(m+n)×N维特征向量，其中前m个LBP特征为正样本特征，后n个为负样本特征。所述步骤A5中得到字典D的具体步骤为：第一步：选取归一化后的K个行人样本的LBP特征矩阵作为初始矩阵D；第二步：固定字典D，通过正交匹配追踪算法确定稀疏矩阵X，且第三步：将j从1循环至K，通过式E=Y-DX=Y-Σj=1Kdixi′=(Y-Σi≠jKdixi′)-djxj′=Ej′-djxj′]]>计算E′j，并对E′j进行SVD分解，更新字典D第j列dj；其中，稀疏矩阵X的第j行为x′j，样本Y与DX的差异为E，E′j表示去掉原子dj后在所有样本中造成的误差第四步：循环步骤二和步骤三，直到最终得到更新后的字典D。所述步骤A6和B4中稀疏表示的具体步骤为：根据稀疏表示模型Y＝DX其中，Y是需要稀疏表示的LBP行人特征，D为步骤A6中得出的字典，X为稀疏系数。所述步骤A7和B5中提取HOG特征的具体步骤为：第一步：采用Gamma校正法对输入图像进行颜色空间的标准化；第二步：计算图像每个像素的梯度，包括大小和方向；第三步：将图像划分为若干个单元第四步：统计每个单元的梯度直方图，即可形成每个单元的特征；第五步：将若干个单元平均划分组成若干个块，将每个块内所述有的单元特征串联起来获得该块的HOG特征；第六步：将图像内所有的块的HOG特征串联起来得到该图像的HOG特征，即供分类使用的特征向量。所述步骤A9中采用LIBSVM算法，用+1和-1作为类别标签来标记由步骤A8得到的行人检测的训练数据，+1标记正样本，-1标记负样本，将类别标签和训练样本送入分类器，得出分类器模型，并保本文档来自技高网...

【技术保护点】
基于稀疏表示LBP和HOG融合的行人检测方法，该方法首先利用训练样本训练分类器模型，然后利用分类器模型识别检测样本，其特征在于：所述利用训练样本训练分类器模型的具体步骤如下：A1：输入训练样本组图片；A2：判断训练样本组图片是否为灰度图像，若不是，将其转化为灰度图像；A3：提取训练样本图片的LBP特征，并进行归一化处理；A4：获得训练样本组图片的LBP特征；A5：选取归一化后的K个训练样本的LBP特征矩阵作为初始矩阵D，利用K‑SVD算法进行字典学习，得到更新后的字典D；A6：利用字典D对步骤A4中归一化的训练样本组图片的LBP特征进行稀疏表示，得到稀疏系数；A7：提取训练样本组图片的HOG特征，获得供分类使用的特征向量；A8：将步骤A7中得到的HOG特征与步骤A6中得到的稀疏系数进行融合，串联形成融合特征向量；A9：使用SVM算法训练得出SVM分类器模型，并保存SVM分类器模型；所述利用分类器模型识别检测样本的具体步骤如下：B1：输入检测样本图片；B2：判断检测样本图片是否为灰度图像，若不是，将其转化为灰度图像；B3：提取检测样本图片的LBP特征，并进行归一化处理；B4：利用字典D对归一化的检测样本图片的LBP特征进行稀疏表示，得到稀疏系数；B5：提取检测样本的HOG特征，获得特征向量；B6：将HOG特征向量与稀疏系数进行融合，串联形成融合特征向量；B7：利用步骤A9中所述的SVM分类器模型对检测样本的融合特征进行分类，判别是否为行人。...

【技术特征摘要】
1.基于稀疏表示LBP和HOG融合的行人检测方法，该方法首先利用训练样本训练分
类器模型，然后利用分类器模型识别检测样本，其特征在于：
所述利用训练样本训练分类器模型的具体步骤如下：
A1：输入训练样本组图片；
A2：判断训练样本组图片是否为灰度图像，若不是，将其转化为灰度图像；
A3：提取训练样本图片的LBP特征，并进行归一化处理；
A4：获得训练样本组图片的LBP特征；
A5：选取归一化后的K个训练样本的LBP特征矩阵作为初始矩阵D，利用K-SVD算
法进行字典学习，得到更新后的字典D；
A6：利用字典D对步骤A4中归一化的训练样本组图片的LBP特征进行稀疏表示，得
到稀疏系数；
A7：提取训练样本组图片的HOG特征，获得供分类使用的特征向量；
A8：将步骤A7中得到的HOG特征与步骤A6中得到的稀疏系数进行融合，串联形成
融合特征向量；
A9：使用SVM算法训练得出SVM分类器模型，并保存SVM分类器模型；
所述利用分类器模型识别检测样本的具体步骤如下：
B1：输入检测样本图片；
B2：判断检测样本图片是否为灰度图像，若不是，将其转化为灰度图像；
B3：提取检测样本图片的LBP特征，并进行归一化处理；
B4：利用字典D对归一化的检测样本图片的LBP特征进行稀疏表示，得到稀疏系数；
B5：提取检测样本的HOG特征，获得特征向量；
B6：将HOG特征向量与稀疏系数进行融合，串联形成融合特征向量；
B7：利用步骤A9中所述的SVM分类器模型对检测样本的融合特征进行分类，判别是
否为行人。
2.如权利要求1所述基于稀疏表示LBP和HOG融合的行人检测方法，其特征在于：
所述步骤A3与B3中提取图片的LBP特征，并进行归一化处理的步骤如下：
第一步：图像分割，将图像分割为图像块；
第二步：求取每个图像块LBP特征直方图，针对每块图像块，根据算子求取图像
的纹理特征，得到特征向量，再将特征向量进行提取转化；
第三步：归一化直方图，采用L2-范式：获得归一化后向量，
其中：s为待归一化向量，ε为避免分母为零的常量，s′为归一化后的向量；
第四步：获得单幅图像LBP特征，得到N维LBP向量。
3.如权利要求1所述基于稀疏表示LBP和HOG融合的行人检测方法，其特征在于：
所述步骤A4中获得训练样本组图片的...

【专利技术属性】
技术研发人员：王冬梅，刘帅师，冯偲，于微波，邱东，张袅娜，刘德雨，戴威，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：吉林;22