【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 ...
【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 ...
【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
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。