一种基于改进LBP算子的图像目标检测方法技术

本发明专利技术涉及一种基于改进LBP算子的图像目标检测方法，通过自适应加权中值滤波方法进行图像去噪处理后，提取图像的局部二值模式直方图离散傅立叶特征，再根据支持向量机(SVM)分类器实现图像目标检测。局部二值模式直方图离散傅立叶特征对光照和噪声具有鲁棒性，同时能保持对图像的旋转不变性和一致性，具有较高的检测精度。

A method of image target detection based on improved LBP operator

The invention relates to an image target detection method based on improved LBP operator, image denoising by adaptive weighted median filtering method, the two value model of local histogram discrete Fu Liye image feature extraction, based on support vector machine (SVM) classifier to realize image target detection. The discrete Fu Liye feature of local two valued model histogram is robust to illumination and noise, and can keep the rotation invariance and consistency of the image, and has higher detection accuracy.

【技术实现步骤摘要】
一种基于改进LBP算子的图像目标检测方法
本专利技术涉及计算机视觉和机器学习领域，尤其涉及一种基于改进LBP算子的图像目标检测方法。
技术介绍
目标检测是计算机视觉与机器学习领域的关键问题，广泛应用于遥感、交通、海事、公安刑侦等方面。在包含有目标的图像或视频采集过程中，由于天气、光照、背景及采集设备自身故障等问题，使得目标检测变得困难。如何快速、准确的将目标从视频或图像背景中检测出来，提高目标快速锁定、排查和追踪效率，成为当前研究的热点。现有的目标检测方法大多是机器视觉方法，主要针对单一环境的目标检测，而对于复杂环境下的目标检测仍是一项具有挑战性的问题。目标检测包括特征提取与分类两部分，主要方法分为基于背景建模方法和基于统计学习方法，基于背景建模的方法对光照和复杂背景较敏感，基于统计学习方法因能克服这些缺点而得到更多注意。方向梯度直方图(HOG)和局部二值模式(LBP)是较常使用的方法，但HOG不适用于背景噪声较大的图像，而LBP能解决这个问题，但传统的LBP对于光照变化较敏感。因此，本专利技术在传统的LBP方法基础上提出了改进的LBP方法。
技术实现思路
本专利技术为克服上述的不足之处，目的在于提供一种基于改进LBP算子的图像目标检测方法，通过自适应加权中值滤波方法进行图像去噪处理后，提取图像的局部二值模式直方图离散傅立叶特征，再根据支持向量机(SVM)分类器实现目标图像检测。局部二值模式直方图离散傅立叶特征对光照和噪声具有鲁棒性，同时能保持对图像的旋转不变性和一致性，具有较高的检测精度。本专利技术是通过以下技术方案达到上述目的：一种基于改进LBP算子的目标图像检测方法，包括如下步骤：(1)输入训练图像集和待检测的目标图像；(2)采用自适应加权中值滤波方法对训练图像集和待检测的目标图像分别进行去噪处理；(3)对去噪后的训练图像集和待检测的目标图像分别计算局部二值模式直方图离散傅立叶特征，完成图像特征提取：3.1)引入多尺度灰度差代替原本的灰度值计算LBP特征；3.2)基于LBP特征计算得到均匀LBP特征；3.3)计算得到LBP直方图离散傅立叶特征；(4)将训练图像集的LBP直方图离散傅立叶特征作为SVM的特征集，训练得到SVM分类器；(5)结合目标图像的LBP直方图离散傅立叶特征，根据训练得到的SVM分类器对目标图像进行目标检测。作为优选，所述步骤(2)采用自适应加权中值滤波方法进行去噪处理的方法如下：2.1)设滤波模型窗口W大小为w×w，w为不小于3的奇数，窗口在图像I上滑动；窗口中心点(x,y)灰度值为I(x，y)，图像I的最大灰度值为Imax，最小灰度值为Imin；2.2)判断I(x，y)＝Imax或I(x，y)＝Imin是否成立，若成立则窗口中心点(x,y)为噪声点，执行步骤2.3)；否则移动窗口W使得中心点落于图像I的下一个像素后继续重复执行本步骤进行判断；2.3)计算窗口W中的非噪声像素数N，若则跳转执行步骤2.5)；否则执行步骤2.4)；2.4)进行自适应滤波窗口设定，令w＝w+2，循环执行步骤2.3)和2.4)直到2.5)根据噪声像素的邻域像素的相似性和距离作为权重衡量标准，计算得到加权像素值。作为优选，所述步骤2.5)计算得到加权像素值的方法如下：(I)计算距离权重：权重大小和窗口中心像素(x,y)与滤波窗口内某像素(x+x′，y+y′)之间的距离远近成反比，其中x′，y′分别为大于0且小于w的整数，距离权重的计算公式为：其中，wx′y′为与中心像素(x,y)在水平方向和垂直方向上分别距离x′，y′个像素的权重；(II)计算相似性权重，其中相似性权重采用梯度占比概率表示：(II.1)计算窗口内每个像素点的梯度，计算公式如下：Gx(x，y)＝I(x+1，y)-I(x-1，y)(2)Gy(x，y)＝I(x，y+1)-I(x，y-1)(3)其中，Gx(x，y)和Gy(x，y)分别表示像素点(x,y)在水平方向和垂直方向上的梯度，则像素点(x,y)处的梯度幅值和梯度方向可表示为：(II.2)将梯度方向360度分为R个方向块，统计落在每个方向块内的像素点的梯度幅值直方图：Hi＝∑G(x，y)|θi(6)其中，Hi为第i个方向块的梯度直方图，i＝1，2，...，R；θi为落在第i个方向块的梯度方向，每个方向块的梯度概率表示为：其中，ρi为第i个方向块的梯度概率；(II.3)对每个方向块内的像素点计算各个像素点的梯度占比概率：其中，μij为梯度占比概率，Gij为方向块i内第j个像素点的梯度幅值；(III)将计算得到距离权重和相似性权重合并形成加权像素值：合并时需对距离权重和相似性权重作归一化处理，加权像素值表示为：I′(x，y)＝α·[norm(wx′y′)×I(x+x′，y+y′)]+β·[norm(μx′y′)×I(x+x′，y+y′)](9)其中，I′(x，y)为加权像素值；norm(wx′y′)为wx′y′进行归一化后的值，norm(μx′y′)为除中心像素点外窗口内其他像素点的梯度占比概率归一化值，α和β分别为距离权重和相似性权重的占比，α和β可根据时间情况调整，满足α+β＝1。作为优选，所述引入多尺度灰度差计算LBP特征的方法如下：(a)设图像I上像素点(x,y)，圆形邻域半径为r，邻域内邻居数为P；若圆形邻域半径内的邻居未落在整数坐标上，则采用双线性插值方法得到邻居坐标，如下所示：(xp，yp)＝(x+rcos(2πp/P)，y-rsin(2πp/P))(10)其中，(xp，yp)为(x,y)的邻域内邻居像素坐标，p＝0,1,…,P-1；(b)以多尺度灰度差代替原始LBP中的灰度值，则像素点(x,y)的LBP特征值可表示为：LBPP，r(x，y)为LBP特征值，D(xp，yp)为邻居像素(xp，yp)的多尺度灰度差；D(x，y)为(x,y)的多尺度灰度差；u(·)为阶跃函数，为二进制序列值，表达式为其中，多尺度灰度差的计算方法如下：(b.1)计算灰度差：图像I上像素点(x,y)由小到大的邻域有K个，像素点(x,y)的第k(k＝1,2,…,K)个灰度差表达式如下：其中，Dk(x，y)为像素点(x,y)的第k个灰度差，Ωk和Ωmax分别为第k个邻域和最大邻域包含的像素集，和分别表示对应像素集中包含的像素个数，I(s，t)和I(p，q)分别表示像素集Ωk和Ωmax中的像素灰度值；(b.2)计算多尺度灰度差：根据步骤(b.1)求得每个邻域的灰度差，以K个灰度差中的最大值作为像素点(x,y)的多尺度灰度差：D(x，y)＝MAX{D1(x，y)，D2(x，y)，...，DK(x，y)}(14)其中，D(x，y)为像素点(x,y)的多尺度灰度差。作为优选，所述基于LBP特征计算得到均匀LBP特征方法为：一个LBP算子具有2P种不同的二进制模式，具备90％以上的二进制序列从0到1或从1到0的变化不超过2次的模式定义为均匀模式；将均匀模式归为一类，其他模式归为另一类，计算公式如下：其中，U(LBPP，r)为均匀性衡量值。作为优选，其特征在于：所述的U(LBPP，r)表达式如下：作为优选，所述计算LBP直方图离散傅立叶特征的方法如下：(A)设二进制序列中1的个数为n、旋转步长为ε的均匀LBP模式为UP(n，本文档来自技高网...

【技术保护点】
一种基于改进LBP算子的图像目标检测方法，其特征在于，包括如下步骤：(1)输入训练图像集和待检测的目标图像；(2)采用自适应加权中值滤波方法对训练图像集和待检测的目标图像分别进行去噪处理；(3)对去噪后的训练图像集和待检测的目标图像分别计算局部二值模式直方图离散傅立叶特征，完成图像特征提取：3.1)引入多尺度灰度差代替原本的灰度值计算LBP特征；3.2)基于LBP特征计算得到均匀LBP特征；3.3)计算得到LBP直方图离散傅立叶特征；(4)将训练图像集的LBP直方图离散傅立叶特征作为SVM的特征集，训练得到SVM分类器；(5)结合目标图像的LBP直方图离散傅立叶特征，根据训练得到的SVM分类器对目标图像进行目标检测。

【技术特征摘要】
1.一种基于改进LBP算子的图像目标检测方法，其特征在于，包括如下步骤：(1)输入训练图像集和待检测的目标图像；(2)采用自适应加权中值滤波方法对训练图像集和待检测的目标图像分别进行去噪处理；(3)对去噪后的训练图像集和待检测的目标图像分别计算局部二值模式直方图离散傅立叶特征，完成图像特征提取：3.1)引入多尺度灰度差代替原本的灰度值计算LBP特征；3.2)基于LBP特征计算得到均匀LBP特征；3.3)计算得到LBP直方图离散傅立叶特征；(4)将训练图像集的LBP直方图离散傅立叶特征作为SVM的特征集，训练得到SVM分类器；(5)结合目标图像的LBP直方图离散傅立叶特征，根据训练得到的SVM分类器对目标图像进行目标检测。2.根据权利要求1所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述步骤(2)采用自适应加权中值滤波方法进行去噪处理的方法如下：2.1)设滤波模型窗口W大小为w×w，w为不小于3的奇数，窗口在图像I上滑动；窗口中心点(x,y)灰度值为I(x，y)，图像I的最大灰度值为Imax，最小灰度值为Imin；2.2)判断I(x，y)＝Imax或I(x，y)＝Imin是否成立，若成立则窗口中心点(x,y)为噪声点，执行步骤2.3)；否则移动窗口W使得中心点落于图像I的下一个像素后继续重复执行本步骤进行判断；2.3)计算窗口W中的非噪声像素数N，若则跳转执行步骤2.5)；否则执行步骤2.4)；2.4)进行自适应滤波窗口设定，令w＝w+2，循环执行步骤2.3)和2.4)直到2.5)根据噪声像素的邻域像素的相似性和距离作为权重衡量标准，计算得到加权像素值。3.根据权利要求2所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述步骤2.5)计算得到加权像素值的方法如下：(I)计算距离权重：权重大小和窗口中心像素(x,y)与滤波窗口内某像素(x+x′，y+y′)之间的距离远近成反比，其中x′，y′分别为大于0且小于w的整数，距离权重的计算公式为：其中，wx′y′为与中心像素(x,y)在水平方向和垂直方向上分别距离x′，y′个像素的权重；(II)计算相似性权重，其中相似性权重采用梯度占比概率表示：(II.1)计算窗口内每个像素点的梯度，计算公式如下：Gx(x，y)＝I(x+1，y)-I(x-1，y)(2)Gy(x，y)＝I(x，y+1)-I(x，y-1)(3)其中，Gx(x，y)和Gy(x，y)分别表示像素点(x,y)在水平方向和垂直方向上的梯度，则像素点(x,y)处的梯度幅值和梯度方向可表示为：(II.2)将梯度方向360度分为R个方向块，统计落在每个方向块内的像素点的梯度幅值直方图：Hi＝∑G(x，y)|θi(6)其中，Hi为第i个方向块的梯度直方图，i＝1，2，...，R；θi为落在第i个方向块的梯度方向，每个方向块的梯度概率表示为：其中，ρi为第i个方向块的梯度概率；(II.3)对每个方向块内的像素点计算各个像素点的梯度占比概率：其中，μij为梯度占比概率，Gij为方向块i内第j个像素点的梯度幅值；(III)将计算得到距离权重和相似性权重合并形成加权像素值：合并时需对距离权重和相似性权重作归一化处理，加权像素值表示为：I′(x，y)＝α·[norm(wx′y′)×I(x+x′，y+y′)]+β·[norm(μx′y′)×I(x+x′，y+y′)](9)其中，I′(x，y)为加权像素值；norm(wx′y′)为wx′y′进行归一化后的值，norm(μx′y′)为除中心像素点外窗口内其他像素点的梯度占比概率归一化值，α和β分别为距离权重和相似性权重的占比，α和β可根据时间情况调整，满足α+β＝1。4.根据权利要求3所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述引入多尺度灰度差计算LBP特征的方法如下：(a)设图像I上像素点(x,y)，圆形邻域半径为r，邻域内邻居数为P；若圆形邻域半...

【专利技术属性】
技术研发人员：吴越，李丹，李建元，范鸿俊，
申请(专利权)人：银江股份有限公司，
类型：发明
国别省市：浙江,33