一种融合HOG-LBP函数的交通信号灯检测方法技术

本发明专利技术公开了一种融合HOG

【技术实现步骤摘要】
一种融合HOG-LBP函数的交通信号灯检测方法


[0001]本专利技术属于目标检测领域，具体涉及一种融合HOG-LBP的交通信号灯检测方法。

技术介绍

[0002]在实际生活中，交通信号灯及其倒计时数字检测易受到外界光线、天气的变化的影响，例如逆光情况或者交通信号灯多种多样、遮挡、污损和背景噪声等不可抗的因素都为检测和识别增加了难度。HOG特征在目标检测和跟踪领域用于描述物体的关键点特征，而LBP特征在纹理分析领域也取得成功应用，这2种特征的表述能力都很强，但不能适用较多复杂的交通灯周围环境。在复杂的交通信号灯环境中，单一特征的表述能力有限，因此需要多个不同的特征进行融合，期望得到准确的交通信号灯特征表示。
[0003]针对上述问题，本文提出基于HOG和LBP特征融合的交通信号灯识别方法，首先分别提取HOG特征和LBP特征，然后利用PCA-LDA方法进行降维，最终采用特征融合策略采用进行识别。

技术实现思路

[0004]本专利技术的目的是提供一种融合HOG-LBP函数的交通信号灯检测方法，在保证算法速度的前提下，提高了算法的鲁棒性和识别准确率。
[0005]本专利技术所采用的技术方案是，一种融合HOG-LBP的信号交通灯检测方法，具体按以下步骤实施：
[0006]步骤1，输入训练样本交通信号灯图像；
[0007]步骤2，分别提取步骤1中训练样本图像的HOG特征和LBP特征；
[0008]步骤3，对经过步骤2后提取的图像的HOG特征和LBP特征进行PCA+LDA降维；
[0009]步骤4，对经过步骤3得到的降维后的HOG特征和LBP特征进行特征融合，得到HOG-LBP特征；
[0010]步骤5，根据经步骤4得到的图像的HOG-LBP特征放入支持向量机SVM算法中训练，获得SVM交通信号灯分类器；
[0011]步骤6，通过步骤5得到的SVM分类器对图像进行检测。
[0012]本专利技术的特点还在于：
[0013]其中步骤1中，输入训练样本交通信号灯图像后，需判断样本图片是否是灰度图像，若不是，将图像转化为灰度图像；
[0014]其中步骤2中HOG特征提取过程主要包括：
[0015]图像归一化、计算梯度、基于梯度幅度的方向权重投影和特征向量归一化几个部分，具体计算过程如下：
[0016]假定候选区域的大小为80
×
64，设置block块的大小8
×
8，则候选区域共包含80个不重叠的block块；
[0017]首先在每个block块上计算其梯度方向和幅值，采用简单的中心对称算子[－1，0，
1]计算梯度，如下式所示：
[0018][0019][0020]式中，I(x，y)是图像点(x，y)的像素值，θ(x，y)为该点的梯度方向，m(x，y)对应为该点的幅度值；
[0021]然后设置cell大小为4
×
4，在每个block内按cell大小统计梯度直方图，应用梯度的幅值进行规定权重投影；
[0022]对于每个重叠block内的cell进行对比度归一化；
[0023]最后将所有block内的直方图向量组合得到最终的HOG特征向量；
[0024]其中步骤2中LBP特征提取过程主要包括：
[0025]LBP算子通常由(P，R)来表示，其中，P表示领域内包含的像素个数；R表示领域半径，基本的LBP算子是(8，1)领域；
[0026]首先将3
×
3领域像素值pi(i＝1，2，
…
，8)与中心像素值p0进行比较，进行阈值化处理，其计算公式为：
[0027][0028]将bi(i＝1，2，
…
，8)按顺时针方向排列得到一个8位的二进制编码，再转换为十进制数，则得到LBP算子对中心像素计算得到后的结果；
[0029]交通信号灯图像经过LBP算子运算后，对图像中每个像素点f
l
(x,y)特征值进行统计，得到直方图特征向量H
i
，具体可以定义为：
[0030][0031]式中，n为LBP算子产生不同标记的数据，采用3
×
3领域的一致模式算子，即n＝256，另外，当x为真时，I(x)＝1；当x为假时，I(x)＝0；
[0032]将图像分为区域R0，R1，...，R
m－1
，各个区域的直方图H
i,j
可定义为：
[0033][0034]i＝0,1,
…
,n-1；j＝0,1,
…
,m-1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0035]其中步骤3中对HOG特征和LBP特征进行PCA+LDA降维具体包括：
[0036]首先进行PCA降维：
[0037]假定有N个交通信号灯样本{x1，x2，...，x
N
}属于c个类别{X1，X2，...，X
c
}，每个样本的图像规格为w
×
h，则每个样本图像的维数为n＝w
×
h，得到所有交通信号灯样本的N个n维列向量，对训练样本求协方差矩阵得到：
[0038][0039]其中，μ是样本的均值；
[0040]并寻找一个最优投影矩阵W
OPT1
，使得:
[0041]W
opt1
＝argmax|W
T
S
T
W|＝[w1,w2,
…
w
m
]ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0042]其中，W是协方差矩阵S
T
的特征向量单位化后按行排列出的矩阵，W
T
为W的转置，w
i
是散度矩阵的S
T
特征向量，特征值从大到小排列，取前m个最大特征值对应的特征向量来近似表示原来的数据；
[0043]接着进行LDA降维：
[0044]类间散度矩阵S
b
和类内散度矩阵S
w
的公式分别如下：
[0045][0046][0047]其中，μ
i
是第i类的均值；N
i
是类X
i
的样本数；如果S
w
非奇异，可以得到最优正交矩阵，使得投影后的类间散度矩阵和类内散度矩阵之比最大，即：
[0048][0049]式(10)可以用下式来计算：
[0050][0051]其中，i＝1,2,
…
,m；W
i
是矩阵从大到小排列的特征值λ
i
对应的特征向量；
[0052]其中步骤4中对降维后的HOG特征和LBP特征进行特征融合的具体过程是：
[0053]采用加权的方式进行特征融合，融合公式如下：
[0054][0055]式中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合HOG-LBP的信号交通灯检测方法，其特征在于，具体按以下步骤实施：步骤1，输入训练样本交通信号灯图像；步骤2，分别提取步骤1中训练样本图像的HOG特征和LBP特征；步骤3，对经过步骤2后提取的图像的HOG特征和LBP特征进行PCA+LDA降维；步骤4，对经过步骤3得到的降维后的HOG特征和LBP特征进行特征融合，得到HOG-LBP特征；步骤5，根据经步骤4得到的图像的HOG-LBP特征放入支持向量机SVM算法中训练，获得SVM交通信号灯分类器；步骤6，通过步骤5得到的SVM分类器对图像进行检测。2.根据权利要求1所述的一种融合HOG-LBP的信号交通灯检测方法，其特征在于，所述步骤1中，输入训练样本交通信号灯图像后，需判断样本图片是否是灰度图像，若不是，将图像转化为灰度图像。3.根据权利要求1所述的一种融合HOG-LBP的信号交通灯检测方法，其特征在于，所述步骤2中HOG特征提取过程主要包括：图像归一化、计算梯度、基于梯度幅度的方向权重投影和特征向量归一化几个部分，具体计算过程如下：假定候选区域的大小为80
×
64，设置block块的大小8
×
8，则候选区域共包含80个不重叠的block块；首先在每个block块上计算其梯度方向和幅值，采用简单的中心对称算子[－1，0，1]计算梯度，如下式所示：算梯度，如下式所示：式中，I(x，y)是图像点(x，y)的像素值，θ(x，y)为该点的梯度方向，m(x，y)对应为该点的幅度值；然后设置cell大小为4
×
4，在每个block内按cell大小统计梯度直方图，应用梯度的幅值进行规定权重投影；对于每个重叠block内的cell进行对比度归一化；最后将所有block内的直方图向量组合得到最终的HOG特征向量。4.根据权利要求1所述的一种融合HOG-LBP的信号交通灯检测方法，其特征在于，所述步骤2中LBP特征提取过程主要包括：LBP算子通常由(P，R)来表示，其中，P表示领域内包含的像素个数；R表示领域半径，基本的LBP算子是(8，1)领域；首先将3
×
3领域像素值pi(i＝1，2，
…
，8)与中心像素值p0进行比较，进行阈值化处理，其计算公式为：将bi(i＝1，2，
…
，8)按顺时针方向排列得到一个8位的二进制编码，再转换为十进制
数，则得到LBP算子对中心像素计算得到后的结果；交通信号灯图像经过LBP算子运算后，对图像中每个像素点f
l
(x,y)特征值进行统计，得到直方图特征向量H
i
，具体可以定义为：式中，n为LBP算子产生不同标记的数据，采用3
×
3领域的一致模式算子，即n＝256，另外，当x为真时，I(x)＝1；当x为假时，I(x)＝0；将图像分为区域R0，R1，...，R
m－1
，各个区域的直方图H
i,j
可定义为：5.根据权利要求1所述的一种融合HOG-LBP的信号交通灯检测方法，其特征在于，所述步骤3中对HOG特征和LBP特征进行PCA+LDA降维具体包括：首先进行PCA降维：假定有N个交通信号灯样本{x1，x2，...

【专利技术属性】
技术研发人员：陈宁，赵书，张春发，李博文，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：