【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 ...
【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,...
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。