论文部分内容阅读
行人检测是计算机视觉领域的研究热点之一,它在智能交通、智能机器人、人体行为分析等领域有广泛的应用,随着科技的进步,近年来,在航拍图像和受害者营救等新兴领域中开始应用。行人目标易受拍摄场景、姿态、遮挡、尺度等因素的影响,因此行人检测也是当前的研究难点。目前主流的研究方法,是从机器视觉出发,从大量的样本中提取特征,然后通过机器学习的方法,把行人检测问题转化为一个模式识别问题。本文的主要研究工作和创新性概括如下:改进型HLBP纹理特征。在行人检测中,Haar型LBP(Haar Local Binary Pattern,HLBP)特征由于采用局部统计方式,有效地减少了噪声干扰,相比LBP特征对图像纹理描述有明显优势。但是,HLBP特征在计算特征值时,中心点没有参与计算,导致其信息没有被利用,本文针对这一不足,提出了改进型HLBP(Improved Haar Local Binary Pattern,IHLBP)特征,该方法令中心点参与到计算工作中,并赋予其最大权值。在提取特征前,利用二维离散Haar小波变换,对灰度图像做两级分解处理,得到三种不同尺度图像。然后针对上述三种图像分别提取IHLBP特征并做归一化处理,最后串接三个特征得到多尺度IHLBP特征(Multiple IHLBP,MIHLBP)。在INRIA Person数据集上,采用SVM进行测试。实验结果表明,该方法能有效地提高行人检测识别率。基于HSV颜色空间的MIHLBP特征。灰度化后图像会丢失大量信息,因此从灰度图像进行上述工作不能更深层次挖掘图像纹理,基于这个问题并且通过对RGB、HSV不同通道进行纹理分析,提出了基于HSV颜色空间提取MIHLBP特征的方法。首先将图像由RGB颜色空间转化到HVS颜色空间,然后对HSV图像H、S、V三个空间分别提取MIHLBP特征,最后将上述3个特征串接为一个特征向量,得到MIHLBP-HSV特征。在INRIA Person数据集上采用SVM进行测试。实验结果表明,该方法能有效地提高检测效果,识别率可达98.5%,相比于HOG特征、HOG-LBP特征和LGP-LBP特征,该方法具有更好的效果。