4個(gè)基于|基于SLBH特征的行人檢測(cè)算法研究報(bào)告

摘要：受韋伯局部描述子和LBP特征的啟發(fā)，針對(duì)Haar特征維度高、冗余度大以及對(duì)光照變化適應(yīng)性差等缺點(diǎn)，提出了一種于顯著性的局部二值化Haar特征。首先將8種Haar特征組合形成一個(gè)3*3的塊，利用局部二值化思想得到二值化Haar特征；然后根據(jù)韋伯定律求取該塊的顯著性因子；最后把顯著性因子作為權(quán)重將二值化Haar特征統(tǒng)計(jì)成直方圖而得到SLBH特征。通過(guò)在INRIA行人樣本庫(kù)上實(shí)驗(yàn)，表明該特征具有較好的魯棒性、較高的檢測(cè)率和較低的虛警率。

關(guān)鍵詞：韋伯局部描述子；LBP特征；SLBH特征；顯著性因子；行人檢測(cè)

近年來(lái)，基于計(jì)算機(jī)視覺(jué)的行人檢測(cè)技術(shù)一直是智能交通系統(tǒng)領(lǐng)域研究的熱點(diǎn)問(wèn)題[1]，而可行且高效的行人特征提取算法是其中的關(guān)鍵部分，為此，許多專家學(xué)者對(duì)此進(jìn)行了深入研究。

本文在分析上述特征的基礎(chǔ)上，針對(duì)Haar特征維度高、冗余度大，而LBP特征又無(wú)法刻畫(huà)人眼的視覺(jué)敏感度，提出了一種基于顯著性的局部二值化Haar特征（SaliencyLocalBinaryHaar，SLBH）提取算法。該特征維度低，對(duì)平移、縮放和噪聲具有一定的魯棒性，并能顯現(xiàn)特征的局部顯著性，從而提高了行人檢測(cè)的準(zhǔn)確率。本文結(jié)構(gòu)安排如下：SLBH特征將在第2節(jié)詳細(xì)介紹，第3節(jié)給出實(shí)驗(yàn)與結(jié)果分析，最后是總結(jié)。

1SLBH特征

1.1顯著性因子

顯著因子是對(duì)局部特征顯著性的描述，韋伯定律指出，在發(fā)散的局部特征中，局部顯著性不能由差別閾限的絕對(duì)值來(lái)進(jìn)行比較，而應(yīng)由其相對(duì)值進(jìn)行確定。根據(jù)韋伯定律[12]，可以利用式（1）計(jì)算出中心像素點(diǎn)在其鄰域內(nèi)的顯著性因子。其中[Ic]表示中心像素點(diǎn)的灰度值，p為鄰域個(gè)數(shù)，[Ii]為對(duì)應(yīng)鄰域像素點(diǎn)的灰度值。

[S（Ic）=arctani=0p（Ii-Ic）Ic]（1）

其中，[S（Ic）∈-π2，π2]。為了方便后續(xù)計(jì)算，本文再通過(guò)增加一個(gè)值為[π2]的偏置項(xiàng)將[S（Ic）]值域轉(zhuǎn)換至轉(zhuǎn)換[0，π]。[S（Ic）]是對(duì)局部特征顯著性的描述，其值越大表明顯著性越強(qiáng)。

局部二元模式（LBP）是一種描述圖像局部紋理的算子，因其具有計(jì)算簡(jiǎn)單，對(duì)光照變化不敏感等優(yōu)點(diǎn)而被廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)領(lǐng)域。LBP特征計(jì)算如式（2）所示，其中[gc]為中心像素點(diǎn)的灰度值，[gi]為[gc]的八個(gè)鄰域像素點(diǎn)灰度值，[s（?）]為閾值比較函數(shù)，其定義如式（3）所示。

[LBP（gc）=i=07s（gi-gc）?2i]（2）

[s（x，y）=0，ifx-y≤T1，otherwise]（3）

在計(jì)算出整幅圖像的LBP特征值后，根據(jù)式（4）統(tǒng)計(jì)LBP特征直方圖，其中判斷函數(shù)[f（?）]定義如式（5）所示。

[H（k）=x，yf（LBP（x，y），k），k∈[0，K]]（4）

[f（x，y）=1，ifx=y0，otherwise]（5）

LBP特征僅利用了中心像素與其鄰域內(nèi)像素間的差異，而缺乏對(duì)物體顯著性的描述。如圖1所示，雖然兩個(gè)矩形區(qū)域具有相同LBP特征值，但是其顯著性因子相差卻很大。根據(jù)韋伯定律，顯著因子越大，其顯著性越強(qiáng)，其所描述的信息也就越重要，而LBP特征并不能描述這些顯著性信息。CaoY等人[11]利用中心像素與鄰域像素差的絕對(duì)值之和作為權(quán)值，來(lái)增加像素間差異在LBP特征直方圖中的影響，如式（6）所示，其中K為最大的LBP特征值，判斷函數(shù)與式（5）相同，權(quán)值函數(shù)如式（7）所示。

[H（k）=x，yw（x，y）*f（LBP（x，y），k），k∈[0，K]]（6）

[w（gc）=i=07|gi-gc|]（7）

CaoY等提出的加權(quán)LBP直方圖雖然考慮到了像素鄰域間差異的影響，但是它也沒(méi)能很好描述特征的局部顯著性。此外，由于在加權(quán)直方圖統(tǒng)計(jì)過(guò)程中不斷累積權(quán)重，使得各維度之間相差較大。受韋伯定理的啟發(fā)，本文使用更接近人類視覺(jué)差異的顯著性因子作為權(quán)重來(lái)統(tǒng)計(jì)加權(quán)LBP直方圖。直方圖統(tǒng)計(jì)函數(shù)如下：

[H（k）=x，yS（x，y）*f（LBP（x，y），k），k∈[0，K]]（8）1.3SLBH特征

Viola等人[3]最先提出并將Haar特征應(yīng)用于行人檢測(cè)中。但隨著研究的深入，學(xué)者們發(fā)現(xiàn)原始的Haar特征對(duì)于檢測(cè)靜止的、對(duì)稱的物體比較有效，而對(duì)于行人這類非剛性物體，則需要在其它方向上增加能夠描述行人運(yùn)動(dòng)特點(diǎn)的特征。LienhartR等人在Viola提出的標(biāo)準(zhǔn)Haar特征的基礎(chǔ)上進(jìn)行了擴(kuò)展，本文使用了圖2所示的這8種擴(kuò)展的Haar特征。

其中，[I（k，l）]表示圖像[I]在點(diǎn)[（k，l）]處像素值，w表示cell的寬度，h表示cell的高度?？紤]到LBP模式缺乏對(duì)顯著性描述的缺陷，因此本文利用式（8）來(lái)統(tǒng)計(jì)局部二值化Haar特征直方圖，即SLBH特征。該特征計(jì)算步驟如下：

Step1：將輸入圖像轉(zhuǎn)換到灰度空間。

Step2：利用積分圖技術(shù)求取每個(gè)cell的像素灰度值之和。

Step3：將8個(gè)cell按照?qǐng)D3所示結(jié)構(gòu)組成一個(gè)block。

Step4：根據(jù)式（9）計(jì)算每個(gè)block內(nèi)的LBH值，根據(jù)式（1）計(jì)算每個(gè)block的顯著性因子。

Step5：按照式（8）統(tǒng)計(jì)直方圖，即為該圖像的SLBH特征。

與傳統(tǒng)Haar特征相比，SLBH特征增加了顯著性因子計(jì)算，其計(jì)算復(fù)雜度雖高于傳統(tǒng)Haar特征，但該特征在刻畫(huà)行人紋理信息時(shí)需要的特征數(shù)量較少，故此特征實(shí)時(shí)性較好。由于引入加權(quán)局部二元模式的思想使SLBH特征擁有傳統(tǒng)的Haar特征無(wú)法比擬的光照不變性，可以有效的提高系統(tǒng)的魯棒性，這在下面的試驗(yàn)中可以看到SLBH特征優(yōu)越的檢測(cè)效果。

2實(shí)驗(yàn)與結(jié)果分析

2.1特征性能評(píng)估

為了測(cè)試本文對(duì)Haar特征改進(jìn)的性能，實(shí)驗(yàn)選用了Haar、LBH和SLBH特征做對(duì)比實(shí)驗(yàn)，并且選擇SVM作為分類器。實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如表1所示，從表1中可以發(fā)現(xiàn)本文提出的SLBH特征雖然特征提取時(shí)間略高于其它兩種特征，但是在其它3種評(píng)價(jià)指標(biāo)上都優(yōu)于Haar和LBH特征。

2.2檢測(cè)性能對(duì)比

3總結(jié)