Haar型LBP紋理特征的行人檢測研究.pdf

1、行人檢測是計算機視覺領域的研究熱點之一，它在智能交通、智能機器人、人體行為分析等領域有廣泛的應用，隨著科技的進步，近年來，在航拍圖像和受害者營救等新興領域中開始應用。行人目標易受拍攝場景、姿態(tài)、遮擋、尺度等因素的影響，因此行人檢測也是當前的研究難點。目前主流的研究方法，是從機器視覺出發(fā)，從大量的樣本中提取特征，然后通過機器學習的方法，把行人檢測問題轉化為一個模式識別問題。本文的主要研究工作和創(chuàng)新性概括如下：
　　改進型 HLBP紋

2、理特征。在行人檢測中。Haar型 LBP（Haar Local Binary Pattern,HLBP）特征由于采用局部統(tǒng)計方式，有效地減少了噪聲干擾，相比LBP特征對圖像紋理描述有明顯優(yōu)勢。但是，HLBP特征在計算特征值時，中心點沒有參與計算，導致其信息沒有被利用，本文針對這一不足，提出了改進型HLBP（Improved Haar Local Binary Pattern,IHLBP）特征，該方法令中心點參與到計算工作中，并賦予其最大

3、權值。在提取特征前，利用二維離散 Haar小波變換，對灰度圖像做兩級分解處理，得到三種不同尺度圖像。然后針對上述三種圖像分別提取 IHLBP特征并做歸一化處理，最后串接三個特征得到多尺度IHLBP特征（Multiple IHLBP,MIHLBP）。在INRIA Person數據集上，采用SVM進行測試。實驗結果表明，該方法能有效地提高行人檢測識別率。
　　基于HSV顏色空間的MIHLBP特征。灰度化后圖像會丟失大量信息，因此從灰度

4、圖像進行上述工作不能更深層次挖掘圖像紋理，基于這個問題并且通過對 RGB、HSV不同通道進行紋理分析，提出了基于HSV顏色空間提取MIHLBP特征的方法。首先將圖像由RGB顏色空間轉化到HVS顏色空間，然后對HSV圖像H、S、V三個空間分別提取MIHLBP特征，最后將上述3個特征串接為一個特征向量，得到MIHLBP-HSV特征。在INRIA Person數據集上采用SVM進行測試。實驗結果表明，該方法能有效地提高檢測效果，識別率可達98