基于稀疏表示lbp和hog融合的行人检测方法
【技术领域】
[0001] 本发明属于模式识别下的行人检测领域，具体设及一种基于稀疏表示LBP和HOG融 合的行人检测方法。
【背景技术】
[0002] 行人检测可定义为:判断输入图片(或视频帖)是否包含行人，如果有，给出位置信 息.。行人检测系统（PDS-Pedeshian Detection System)旨在行进的汽车上建立一个自 主、智能的行人检测、智能辅助驾驶系统，具有提高驾驶安全性、保障行人生命财产安全的 重要意义和实用价值。在行人检测系统中，通常包括感兴趣区域提取、特征提取、目标识别， Ξ个阶段。
[0003] 行人检测通常提取的简单特征有，目标的长宽比、占空比、物体的相对移动速度 等，相对复杂些的特征有haa;r-l;Lke、hog、sift、shape let、LBP特征。
[0004] 对于行人检测而言，没有一个单独的特征提取算法的性能优于HOG算法。HOG特征 描述了行人目标区域梯度强度和梯度方向的分布情况，能很好地表征行人的外观和形状， 而且对光照不敏感。但当背景覆盖凌乱的噪声边缘时，册G处理效果很差。
[0005] 由于单一类型的特征仅能从某一方面刻画行人特征，描述能力较弱，因此组合应 用多种底层特征的越来越具有应用价值。LBP纹理特征在图像处理和模式识别领域是主要 的特征之一，它可W过滤出噪声，结合了边缘/局部形状信息还有纹理信息，能够很好的捕 捉到人的外表。且不受背景颜色和光照的影响将册G特征和纹理特征联合起来共同表征行 人，运样在获取了行人的梯度信息的同时，还获得了描述行的纹理特征，运对复杂环境中的 行人检测有良好的改善效果。
[0006] 但是标准的LBP直方图大多都是针对图像中的各个分区分别计算的，对于一个普 通大小的分块区域，标准LBP算子得到的二进制模式数目较多，而实际位于该分块区域中的 像素数目去相对较少，运将会得到一个过于稀疏的直方图，从而使直方图失去统计意义。
[0007] 多特征融合技术使得行人检测的识别率有了进一步的提升，但同时过高的维度也 会增加计算的复杂度，给后续的分类问题带来负担。实际上维数过高的特征向量对于分类 性能(识别率)也会造成很多负面影响。需要进一步的对特征进行降维等处理。
【发明内容】
[000引本发明提出了基于稀疏表示LBP和册G融合的行人检测的方法，解决单个册G算法 对行人描述不足的缺点、采用统一化LBP算子解决了传统LBP直方图过于稀疏的问题，采用 稀疏表示解决了融合特征中直接将特征融合造成维度过高的问题，在降低维度的同时也提 高了识别率。结合说明书附图，本发明的技术方案如下：
[0009] -种基于稀疏表示LBP和HOG融合的行人检测方法，该方法首先利用训练样本训练 分类器模型，然后利用分类器模型识别检测样本，其特征在于：
[0010] 所述利用训练样本训练分类器模型的具体步骤如下：
[0011] Al:输入训练样本组图片；
[0012] A2:判断训练样本组图片是否为灰度图像，若不是，将其转化为灰度图像；
[0013] A3:提取训练样本图片的LBP特征，并进行归一化处理；
[0014] A4:获得训练样本组图片的LBP特征；
[0015] A5:选取归一化后的K个训练样本的LBP特征矩阵作为初始矩阵D，利用K-SVD算法 进行字典学习，得到更新后的字典D;
[0016] A6:利用字典D对步骤A4中归一化的训练样本组图片的LBP特征进行稀疏表示，得 到稀疏系数；
[0017] A7:提取训练样本组图片的册G特征，获得供分类使用的特征向量；
[0018] A8:将步骤A7中得到的册G特征与步骤A6中得到的稀疏系数进行融合，串联形成融 合特征向量；
[0019] A9:使用SVM算法训练得出SVM分类器模型，并保存SVM分类器模型；
[0020] 所述利用分类器模型识别检测样本的具体步骤如下：
[0021] B1:输入检测样本图片；
[0022] B2:判断检测样本图片是否为灰度图像，若不是，将其转化为灰度图像；
[0023] B3:提取检测样本图片的LBP特征，并进行归一化处理；
[0024] B4:利用字典D对归一化的检测样本图片的LBP特征进行稀疏表示，得到稀疏系数； [002引 B5:提取检测样本的HOG特征，获得特征向量；
[0026] B6:将HOG特征向量与稀疏系数进行融合，串联形成融合特征向量；
[0027] B7:利用步骤A9中所述的SVM分类器模型对检测样本的融合特征进行分类，判别检 测样本是否为行人；
[00%]所述步骤A3与B3中提取图片的LBP特征，并进行归一化处理的步骤如下：
[0029] 第一步:图像分割，将图像分割为图像块；
[0030] 第二步:求取每个图像块LBP特征直方图，针对每块图像块，根据LBP82算子求取图 像的纹理特征，得到特征向量，再将特征向量进行提取转化；
[0031] 第Ξ步：归一化直方图，采用L2-范式
巧得归一化后向 量，
[0032] 其中：S为待归一化向量，ε为避免分母为零的常量，为归一化后的向量；
[003引第四步:获得单幅图像LBP特征，得到腺隹LBP向量。
[0034] 所述步骤A4中获得训练样本组图片的LBP特征的具体方法为:使用m个正样本和η 个负样本，将单个图像形成的Ν维向量形成一行，共得到(m+n)XN维特征向量，其中前m个 LBP特征为正样本特征，后η个为负样本特征。
[0035] 所述步骤Α5中得到字典D的具体步骤为：
[0036] 第一步:选取归一化后的Κ个行人样本的LBP特征矩阵作为初始矩阵D;
[0037] 第二步：固定字典D，通过正交匹配追踪算法确定稀疏矩阵X，且
[0038] 第Ξ步:将j从1循环至Κ，通过式
[0039]
[0040] 计算护^，并对E/j进行SVD分解，更新字典D第j列dj;
[0041] 其中，稀疏矩阵X的第j行为χ/j，样本Y与DX的差异为E，E/徒示去掉原子dj后在所 有样本中造成的误差
[0042] 第四步:循环步骤二和步骤Ξ，直到
最终得到更新后的字典 D。
[0043] 所述步骤A6和B4中稀疏表示的具体步骤为：
[0044] 根据稀疏表示模型
[0045] Y = DX
[0046] 其中，Y是需要稀疏表示的LBP行人特征，D为步骤A6中得出的字典，X为稀疏系数。
[0047] 所述步骤A7和B5中提取HOG特征的具体步骤为：
[004引第一步:采用Gamma校正法对输入图像进行颜色空间的标准化；
[0049] 第二步:计算图像每个像素的梯度，包括大小和方向；
[0050] 第Ξ步:将图像划分为若干个单元
[0051] 第四步:统计每个单元的梯度直方图，即可形成每个单元的特征；
[0052] 第五步:将若干个单元平均划分组成若干个块，将每个块内所述有的单元特征串 联起来获得该块的HOG特征；
[0053] 第六步:将图像内所有的块的HOG特征串联起来得到该图像的HOG特征，即供分类 使用的特征向量。
[0054] 所述步骤A9中采用LIBSVM算法，用+巧日-1作为类别标签来标记由步骤A8得到的行 人检测的训练数据，+1标记正样本，-1标记负样本，将类别标签和训练样本送入分类器，得 出分类器模型，并保存分类器模型。
[0055] 与现有技术相比，本发明的有益效果在于：
[0056] 1、本发明使用基于稀疏表示LBP和HOG融合特征来进行行人检测，克服了单一行人 特征描述能力不足的缺点;结合了梯度特征和纹理特征，加强了对图像边缘的描述能力，很 好的捕捉到行人的外表，在复杂背景下的行人检测获得了较好的效果。且在背景颜色和光 照较为复杂的情况下，该算法的融合特征要优于HOG特征。
[0057] 本算法使用统一模式的LBP特征，且针对各个分区图像进行计算的，克服了统一模 式的LBP特征过于稀疏从而导致失去统计意义的缺点，采用的分区描述方法加强了对图像 结构信息的描述。本算法虽然采用融合特征的方法使得识别率获得了进一步的提高，但由 于采用对LBP特征进行稀疏表示的方法使得特征维度得到很大降低。大大缩短了检测的时 间，并且提高了鲁棒性，由于采用稀疏表示的方法，使得在行人遮挡的情况下检测效果较 好。
【附图说明】
[005引图1为本发明中利用训练样本训练分类器模型的过程框图；
[0059]图2为本发明中利用分类器模型识别检测样本的过程框图
[0060] 图3为本发明与HOG+SVM行人检测方法的实验效果对比图。
【具体实施方式】
[0061] 为了进一步阐述本发明的技术方案，结合说明书附图，本发明的【具体实施方式】如 下：
[0062] 本发明公开了一种基于稀疏表示LBP和册G融合的行人检测方法，该方法首先利用 训练样本训练分类器模型，然后利用分类器模型识别检测样本。其中：
[0063] 如图1所示，利用训练样本训练分类器模型的具体步骤如下：
[0064] A1 :输入训练样本组图片Itrain;
[0065] A2:由于LBP特征的提取过程是基于灰度图像的，所W判断训练样本组图片是否为 灰度图像，若不是，将其转化为灰度图像；
[0066] A3:提取训练样本图片的LBP特征，并进行归一化处理;具体步骤如下：
[0067] 第一步：图像分割，本实施例中采用的图像尺寸为128X64,将其按照8X8的尺寸 分割，分割为128个图像块；
[0068] 第二步:求取每个图像块LBP特征直方图，针对每块8 X 8的图像，根据LBP82算子求 取图像的纹理特征，得到256维特征向量，再将256维特征向量转化为59维特征向量；
[0069] 第Ξ步:归一化直方图，为了提高特征向量的鲁棒性，克服一些噪声的干扰，同HOG 特征类似，需要对提取的59维特征向量按块进行归一化操作。根据实验对比各种归一化因 子，最终采用L2-范式化2-norm)归一化因子取得的效果最好。
[0070] L2-范式为：
[0071]
C1)
[0072] 其中：S为待归一化向量，ε为一个很小的常亮值用来避免分母为零，s/为归一化后 的向量；
[0073] 第四步:获得单幅图像LBP特征，本实施例图像为64X128,检测窗口分为128个单 元(ce 11 )，每个ce 11的特征向量为59维，最终得到7552维的LBP特征向量。
[0074] A4:获得训练样本组图片的LBP特征；
[0075] 本实施例中使用820个正样本和820个负样本，将单个图像形成的7552向量形成一 行，共得到1640 X 7552维特征向量，其中前820个LBP特征为正样本特征，后820个位负样本 特征。
[0076] A5:选取归一化后的K个训练样本的LBP特征矩阵作为初始矩阵D，利用K-SVD算法 进行字典学习，得到字典D;具体步骤如下：
[0077] 第一步:选取归一化后的K个行人样本的LBP特征矩阵作为初始矩阵D;
[0078] 第二步：固定字典D，通过正交匹配追踪（0