《電子技術(shù)應(yīng)用》
您所在的位置:首頁(yè) > 嵌入式技術(shù) > 設(shè)計(jì)應(yīng)用 > 基于感興趣區(qū)域特征融合的行人檢測(cè)方法研究
基于感興趣區(qū)域特征融合的行人檢測(cè)方法研究
2015年微型機(jī)與應(yīng)用第18期
彭 寶1,孫韶媛1,梁炳春1,趙海濤2
(1.東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院 數(shù)字化紡織服裝技術(shù)教育部工程研究中心,上海 201620; 2.華東理工大學(xué) 信息科學(xué)與工程學(xué)院,上海 200237)
摘要: 近年來(lái),伴隨著智能車輛的快速發(fā)展,行人檢測(cè)在車輛輔助駕駛方面越來(lái)越受到重視。提出一種二維顯著性紋理算子(Two-dimensional Significant Local Binary Pattern,TS-LBP),該算子能夠反映圖像的紋理特征、顯著性特征同時(shí)具有較強(qiáng)的抗噪聲性能。首先提取感興趣的目標(biāo)區(qū)域,再提取目標(biāo)區(qū)域顏色與紋理特征的融合特征對(duì)目標(biāo)進(jìn)行特征描述,最后采用Adaboost算法訓(xùn)練得到一個(gè)行人分類器對(duì)行人進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明,該方法檢測(cè)快速準(zhǔn)確,具有較好的檢測(cè)效果。
Abstract:
Key words :

  摘  要: 近年來(lái),伴隨著智能車輛的快速發(fā)展,行人檢測(cè)在車輛輔助駕駛方面越來(lái)越受到重視。提出一種二維顯著性紋理算子(Two-dimensional Significant Local Binary Pattern,TS-LBP),該算子能夠反映圖像的紋理特征、顯著性特征同時(shí)具有較強(qiáng)的抗噪聲性能。首先提取感興趣的目標(biāo)區(qū)域,再提取目標(biāo)區(qū)域顏色與紋理特征的融合特征對(duì)目標(biāo)進(jìn)行特征描述,最后采用Adaboost算法訓(xùn)練得到一個(gè)行人分類器對(duì)行人進(jìn)行識(shí)別。實(shí)驗(yàn)結(jié)果表明,該方法檢測(cè)快速準(zhǔn)確,具有較好的檢測(cè)效果。

  關(guān)鍵詞: 行人檢測(cè);感興趣區(qū)域顏色特征;紋理特征;特征融合

0 引言

  行人檢測(cè)在車輛輔助駕駛系統(tǒng)中具有重要的應(yīng)用價(jià)值。隨著全球機(jī)動(dòng)車輛的快速增長(zhǎng),交通事故也逐年上升,而大部分是由于車輛未及時(shí)采取避讓措施造成車輛與行人的碰撞。因此,對(duì)行人進(jìn)行檢測(cè),對(duì)有可能發(fā)生碰撞的行人提前做出預(yù)警將會(huì)很大程度上減少交通事故的發(fā)生。然而,行人檢測(cè)一直是一個(gè)有難度、富有挑戰(zhàn)性的課題[1]。

  在過(guò)去的一段時(shí)間內(nèi),許多學(xué)者提出了多種行人檢測(cè)方法。如基于運(yùn)動(dòng)信息的方法[2]、基于模板匹配的方法[3]等,但是都不能夠取得較好的檢測(cè)效果。VIOLA P等人[4]采用級(jí)聯(lián)AdaBoost學(xué)習(xí)算法對(duì)人臉進(jìn)行檢測(cè),后來(lái)被應(yīng)用到行人檢測(cè)上,取得了不錯(cuò)的檢測(cè)效果;DALAL N等人[5]提出了梯度方向直方圖(Histogram of Oriented Gradient,HOG)特征能夠高效刻畫出人體的邊緣特征,是目前廣泛使用的行人特征描述子,但是其維度過(guò)高、計(jì)算速度較慢,因此不能滿足車載檢測(cè)實(shí)時(shí)性的要求;WALK S等人[6]提出了顏色自相似性(Color Self-Similarity,CSS)特征的行人檢測(cè)方法,因其包含較多冗余信息,不能得到較滿意的效果。

1 本文檢測(cè)方法

  本文提出了一種在感興趣行人區(qū)域的基礎(chǔ)上將顏色特征與紋理特征相融合的算法,該算法具有特征維數(shù)少,計(jì)算速度快的優(yōu)點(diǎn)。該算法主要包括訓(xùn)練部分和檢測(cè)部分,算法框架如圖1所示。

001.jpg

  在車載視頻圖像中存在著大量的非行人區(qū)域,可先確定行人可能存在的感興趣區(qū)域,再對(duì)感興趣區(qū)域的目標(biāo)進(jìn)行重點(diǎn)檢測(cè),避免全局掃描圖像而消耗過(guò)多時(shí)間。行人不管是站立還是行走,其垂直方向都具有很強(qiáng)的對(duì)稱性[7]。可以利用這個(gè)特征,粗提取行人有可能存在的感興趣區(qū)域。采用式(1)來(lái)計(jì)算圖像每列的邊緣對(duì)稱性。

  1.png

  其中,wmin、wmax為垂直邊緣點(diǎn)的搜索范圍,Sv(k)為對(duì)應(yīng)第k列的對(duì)稱性測(cè)度,數(shù)值越大表示圖像越以k為對(duì)稱中心。參考文獻(xiàn)[8]通過(guò)統(tǒng)計(jì)得出行人寬高比的平均值為0.4,可適當(dāng)放寬比值,提取出更多的候檢區(qū)域,避免漏檢,同時(shí)可以排除大量的非行人區(qū)域。

2 行人識(shí)別

  2.1 顏色特征提取

  顏色特征因其具有計(jì)算簡(jiǎn)單、易于提取等優(yōu)點(diǎn)而在圖像處理方面被廣泛使用。HSV(Hue、Saturation、Value)對(duì)光線變化具有較強(qiáng)的適應(yīng)能力。因此,首先按式(2)將輸入的圖像從RGB顏色空間轉(zhuǎn)換到HSV顏色空間中。根據(jù)人體視覺(jué)對(duì)顏色的感知特性對(duì)顏色進(jìn)行非均勻量化,從而將HSV顏色空間量化為72維直方圖特征向量。

  2.png

  v=max

  2.2 紋理特征提取

  局部二值模式(Local Binary Pattern,LBP)是由OJALA T等人[9]提出的用于提取圖像局部紋理特征的算子。以3×3模板為例,按照式(3)即可以求得該窗口中心像素點(diǎn)的LBP值。LBP算子示意圖如圖2所示。

002.jpg

  3.png

  在統(tǒng)計(jì)LBP直方圖時(shí)維數(shù)太多且具有較多冗余。CS-LBP(Center-Symmetric Local Binary Pattern)具有中心對(duì)稱特性,同時(shí)能夠?qū)BP起到降維的作用。CS-LBP算子計(jì)算公式如式(4),算子示意圖如圖3所示。

003.jpg

  4.png

  CS-LBP能夠?qū)D像進(jìn)行降維,但對(duì)噪聲的抗干擾性能不足。為了提高算法的魯棒性,本文提出了帶有噪聲門限T的CS-LBP紋理特征如式(5)所示。

  5.png

  帶有噪聲門限的CS-LBP的紋理特征具有傳統(tǒng)LBP的灰度不變性、旋轉(zhuǎn)不變性,同時(shí)具有對(duì)稱型、較好的抗噪聲性能。為了能夠較好地反映圖像的顯著性特征,本文提出帶有閾值的顯著性算子(Local Significant Texture operator,LST)使得對(duì)像素灰度值有更好的適應(yīng)性,算子表示如式(6)所示。

  6.png

  將帶有噪聲門限的CS-LBP特征與帶有閾值的顯著性算子LST相結(jié)合,構(gòu)成本文二維顯著性紋理算子(Two-dimensional Significant Local Binary Pattern,TS-LBP)如式(7)所示。用此算子表示圖像的紋理特征既能反映圖形的紋理結(jié)構(gòu),又能顯示其局部顯著性特征,同時(shí)具有較好的抗噪聲性能。

 7.png

  2.3 特征融合

  首先按式(2)提取圖像感興趣區(qū)域的顏色直方圖,再按式(7)提取感興趣目標(biāo)區(qū)域紋理直方圖,將兩種特征融合在一起形成融合特征直方圖,如圖4所示。融合后的特征能夠反映目標(biāo)區(qū)域的紋理特征、顯著性特征以及顏色特征,同時(shí)具有較好的抗噪聲性能。

004.jpg

  2.4 Adaboost算法介紹

  Adaboost算法是一種迭代算法[10],其核心思想是用同一個(gè)訓(xùn)練集通過(guò)訓(xùn)練得到分類性能一般的弱分類器,把這些弱分類器級(jí)聯(lián),構(gòu)成一個(gè)分類性能更好的強(qiáng)分類器,由此利用強(qiáng)分類器來(lái)對(duì)行人進(jìn)行分類。算法的流程如下:

  (1)給定訓(xùn)練集:F={(x1,y1),…,(xN,yN)},其中yi∈{0,1};

  (2)訓(xùn)練樣本的初始分布:1.jpg

  (3)for t=1,…,T,計(jì)算弱分類器ht:X→{0,1}在分布Dt上的誤差為:εt=P(ht(xi)≠yi),計(jì)算該弱分類器的權(quán)重:2.jpg

  (4)更新訓(xùn)練樣本的分布:3.png,其中Zt為歸一化常數(shù);

  (5)最后的強(qiáng)分類器為:4.jpg

3 實(shí)驗(yàn)結(jié)果及分析

  本文實(shí)驗(yàn)采用的數(shù)據(jù)來(lái)源于INRIA行人數(shù)據(jù)庫(kù)、MIT數(shù)據(jù)庫(kù)和自行拍攝裁剪的照片。其中訓(xùn)練集包含 2 416幅行人圖像、4 132幅非行人圖像。測(cè)試集包含  1 236幅行人圖像、1 039幅非行人圖像。實(shí)驗(yàn)在MATLABR2008a上實(shí)現(xiàn),Window XP操作系統(tǒng),計(jì)算機(jī)環(huán)境配置為2.5 GHz CPU 和2 GB內(nèi)存。在INRIA數(shù)據(jù)庫(kù)提供的行人測(cè)試樣本上進(jìn)行檢測(cè)實(shí)驗(yàn)。為了比較本算法的檢測(cè)性能,在相同環(huán)境下實(shí)現(xiàn)參考文獻(xiàn)[7]的檢測(cè)算法,兩種算法比較結(jié)果如表1所示。本文檢測(cè)算法比參考文獻(xiàn)[7]算法檢測(cè)率更高,并且采取只對(duì)感興趣區(qū)域的行人進(jìn)行檢測(cè),因而大大減少了檢測(cè)所用時(shí)間。部分檢測(cè)效果如圖5所示。其中圖5(a)表示在相似的環(huán)境背景下對(duì)行人進(jìn)行檢測(cè)識(shí)別,可以看出本文檢測(cè)算法對(duì)行人的區(qū)分能力強(qiáng),對(duì)行人有較好的識(shí)別能力,但是由于光照和相似背景的干擾會(huì)出現(xiàn)“誤檢”的情況;圖5(b)表示在不同環(huán)境、不同背景下對(duì)行人進(jìn)行檢測(cè)識(shí)別,可以看出本文檢測(cè)算法在復(fù)雜背景下同樣能夠?qū)π腥擞休^好的識(shí)別,但是由于人群密度過(guò)大、人群遮擋等原因會(huì)出現(xiàn)“漏檢”的情況。

005.jpg

4 結(jié)論

  本文提出了一種基于感興趣區(qū)域內(nèi)顏色特征和顯著性紋理特征相融合的行人檢測(cè)算法,并通過(guò)Adaboost分類器進(jìn)行行人檢測(cè)實(shí)驗(yàn)。這種檢測(cè)算法避免了對(duì)整幅圖像進(jìn)行全局掃描,運(yùn)行速度快,魯棒性高,且在INRIA行人庫(kù)上取得了比較滿意的結(jié)果。但是,在夜間、雨天以及光照劇烈、行人密度過(guò)大的環(huán)境下檢測(cè)結(jié)果不是很理想,在后續(xù)會(huì)進(jìn)一步改進(jìn)和完善。

  參考文獻(xiàn)

  [1] 張春鳳,宋加濤,王萬(wàn)良.行人檢測(cè)技術(shù)研究綜述[J].電視技術(shù),2014,38(3):157-162.

  [2] 賀琴,潘建壽,劉繼艷,等.攝像機(jī)運(yùn)動(dòng)下基于背景匹配的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用,2010,46(24):179-181.

  [3] 周晨卉,王生進(jìn),丁曉青.基于局部特征級(jí)聯(lián)分類器和模板匹配的行人檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào),2010,15(5):824-829.

  [4] VIOLA P, JONES M. Robust real-time face detection. IJCV[J]. International Journal of Computer Vision, 2004, 57(2):137-154.

  [5] DALAL N, TRIGGS B. Histograms of oriented gradients for human detection[C]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR 2005, IEEE, 2005:886-893.

  [6] WALK S, MAJER N, SCHINDLER K, et al. New features and insights for pedestrian detection[J]. IEEE Conference on Computer Vision and Pattern Recognition, 2010, 119(5):1030-1037.

  [7] 岳求生,周書仁,李峰,等.HSV與LBP特征融合的行人檢測(cè)方法研究[J].計(jì)算機(jī)工程與科學(xué),2014,36(10):1997-2001.

  [8] 郭烈,王榮本,金立生,等.基于邊緣對(duì)稱性的車輛前方行人檢測(cè)方法研究[J].交通信息與安全,2007,25(1):40-43.

  [9] OJALA T, PIETIK?魧INEN M, MENP T. Gray scale and rotation invariant texture classification with local binary patterns[J]. Proceedings of the Sixth European Conference On Computer Vision, 2000,24(7):404-420.

  [10] 楊英,劉衛(wèi)國(guó),鐘令,等.基于AdaBoost行人檢測(cè)優(yōu)化算法的研究[J].機(jī)電工程,2014,31(10):1347-1350.


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。
主站蜘蛛池模板: 99国产精品久久久久久久成人热 | 久草手机视频 | 国产精品亚洲一区二区三区正片 | 日韩免费视频播播 | 欧美日韩高清在线观看 | 妞干网免费在线观看 | 午夜剧| 涩涩漫画免费入口 | 日本一区二区三区在线 视频 | 亚洲人成在线观看 | 日韩视频一区二区在线观看 | 天天摸日日舔 | 成人www视频网站免费观看 | 亚洲国产欧美在线观看 | 一区二区三区视频在线播放 | 亚洲免费专区 | 一级片一区| 丰满寡妇一级毛片 | 成人久久久久 | 日本黄在线 | 久久99精品九九九久久婷婷 | free女厕所vedio中国 | 制服丝袜在线不卡 | 日韩中文字幕免费在线观看 | 国产69精品久久久久9牛牛 | 一级一级毛片 | 久久精品国产久精国产果冻传媒 | 一级片生活片 | 久久综合九色综合网站 | 午夜在线免费观看视频 | 国产片18在线观看 | 国产精彩视频在线 | 亚洲视频在线一区二区 | 最近中文字幕视频 | 国产精品视频第一区二区 | 国产你懂的在线观看 | 黄色毛片免费进入 | 亚洲欧美日韩成人一区在线 | 天天夜天天干 | 成人免费视频一区二区三区 | 午夜tv影院|