【摘要】：針對(duì)行人檢測(cè)過(guò)程中,易對(duì)相似目標(biāo)產(chǎn)生誤判的問(wèn)題,并結(jié)合局部紋理特征描述子對(duì)圖像邊緣、方向信息的描述能力與檢測(cè)精度的強(qiáng)相關(guān)性,同時(shí)考慮到基于LBP和HOG的特征融合方法存在結(jié)構(gòu)利用率低、光譜信息損失多的缺點(diǎn),提出了一種基于LQC和CoHOG特征融合的行人檢測(cè)算法。首先通過(guò)LQC算子提取圖像的紋理譜特征,同時(shí)使用積分圖計(jì)算CoHOG特征值,以提取原始圖像的邊緣特征及基于LQC特征譜的CoHOG特征。然后將上述特征與CoHOG邊緣特征融合,得到融合特征描述圖像,最后使用HIKSVM分類器實(shí)現(xiàn)輸入圖像的檢測(cè)與識(shí)別。為驗(yàn)證算法的有效性,分別在MIT行人數(shù)據(jù)庫(kù)、Caltech行人數(shù)據(jù)庫(kù)和INRIA行人數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,提出的方法可以有效提高行人檢測(cè)精度和效率。
【圖文】：

法描述原始圖像的紋理特征，在大幅降低特征維度的同時(shí)，并不損失任何紋理信息;2)使用共生梯度方向直方圖可更為精確地表示原始圖像的局部細(xì)節(jié)特征，通過(guò)“梯度對(duì)”能更好地描述空間梯度特性，對(duì)光照、旋轉(zhuǎn)和偏移具有魯棒性;3)運(yùn)用基于局部量化編碼生成的紋理特征譜下的共生梯度方向直方圖，描述紋理特征圖的空間梯度特性，可保留紋理特征譜的局部細(xì)節(jié)特征和空間特征;4)融合上述3種特征的圖像描述子并使用主成分分析方法降維，在保留原始圖像及紋理特征譜特征的同時(shí)，能降低特征維度，提升運(yùn)算效率。算法流程如圖1所示。圖1基于改進(jìn)CoHOG-LQC的行人檢測(cè)算法流程圖·275·

鄰域量化等級(jí)數(shù)量。作為一種基礎(chǔ)特征的中心像素的灰度值，仍然包含分類特征信息。因此，本文也將中心像素的全局量化等級(jí)并入LQC中:LQC=qc×10i+∑Qi=1qi×10i－1(4)式中，qc表示中心像素量化級(jí)。本文采用等分灰度直方圖的方式量化中心像素值，以十進(jìn)制編碼方式替代二進(jìn)制編碼方式對(duì)LQC進(jìn)行編碼，因此，中心像素量化級(jí)qc可以表示為從0到9的集合。不同于鄰域像素使用的局部量化處理方式，中心像素的量化處理選用全局量化方法。此舉旨在將qc用于全局圖像范圍內(nèi)描述局部灰度值。圖2LQC編碼過(guò)程及與LQC編碼結(jié)果比較從圖2可見(jiàn)LQC的編碼過(guò)程，其中每個(gè)立方體代表一個(gè)像素，，立方體的高表示其對(duì)應(yīng)像素的灰度值。從圖2還可以看出，鄰域像素灰度值被量化為4個(gè)等級(jí)。此時(shí)，每一量化級(jí)內(nèi)的鄰域像素?cái)?shù)量qi(i=1，2，3，4)可以統(tǒng)計(jì)獲得，分別為1、2、2、3。最后，我們忽略末尾數(shù)3也就是量化級(jí)的第一級(jí)，合并不同量化級(jí)包含的鄰域像素?cái)?shù)量，便可得到十進(jìn)制LQC編碼形式122。·276·


本文編號(hào)：2569069