4个基于-基于SLBH 特征的行人检测算法研究报告

4个基于|基于SLBH特征的行人检测算法研究报告

摘要：受韦伯局部描述子和LBP特征的启发，针对Haar特征维度高、冗余度大以及对光照变化适应性差等缺点，提出了一种于显著性的局部二值化Haar特征。首先将8种Haar特征组合形成一个3*3的块，利用局部二值化思想得到二值化Haar特征；然后根据韦伯定律求取该块的显著性因子；最后把显著性因子作为权重将二值化Haar特征统计成直方图而得到SLBH特征。通过在INRIA行人样本库上实验，表明该特征具有较好的鲁棒性、较高的检测率和较低的虚警率。

关键词：韦伯局部描述子；LBP特征；SLBH特征；显著性因子；行人检测

近年来，基于计算机视觉的行人检测技术一直是智能交通系统领域研究的热点问题[1]，而可行且高效的行人特征提取算法是其中的关键部分，为此，许多专家学者对此进行了深入研究。

本文在分析上述特征的基础上，针对Haar特征维度高、冗余度大，而LBP特征又无法刻画人眼的视觉敏感度，提出了一种基于显著性的局部二值化Haar特征（SaliencyLocalBinaryHaar，SLBH）提取算法。该特征维度低，对平移、缩放和噪声具有一定的鲁棒性，并能显现特征的局部显著性，从而提高了行人检测的准确率。本文结构安排如下：SLBH特征将在第2节详细介绍，第3节给出实验与结果分析，最后是总结。

1SLBH特征

1.1显著性因子

显著因子是对局部特征显著性的描述，韦伯定律指出，在发散的局部特征中，局部显著性不能由差别阈限的绝对值来进行比较，而应由其相对值进行确定。根据韦伯定律[12]，可以利用式（1）计算出中心像素点在其邻域内的显著性因子。其中[Ic]表示中心像素点的灰度值，p为邻域个数，[Ii]为对应邻域像素点的灰度值。

[S（Ic）=arctani=0p（Ii-Ic）Ic]（1）

其中，[S（Ic）∈-π2，π2]。为了方便后续计算，本文再通过增加一个值为[π2]的偏置项将[S（Ic）]值域转换至转换[0，π]。[S（Ic）]是对局部特征显著性的描述，其值越大表明显著性越强。

局部二元模式（LBP）是一种描述图像局部纹理的算子，因其具有计算简单，对光照变化不敏感等优点而被广泛应用于计算机视觉领域。LBP特征计算如式（2）所示，其中[gc]为中心像素点的灰度值，[gi]为[gc]的八个邻域像素点灰度值，[s（?）]为阈值比较函数，其定义如式（3）所示。

[LBP（gc）=i=07s（gi-gc）?2i]（2）

[s（x，y）=0，ifx-y≤T1，otherwise]（3）

在计算出整幅图像的LBP特征值后，根据式（4）统计LBP特征直方图，其中判断函数[f（?）]定义如式（5）所示。

[H（k）=x，yf（LBP（x，y），k），k∈[0，K]]（4）

[f（x，y）=1，ifx=y0，otherwise]（5）

LBP特征仅利用了中心像素与其邻域内像素间的差异，而缺乏对物体显著性的描述。如图1所示，虽然两个矩形区域具有相同LBP特征值，但是其显著性因子相差却很大。根据韦伯定律，显著因子越大，其显著性越强，其所描述的信息也就越重要，而LBP特征并不能描述这些显著性信息。CaoY等人[11]利用中心像素与邻域像素差的绝对值之和作为权值，来增加像素间差异在LBP特征直方图中的影响，如式（6）所示，其中K为最大的LBP特征值，判断函数与式（5）相同，权值函数如式（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等提出的加权LBP直方图虽然考虑到了像素邻域间差异的影响，但是它也没能很好描述特征的局部显著性。此外，由于在加权直方图统计过程中不断累积权重，使得各维度之间相差较大。受韦伯定理的启发，本文使用更接近人类视觉差异的显著性因子作为权重来统计加权LBP直方图。直方图统计函数如下：

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

Viola等人[3]最先提出并将Haar特征应用于行人检测中。但随着研究的深入，学者们发现原始的Haar特征对于检测静止的、对称的物体比较有效，而对于行人这类非刚性物体，则需要在其它方向上增加能够描述行人运动特点的特征。LienhartR等人在Viola提出的标准Haar特征的基础上进行了扩展，本文使用了图2所示的这8种扩展的Haar特征。

其中，[I（k，l）]表示图像[I]在点[（k，l）]处像素值，w表示cell的宽度，h表示cell的高度。考虑到LBP模式缺乏对显著性描述的缺陷，因此本文利用式（8）来统计局部二值化Haar特征直方图，即SLBH特征。该特征计算步骤如下：

Step1：将输入图像转换到灰度空间。

Step2：利用积分图技术求取每个cell的像素灰度值之和。

Step3：将8个cell按照图3所示结构组成一个block。

Step4：根据式（9）计算每个block内的LBH值，根据式（1）计算每个block的显著性因子。

Step5：按照式（8）统计直方图，即为该图像的SLBH特征。

与传统Haar特征相比，SLBH特征增加了显著性因子计算，其计算复杂度虽高于传统Haar特征，但该特征在刻画行人纹理信息时需要的特征数量较少，故此特征实时性较好。由于引入加权局部二元模式的思想使SLBH特征拥有传统的Haar特征无法比拟的光照不变性，可以有效的提高系统的鲁棒性，这在下面的试验中可以看到SLBH特征优越的检测效果。

2实验与结果分析

2.1特征性能评估

为了测试本文对Haar特征改进的性能，实验选用了Haar、LBH和SLBH特征做对比实验，并且选择SVM作为分类器。实验统计结果如表1所示，从表1中可以发现本文提出的SLBH特征虽然特征提取时间略高于其它两种特征，但是在其它3种评价指标上都优于Haar和LBH特征。

2.2检测性能对比

3总结