【摘要】：針對行人檢測過程中,易對相似目標產(chǎn)生誤判的問題,并結(jié)合局部紋理特征描述子對圖像邊緣、方向信息的描述能力與檢測精度的強相關(guān)性,同時考慮到基于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,提出了一種基于LQC和CoHOG特征融合的行人檢測算法。首先通過LQC算子提取圖像的紋理譜特征,同時使用積分圖計算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分類器實現(xiàn)輸入圖像的檢測與識別。為驗證算法的有效性,分別在MIT行人數(shù)據(jù)庫、Caltech行人數(shù)據(jù)庫和INRIA行人數(shù)據(jù)庫上進行實驗。實驗結(jié)果表明,提出的方法可以有效提高行人檢測精度和效率。
【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，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節(jié)特征，通過“梯度對”能更好地描述空間梯度特性，對光照、旋轉(zhuǎn)和偏移具有魯棒性;3)運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，能降低特征維度，提升運算效率。算法流程如圖1所示。圖1基于改進CoHOG-LQC的行人檢測算法流程圖·275·

鄰域量化等級數(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并入LQC中:LQC=qc×10i+∑Qi=1qi×10i－1(4)式中，qc表示中心像素量化級。本文采用等分灰度直方圖的方式量化中心像素值，以十進制編碼方式替代二進制編碼方式對LQC進行編碼，因此，中心像素量化級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編碼過程及與LQC編碼結(jié)果比較從圖2可見LQC的編碼過程，其中每個立方體代表一個像素，，立方體的高表示其對應(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個等級。此時，每一量化級內(nèi)的鄰域像素數(shù)量qi(i=1，2，3，4)可以統(tǒng)計獲得，分別為1、2、2、3。最后，我們忽略末尾數(shù)3也就是量化級的第一級，合并不同量化級包含的鄰域像素數(shù)量，便可得到十進制LQC編碼形式122。·276·


本文編號：2569069