Haar型LBP纹理特征的行人检测研究

针对行人检测中直接在灰度图像下提取局部二元模式(Local Binary Pattern,LBP)特征受噪声影响大导致检测率低的问题,提出了基于HSV颜色空间提取改进型Haar型LBP(IHLBP)特征的方法。首先将图像由RGB颜色空间转化到HVS颜色空间,然后对HSV图像的H、S、V空间分别提取IHLBP特征,最后将3个IHLBP特征归一化后串接为一个特征向量,得到最终的IHLBP特征。在INRIA Person数据集上采用支持向量机(Support Vector Machine,SVM)作为分类器进行测试。实验结果表明,该方法能有效地提高识别率,可达98.5%。相比于HOG特征、HPG-LBP特征和WLD-LBP特征具有更好的实验效果。

基于Haar特性的LBP纹理特征

图像纹理特征能够反映图像的灰度分布程度、对比度、空间分布和图像的内在变化特性,在确保较低计算复杂度的前提下,有效提取深层次的图像纹理信息是其研究的难点问题.针对这一问题,从相邻区域的统计特征分析入手,提出了一种Haar型特性局部二元模式(Haar local binary pattern,简称HLBP)的图像纹理特征提取方法.鉴于Haar型特征运算简单、快捷,统计局部特征有效、可靠,将其引入LBP中.该方法首先给出8组Haar型特征编码模式,按照局部二元模式(local binary pattern,简称LBP)统计图像局部纹理特征,因采用局部区域统计方法能够有效降低噪声的影响;其次,为了进一步提高图像纹理特征的有效呈现,结合Gabor小波滤波在不同方向、不同尺度对灰度水平图像进行特征提取,以增强纹理有效提取的性能,提高不变特征的稳健性;最后,通过4组对比实验验证了该方法的可行性.实验分别在标准的Brodatz正常分块纹理库测试集、分块且缩放Brodatz纹理库测试集、分块且旋转Brodatz纹理库测试集以及Yale B扩展的非均匀光照条件人脸库测试集上进行.实验结果表明,该方法能够有效地表达图像的纹理特征.