基于自适应HCS-LBP特征的行人检测算法

针对行人检测中提取中心对称局部二值模式(Center-Symmetric Local Binary Pattern,CSLBP)时邻域中心像素没有参与计算、人为设定的判断阈值主观性较强、未能区别对待不同子块等问题,提出一种基于自适应HCS-LBP(Haar-like CS-LBP)特征的行人检测算法。该算法首先构造了HCS-LBP特征编码方法,采用局部中心对称模式减少编码长度,利用积分图像法快速计算降低时间复杂度,并将灰度级概率引入中心像素的全局自适应阈值计算,采用高斯矩阵获取邻域像素的局部自适应阈值,以突显图像客观的纹理信息;然后使中心像素参与图像编码,通过信息熵确定不同子块的权重,以增强图像特征的描述能力;最后使用直方图交叉核支持向量机(Histogram Intersection Kernel SVM,HIKSVM)训练样本,以提升分类器的准确度。在INRIA数据库的实验结果表明,该算法能有效提高图像信息的利用率,提升行人检测算法的性能,行人检测准确率较其他相关文献提高了0.4%～7.8%,具有较好的行人检测效果和检测精度。