推荐星级：
- 1
- 2
- 3
- 4
- 5
应用于行人检测的HLBP与CHLBP纹理特征
资料介绍
根据CSLBP(center-symmetric local binary pattern)和Uniform LBP(local binary pattern)特征描述行人局部纹理互补性的特点,提出将二者级联的组合特征用于行人检测:基于灰度图像的纹理特征(hybrid local binary pattern,HLBP)和基于颜色空间的纹理特征(color based hybrid local binary pattern,CHLBP)。实验结果表明,当FPPW=10–4时,HLBP特征的检测率为93.96%,与Uniform LBP和CSLBP特征相比分别提高3.46%和9.68%,基于颜色空间L′C′C′与HIKSVM分类器结合时的检测率高达98.58%。与传统的纹理特征检测方法相比,该特征提高了行人检测精度,降低了误检率,检测性能得到较大幅度的提升。
部分文件列表
| 文件名 | 大小 |
| 1577652738应用于行人检测的HLBP与CHLBP纹理特征.pdf | 2M |
部分页面预览
（完整内容请下载后查看）北京大学学报(自然科学版) 第 54 卷 第 5 期 2018 年 9 月
Acta Scientiarum Naturalium Universitatis Pekinensis, Vol. 54, No. 5 (Sept. 2018)
doi: 10.13209/j.0479-8023.2018.017
应用于行人检测的HLBP与CHLBP纹理特征
程如中1 张永军2,† 李晶晶1 汪国平1 雷凯1 赵勇1
1. 北京大学深圳研究生院信息工程学院, 深圳 518055; 2. 贵州大学计算机科学与技术学院, 贵阳 550025;
† 通信作者, E-mail:
摘要 根据CSLBP (center-symmetric local binary pattern)和Uniform LBP (local binary pattern)特征描述行人局部
纹理互补性的特点, 提出将二者级联的组合特征用于行人检测: 基于灰度图像的纹理特征(hybrid local binary
pattern, HLBP)和基于颜色空间的纹理特征(color based hybrid local binary pattern, CHLBP)。实验结果表明, 当
FPPW=10–4时, HLBP特征的检测率为93.96%, 与Uniform LBP 和 CSLBP 特征相比分别提高3.46%和9.68%, 基
于颜色空间L′C′C′与HIKSVM分类器结合时的检测率高达98.58%。与传统的纹理特征检测方法相比, 该特征
提高了行人检测精度, 降低了误检率, 检测性能得到较大幅度的提升。
关键词 行人检测; 基于灰度图像的纹理特征(HLBP); 基于颜色空间的纹理特征(CHLBP); HIKSVM
中图分类号 P312
The HLBP and CHLBP Features for Pedestrian Detection
CHENG Ruzhong1, ZHANG Yongjun2,†, LI Jingjing1, WANG Guopin1, LEI Kai1, ZHAO Yong1
1. School of Electronic and Computer Engineering, Peking University Shenzhen Graduate School, Shenzhen 518055; 2. College
of Computer Science and Technology, Guizhou University, Guiyang 550025; † Corresponding author, E-mail:
Abstract Two improved texture features (hybrid local binary pattern, HLBP) and (color based hybrid local
binary pattern, CHLBP) which are based on gray image texture and color space are proposed for pedestrian
detection. The experimental results show that, when FPPW is 10–4, the detection rate of HLBP is 93.96% which is
about 3.46% and 9.68% higher than Uniform LBP and CSLBP respectively. At the same time, when combined with
the HIKSVM classifier, CHLBP feature based on L′C′C′ space makes the detection rate up to 98.58%, and its
detection performance has been greatly improved, by this method an good result could be obtained in pedestrian
detection.
Key words pedestrian detection; HLBP; CHLBP; HIKSVM
行人检测是自动驾驶技术中的一个核心算法,
目前面临很多难点。无论是辅助驾驶还是自动驾
驶, 都要求行人检测算法既满足检测精度, 又具有
实时性。目前检测率高的算法都十分复杂, 需要耗
费大量的检测时间, 能够快速检测的算法的检测精
度又很难满足要求。因此, 设计一种检测性能理想,
且能够实时响应的算法具有重要的应用价值。
行人检测算法经历了从基于模板和人体模型的
方法到基于统计学习的方法的演变。行人检测的开
创性成果是Papageorgiou等[1]提出的将Haar小波特
征与多项式核SVM分类器结合的算法, 并基于MIT-
CBCL行人数据库(MIT-CBCL Pedestrian Data-base)
展开实验。Viola等[2]利用积分图的概念, 快速提取
Haar小波特征, 提出一种新的AdaBoost学习方法,
该方法自动进行特征选择, 最终通过级联结构来进
行行人检测。HOG (Histograms of oriented gradients)
特征[3]是目前分辨率最佳的特征之一, 此后提出的
很多轮廓特征都是对HOG特征进行改进, 使检测率
贵州大学引进人才科研基金(贵大人基合字(2016) 49 号)资助
收稿日期: 2017−07−21; 修回日期: 2017−09−10; 网络出版日期: 2018−06−11
935
北京大学学报(自然科学版) 第 54 卷 第 5 期 2018 年 9 月
或检测速度有所提高。在众多纹理信息描述符中,
局部二值模式(local binary pattern, LBP)特征因计算
简单、灰度不变性等特点, 广泛应用于人脸识别
中。Mu等[4]提出更适合行人检测的semantic LBP
(S-LBP)特征和Fourier LBP (F-LBP)特征, 能更好地
描述行人局部纹理信息。由于简单的颜色特征对光
照变化敏感, 颜色特征极少用于行人检测, 但是任
意矩形区域内的颜色相似度(color self-similarities,
CSS)是有效表征行人的特征, Walk等[5]将CSS特征
与其他特征组合, 进行行人检测。目前, 还不存
在一个鲁棒性强的可独立应用于行人检测的颜色
特征。
1 混合特征 HLBP 与 CHLBP
1.1 HLBP 特征及提取算法
本文提出的HLBP特征是一种组合纹理特征,
是将CSLBP特征和Uniform LBP特征级联, 将组合
特征作为单一纹理特征来表征行人特征。该特征集
合了CSLBP[9]和Uniform LBP[10]对图像纹理的描述
能力, 通过简单的特征提取算法, 在不增加计算复
杂度的情况下, 利用较小的特征维度, 实现鲁棒性
强的检测性能。LBP特征描述周围像素与中心像素
之间的二进制关系以及较详细的局部纹理信息。
Uniform LBP是LBP的统计和映射。CSLBP特征描
述呈中心对称的两个周围像素点对之间的二进制关
系以及较稀疏的局部纹理信息, 与Uniform LBP特
征相比, 维度较低。从图1可以看出LBP和CSLBP
对局部纹理的不同描述。其中, 图1(a)表示输入的
图像, 图1(b)中用像素点的LBP值代替灰度值, 图
1(c)中用像素点的CSLBP值代替灰度值。
近年来, 在上述特征的基础上, 涌现较多基于
特征融合的行人检测方法。Wojek等[6] 发现, 将
Haar-like, Shapelets, HOG和形状上下文特征进行某
种组合后, 其行人检测性能比任意单独的特征描述
算符更有效。Wang等[7]提出的基于“LBP+HOG”特
征的方法对行人部分遮挡问题有较好的鲁棒性。
Hussain等[8] 提出基于“LBP+LTP(local ternary pat-
terns)+HOG”特征的方法, 可以得到更高的检测率,
并指出LTP特征与LBP特征描述的局部纹理信息之
间具有互补性, 将二者结合能提取更广泛的纹理
特征。
如图2所示, HLBP特征的提取分为两部分, 首
先分别提取CSLBP特征(左侧)和Uniform LBP特征
(右侧), 然后将二者级联, 形成最终的HLBP特征。
该提取算法并非仅仅将几种成熟的特征组合在一
起, 而是通过基于本文算法流程提取的CSLBP特征,
来设计不同的比较实验, 为CSLBP选定检测性能
最优的参数。与基于密集描述CSLBP特征的检测算
法[11]相比, 该提取算法极大地保持了CSLBP描述符
维度低的优势。从图2可以看出, CSLBP特征的提取
流程与Uniform LBP特征的提取流程十分相似, 有
利于代码的简化和优化, 与任一单个特征相比, 计算
复杂度几乎没有增加。特征提取的具体步骤如下。
本文从特征和分类器两方面着手, 提出基于更
高分辨能力的纹理特征, 以及分类能力强且计算简
单的分类器行人检测算法, 并提出两种新的混合纹
理特征HLBP (hybrid local binary pattern)和CHLBP
(color based hybrid local binary pattern)以及两种
组合特征HLBP+HOG和CHLBP+HOG, 同时将这4
种特征分别与SVM和HIKSVM分类器结合来验证行
人检测算法的性能。
图 1 图像原图(a)、LBP 图(b)和 CSLBP 图(c)
Fig. 1 Original image (a), LBP processed (b), and CSLBP processed (c)
936
全部评论(0)