基于改进CoHOG-LQC的行人检测算法
发布时间：2019-12-03 04:57
【摘要】：针对行人检测过程中,易对相似目标产生误判的问题,并结合局部纹理特征描述子对图像边缘、方向信息的描述能力与检测精度的强相关性,同时考虑到基于LBP和HOG的特征融合方法存在结构利用率低、光谱信息损失多的缺点,提出了一种基于LQC和CoHOG特征融合的行人检测算法。首先通过LQC算子提取图像的纹理谱特征,同时使用积分图计算CoHOG特征值,以提取原始图像的边缘特征及基于LQC特征谱的CoHOG特征。然后将上述特征与CoHOG边缘特征融合,得到融合特征描述图像,最后使用HIKSVM分类器实现输入图像的检测与识别。为验证算法的有效性,分别在MIT行人数据库、Caltech行人数据库和INRIA行人数据库上进行实验。实验结果表明,提出的方法可以有效提高行人检测精度和效率。
【图文】：
法描述原始图像的纹理特征，在大幅降低特征维度的同时，并不损失任何纹理信息;2)使用共生梯度方向直方图可更为精确地表示原始图像的局部细节特征，通过“梯度对”能更好地描述空间梯度特性，对光照、旋转和偏移具有鲁棒性;3)运用基于局部量化编码生成的纹理特征谱下的共生梯度方向直方图，描述纹理特征图的空间梯度特性，可保留纹理特征谱的局部细节特征和空间特征;4)融合上述3种特征的图像描述子并使用主成分分析方法降维，在保留原始图像及纹理特征谱特征的同时，能降低特征维度，提升运算效率。算法流程如图1所示。图1基于改进CoHOG-LQC的行人检测算法流程图·275·
邻域量化等级数量。作为一种基础特征的中心像素的灰度值，仍然包含分类特征信息。因此，本文也将中心像素的全局量化等级并入LQC中:LQC=qc×10i+∑Qi=1qi×10i－1(4)式中，qc表示中心像素量化级。本文采用等分灰度直方图的方式量化中心像素值，以十进制编码方式替代二进制编码方式对LQC进行编码，因此，中心像素量化级qc可以表示为从0到9的集合。不同于邻域像素使用的局部量化处理方式，中心像素的量化处理选用全局量化方法。此举旨在将qc用于全局图像范围内描述局部灰度值。图2LQC编码过程及与LQC编码结果比较从图2可见LQC的编码过程，其中每个立方体代表一个像素，，立方体的高表示其对应像素的灰度值。从图2还可以看出，邻域像素灰度值被量化为4个等级。此时，每一量化级内的邻域像素数量qi(i=1，2，3，4)可以统计获得，分别为1、2、2、3。最后，我们忽略末尾数3也就是量化级的第一级，合并不同量化级包含的邻域像素数量，便可得到十进制LQC编码形式122。·276·
本文编号：2569069
【图文】：
法描述原始图像的纹理特征，在大幅降低特征维度的同时，并不损失任何纹理信息;2)使用共生梯度方向直方图可更为精确地表示原始图像的局部细节特征，通过“梯度对”能更好地描述空间梯度特性，对光照、旋转和偏移具有鲁棒性;3)运用基于局部量化编码生成的纹理特征谱下的共生梯度方向直方图，描述纹理特征图的空间梯度特性，可保留纹理特征谱的局部细节特征和空间特征;4)融合上述3种特征的图像描述子并使用主成分分析方法降维，在保留原始图像及纹理特征谱特征的同时，能降低特征维度，提升运算效率。算法流程如图1所示。图1基于改进CoHOG-LQC的行人检测算法流程图·275·
邻域量化等级数量。作为一种基础特征的中心像素的灰度值，仍然包含分类特征信息。因此，本文也将中心像素的全局量化等级并入LQC中:LQC=qc×10i+∑Qi=1qi×10i－1(4)式中，qc表示中心像素量化级。本文采用等分灰度直方图的方式量化中心像素值，以十进制编码方式替代二进制编码方式对LQC进行编码，因此，中心像素量化级qc可以表示为从0到9的集合。不同于邻域像素使用的局部量化处理方式，中心像素的量化处理选用全局量化方法。此举旨在将qc用于全局图像范围内描述局部灰度值。图2LQC编码过程及与LQC编码结果比较从图2可见LQC的编码过程，其中每个立方体代表一个像素，，立方体的高表示其对应像素的灰度值。从图2还可以看出，邻域像素灰度值被量化为4个等级。此时，每一量化级内的邻域像素数量qi(i=1，2，3，4)可以统计获得，分别为1、2、2、3。最后，我们忽略末尾数3也就是量化级的第一级，合并不同量化级包含的邻域像素数量，便可得到十进制LQC编码形式122。·276·
本文编号：2569069
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2569069.html
