浅析基于HSV特征和LBP特征的行人检测算法

最新推荐文章于 2020-04-05 11:36:23 发布

linuxface

最新推荐文章于 2020-04-05 11:36:23 发布

阅读量1.9k

点赞数 1

本文链接：https://blog.csdn.net/linuxface/article/details/82080994

版权

本文探讨了行人检测的挑战，提出了一种结合HSV颜色特征和LBP纹理特征的融合算法，旨在利用两种特征的互补优势。HSV-LBP算法在保持计算速度的同时，兼顾全局和局部信息，提高了行人检测的鲁棒性。实验表明，该方法在行人检测中表现出优于HOG和LBP的性能，但在光照变化大的情况下仍有改进空间。

摘要由CSDN通过智能技术生成

行人检测就是检测图像或视频中是否包含行人，并根据检测出的行人给出其大小和位置信息，是目前机器视觉领域的研究热点之一。行人检测具有广泛的应用需求和经济价值，例如在车辆辅助驾驶、智能视频监控、人体行为分析、虚拟现实中有广泛的应用，近年来也应用在航拍图像和受害者营救等新兴领域中[1]。但是，由于行人具有非刚性特征，行人图像受身材、姿态、衣着以及拍摄时的视角、光照等因素的影响，再加上复杂的背景和拍摄时摄像机自身的移动，其图像之间存在着极大的变化。因此，行人检测问题一直是机器视觉领域的研究难点。

颜色特征是在图像检索中应用最为广泛的视觉特征，主要原因在于颜色往往和图像中所包含的物体或场景十分相关。此外，与其他的视觉特征相比，颜色特征对图像本身的尺寸、方向、视角的依赖性较小，从而具有较高的鲁棒性[。

为了分析图像纹理特征，芬兰奥卢（Oulu)大学的Ojala 了等人于1996年提出了 LBP(Local BinaryPattern)描述子，这是一种描述图像局部空间结构的非参数算子，在纹理分类中具有很强的区分能力。在纹理分析方面，LBP算子是非常有效的纹理描述符，它有以下主要优点：1) LBP 算子的灰度尺度不随任何单一变换而变化；（2)计算速度快；（3)在应用过程中不需要对它的分布进行预先假设。但是，LBP算子在图像比较模糊或者光照变化强烈等成像条件较差时，不能有效地刻画出纹理特征。