[发明专利]一种基于改进LBP算子的图像目标检测方法

权利要求书

1.一种基于改进LBP算子的图像目标检测方法，其特征在于，包括如下步骤：

(1)输入训练图像集和待检测的目标图像；

(2)采用自适应加权中值滤波方法对训练图像集和待检测的目标图像分别进行去噪处理；

(3)对去噪后的训练图像集和待检测的目标图像分别计算局部二值模式直方图离散傅立叶特征，完成图像特征提取：

3.1)引入多尺度灰度差代替原本的灰度值计算LBP特征；

3.2)基于LBP特征计算得到均匀LBP特征；

3.3)计算得到LBP直方图离散傅立叶特征；

(4)将训练图像集的LBP直方图离散傅立叶特征作为SVM的特征集，训练得到SVM分类器；

(5)结合目标图像的LBP直方图离散傅立叶特征，根据训练得到的SVM分类器对目标图像进行目标检测。

2.根据权利要求1所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述步骤(2)采用自适应加权中值滤波方法进行去噪处理的方法如下：

2.1)设滤波模型窗口W大小为w×w，w为不小于3的奇数，窗口在图像I上滑动；窗口中心点(x,y)灰度值为I(x，y)，图像I的最大灰度值为I_max，最小灰度值为I_min；

2.2)判断I(x，y)＝I_max或I(x，y)＝I_min是否成立，若成立则窗口中心点(x,y)为噪声点，执行步骤2.3)；否则移动窗口W使得中心点落于图像I的下一个像素后继续重复执行本步骤进行判断；

2.3)计算窗口W中的非噪声像素数N，若则跳转执行步骤2.5)；否则执行步骤2.4)；

2.4)进行自适应滤波窗口设定，令w＝w+2，循环执行步骤2.3)和2.4)直到

2.5)根据噪声像素的邻域像素的相似性和距离作为权重衡量标准，计算得到加权像素值。

3.根据权利要求2所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述步骤2.5)计算得到加权像素值的方法如下：

(I)计算距离权重：权重大小和窗口中心像素(x,y)与滤波窗口内某像素(x+x′，y+y′)之间的距离远近成反比，其中x′，y′分别为大于0且小于w的整数，距离权重的计算公式为：

其中，w_x′y′为与中心像素(x,y)在水平方向和垂直方向上分别距离x′，y′个像素的权重；

(II)计算相似性权重，其中相似性权重采用梯度占比概率表示：

(II.1)计算窗口内每个像素点的梯度，计算公式如下：

G_x(x，y)＝I(x+1，y)-I(x-1，y)(2)

G_y(x，y)＝I(x，y+1)-I(x，y-1)(3)

其中，G_x(x，y)和G_y(x，y)分别表示像素点(x,y)在水平方向和垂直方向上的梯度，则像素点(x,y)处的梯度幅值和梯度方向可表示为：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}---\left(4\right)$

$\mathrm{\θ}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_x(x,y)}\right)---\left(5\right)$

(II.2)将梯度方向360度分为R个方向块，统计落在每个方向块内的像素点的梯度幅值直方图：

H_i＝∑G(x，y)|θ_i (6)

其中，H_i为第i个方向块的梯度直方图，i＝1，2，...，R；θ_i为落在第i个方向块的梯度方向，每个方向块的梯度概率表示为：

${\mathrm{\ρ}}_i=\frac{H_i}{{\Σ}_{i=1}^R{H}_i}---\left(7\right)$

其中，ρ_i为第i个方向块的梯度概率；

(II.3)对每个方向块内的像素点计算各个像素点的梯度占比概率：

${\mathrm{\μ}}_{ij}={\mathrm{\ρ}}_i\×\frac{G_{ij}}{H_i}---\left(8\right)$

其中，μ_ij为梯度占比概率，G_ij为方向块i内第j个像素点的梯度幅值；(III)将计算得到距离权重和相似性权重合并形成加权像素值：合并时需对距离权重和相似性权重作归一化处理，加权像素值表示为：

I′(x，y)＝α·[norm(w_x′y′)×I(x+x′，y+y′)]+

β·[norm(μ_x′y′)×I(x+x′，y+y′)] (9)

其中，I′(x，y)为加权像素值；norm(w_x′y′)为w_x′y′进行归一化后的值，norm(μ_x′y′)为除中心像素点外窗口内其他像素点的梯度占比概率归一化值，α和β分别为距离权重和相似性权重的占比，α和β可根据时间情况调整，满足α+β＝1。