[发明专利]一种基于XCS-LBP特征的行人检测算法

权利要求书

1.一种基于单XCS-LBP特征的行人检测方法，包括下列步骤：

(1)从训练视频帧中获取检测图像并进行灰度化，其中，该步骤包括：

1.图像样本集获取；和

2.预处理，数据集是视频文件，则将其转换为图像文件，预处理过程是对图像做加工处理，包括a.帧变换；b.图像灰度化；c.前景检测，

其中，a.帧变换，

针对辅助驾驶系统，数据来源是从车辆的前置摄像头获取的视频文件，将从摄像头获取的视频首先转换成帧，视频帧中的每个实例都是从该视频中获取，第一帧被转换为灰度图像，并将这第一帧转换后的图像设置为背景参考图像，定义要读的帧的间隔，成像设备按照特定的速率或频率显示连续的图像称为帧；

b.图像灰度化，

为了从RGB图像中得到灰度图像，通过添加每个像素的RGB值得到像素的亮度或者强度，通过求平均的方法，

Grayscale＝(R+G+B)/3 (1)

根据RGB颜色的波长贡献，图像就形成了，红色比蓝色和绿色的波长更大，通过加权的方法减少红色对图像的贡献率，增加绿色贡献率，

New Grayscale＝(0.3*R)+(0.59*G)+(0.11*B) (2)

c.前景检测，

前景检测是通过使用第一帧作为参考背景图像并且自适应变换参考图像实现的，

Background＝(1-α)*current frame+(α*background) (3)

Differenceimage＝current frame-background (4)

根据阈值的设置，差分图像就转换成了二值图像，它取代了原始图像中的所有像素，将像素值大于阈值的用“1”代替作为二值图像中的白色，其所有像素用“0”代替，利用Otsu法计算全局图像阈值，通过这种方法选择的阈值将黑白像素区分开，相机和背景没有相对运动，

3.XCS-LBP纹理特征提取，

XCS-LBP算子是在LBP算子和CS-LBP算子的基础上提出区域算子，

LBP算子包括，对于图像中的每个像素点c＝(x,y)，与其领域半径为R的P个邻域点的灰度值进行比较，计算出LBP纹理特征值，其表达式实现如式(5)所示，

其中，g_c为中心点的灰度值；g_i为邻域点灰度值；T为阈值；P为邻域点的个数，选取4或者8，

CS-LBP算子采用中心对称提取纹理特征，CS-LBP纹理算子的特征值通过计算以中心像素为对称的像素对的邻域像素值得到，其实现形式如式(6)所示，

其中，g_i+P/2是以g_c为中心与g_i点中心对称的像素点灰度值，

XCS-LBP算子结合了LBP算子和CS-LBP算子，其由式(7)表示为：

4.HOG特征提取，

HOG特征提取算法包含六部分，图像灰度化；标准化gamma空间；计算图像每个像素的梯度，所述梯度包括大小和方向；将图像分割为小的Cell单元格；为每个Cell单元格构建梯度方向直方图；把Cell单元格组合成大的块，块内归一化梯度直方图，对XCS-LBP特征提取后得到的图像计算其每个像素的梯度，

a.图像梯度计算，

计算图像横坐标和纵坐标方向的梯度，并据此计算每个像素位置的梯度方向值，

水平方向的边缘算子为[-1,0,1]，垂直方向的边缘算子为[-1,0,1]T，用[-101]分别对图像的水平方向V和垂直方向H进行卷积运算，分别得到水平方向梯度GV(x,y)和垂直方向梯度GH(x,y)，如果是彩色图，则需要分别计算出R、G、B 3个颜色分量的梯度值，公式如下：

GV(x,y)＝L(x+1,y)-L(x-1,y) (8)

GH(x,y)＝L(x,y+1)-L(x,y-1) (9)

再分别求像素点(x,y)的幅度值和梯度方向角度，G(x,y)表示幅度值，α(x,y)表示梯度方向角度，用表达式表示为：

G(x,y)＝(G2V(x,y)+G2H(x,y))1/2 (10)

b.将图像分割为小的Cell单元格，并构建梯度方向直方图，

把经过处理后的图像分割成若干个8×8像素的单元格Cell，图像梯度方向[-π/2,π/2]平均划分为9个区间bin，在每一个单元格内，计算所有像素点在各个方向区间bin的梯度幅值V_k(x,y)，得到一个9维的特征向量如下式，

c.把单元格组合成大的块，块内归一化梯度直方图，

所述大的块是单元格的集合，每四个单元格(2*2)构成一个块，用块对窗口进行扫描，其步长为单元格，串联所有的块就得到人体特征，若用64*128大小的训练图像时，celll为8*8大小，则窗口可以划分为64/8*128/8＝8*16个cell，

对块内归一化梯度直方图增强特征对阴影、光照的不敏感性，采用L2范数归一化，计算公式如下:

其中v*为归一化后的HOG特征向量，v表示归一化前Block中36个特征向量，||v||_k表示v的k范数，这里取ε＝0.001，以防止分母为0；

(2)XCS-LBP特征处理；

(3)HOG特征提取；

(4)用遗传基因算法得到最优AKSVM级联序列并对其进行训练，其中该步骤包括：附加核(AK)被定义为维分量的求和，其表达式如下所示：

其中，X＝{x₁,x₂,...,x_N}∈R^N，Z＝{z₁,z₂,...,z_N}∈R^N，附加核(AK)包括线性核K_LIN，交叉核K_IK，广义的交叉核K_GIK以及χ²核它们定义如下：

从式(18)，可以得到带有附加核的SVM的决策函数：

式(18)定义如下：

其中sυ＝{i|α⁽ⁱ⁾＞0}是一组支持向量，K是核函数，b是所有支持向量的计算均值；

决策函数定义如下：

其中，

h_n(x_n)是x_n∈R的一维函数，α⁽ⁱ⁾，y⁽ⁱ⁾由式(17)中给出，

其中P为最优解，表示一个分量乘法，向量e是一个L维的向量，α＝[α⁽¹⁾,α⁽²⁾,…,α^(L)]^T∈R^L是一个对偶变量向量，L是样本的数量，K∈R^L×L是一个核格拉姆矩阵，内容定义为

一维函数h_n(x_n)对所有可能的x_n∈R预先计算，计算结果存储在一个数组或者查找表LUT中，用数学表达式表示为：

h_n(x_n)≈LUT_n(x_n) (31)

式(29)表示的AKSVM的决策函数由N个不同的查找表LUT的和计算得到，此外AKSVM被分解为T个弱分类器，这里T满足T＜＜N，其决策函数可以表示为；

其中，

分类器的级联形式如图5所示，其中j是弱分类器q_j(X)的索引，U(j)可以如下公式表示：

其中式(33)中h_n(x_n)放置的顺序表达式为：

其中τ＝{1,2,3,...,T}，t_neg表示在AKSVM级联实现中，训练样本中负样本被抛弃的平均阶段，

其中，染色体c包含T个元素，编码为c＝[c₁,c₂,...,c_T]并且有

c_S＝τ_S (36)

其中T是弱分类器的数量，然后染色体表示弱分类器q_j(·)的顺序，每个染色体一对一映射到序列{1,2,...,T}，最初，每个基因被随机生成1到T之间不重复的整数，第s个基因表示哪一个弱分类器被放在第s阶段，如果c_s＝j，它意味着第j个弱分类器q_j(·)用在第s阶段，当给出一个染色体c时，该染色体可以被解码为AKSVM的级联形式，如公式(37)所示，

其中，f_t(X)是通过前t阶段时AKSVM的输出，在级联实现的过程中，每个阶段的阈值由(38)式计算得到，

满足

根据得到的阈值θ_t和每个阶段的分类器f_t(X)，利用AKSVM的级联计算测试集，如表2所示，

表2：使用序列c的级联AKSVM计算评价概述

(5)获取测试数据集并重复(1)-(3)步；

(6)利用第(4)步得到的分类器对第(5)步得到的数据进行测试；

(7)后处理，后处理是融合检测所得信息的过程，采用的是非极大值抑制算法，贪心非极大值抑制算法是每次贪心算法选择检查分数最高的初始检测窗口，步骤如下：

①将初始检测窗口按检测分数从高到低排序，

②将第一个初始检测窗口作为当前抑制窗口，

③非极大值抑制，将所有检测分数比当前抑制窗口低的初始窗口作为被抑制窗口，计算当前抑制窗口与被抑制窗口的重合面积比率：面积的交/面积的并，剔除重合面积比率高于设定阈值的窗口，

④如果只剩最后一个初始检测窗口则结束，否则按照排好的顺序，取下一个未被抑制的窗口作为抑制窗口，转到步骤③。