[发明专利]一种基于一致化LBP的AdaBoost行人检测方法

权利要求书

1.一种基于一致化LBP的AdaBoost行人检测方法，其特征在于，包括以下步骤：

步骤1，建立样本集并进行降噪处理；

步骤2，建立一致化LBP模式，提取样本集的一致化LBP特征；

步骤3，将提取的一致化LBP特征输入到基于AdaBoost算法的加强分类器进行有监督训练，获得行人检测模型；

步骤4，提取测试视频中的视频帧，并进行降噪处理；

步骤5，对降噪处理后的视频帧进行图像增强处理，并提取视频帧的一致化LBP特征；

步骤6，利用行人检测模型对视频帧进行行人检测，获得行人位置坐标信息。

2.如权利要求1所述的一种基于一致化LBP的AdaBoost行人检测方法，其特征在于：所述步骤2中一致化LBP模式(Uniform LBP)具体的算法描述如下：

若U(LBP)≤2

其中，函数U的定义如下：

上式中，定义为T＝t(g_c，g₀，...，g_P-1)，式中，g_c代表局部区域中心像素点的灰度值，g_p(p＝0,1,…,P)代表对应于中心点周围等距R内分布的P个点的灰度值，

3.如权利要求1所述的一种基于一致化LBP的AdaBoost行人检测方法，其特征在于：步骤5中图像增强处理的具体实现方式如下，

步骤5.1，转换RGB颜色空间图像格式为HSI颜色空间图像格式，从HSI颜色空间中提取I分量；

步骤5.2，使用Retinex理论分解I分量为反色图像和亮度图像；

步骤5.3，基于遗传优化算法对提取的亮度图像进行对比增强，使用夜间的反色图像，增强亮度图像及图像本身的颜色进行图像重构。

4.如权利要求3所述的一种基于一致化LBP的AdaBoost行人检测方法，其特征在于：步骤5.1中转换RGB颜色空间图像格式为HSI颜色空间图像格式的具体实现方式如下，

假设输入的夜间彩色图像由红R、绿G、蓝B三个色调确定，从RGB空间转换到HIS空间，其中各分量如下：

θ＝COS^-1{1/2[(R-G)+(R-B)]}/[(R-G)2+(R-B)(G-B)]∧1/2}

下式为饱和度分量S：

下式是亮度分量I：

其中H示色度，S表示饱和度，I表示亮度值，θ表示角度。

5.如权利要求3所述的一种基于一致化LBP的AdaBoost行人检测方法，其特征在于：步骤5.3的具体实现方式如下，

步骤5.3.1，对夜间图像增强问题描述，寻找颜色空间转换后的亮度与像素的各种对应关系，确立遗传算法中的染色体；

首先设置输入图像的亮度取值范围为[0,255]，其中最小亮度为L_MIN在增强的亮度帧中映射为0，最大亮度为L_MAX在增强的亮度帧中映射为255，从而得到亮度与像素的对应关系；

然后采用二进制编码对染色体进行编码，把每个基因的增加量设置为Δ_i-1，串长n＝(L_MAX-L_MIN+1)，输入图像亮度L_OUTPUT通过如下表达式进行计算：

L_OUTPUT(i)＝L_OUTPUT(i-1)+Δ_i-11≤i≤n

根据以上分析，本发明提出增强图像亮度O_L(i)和输入图像亮度之间的对应关系：

步骤5.3.2，确定编码方式，将问题的解空间映射为个体基因串和遗传算法的搜索空间；

步骤5.3.3，初始化种群和规模，随机产生定数量的染色体，形成初始种群；

步骤5.3.4，搭建图像增强的参数模型，即使用图像增强的客观评价准则或者函数；

设L(x,y)表示坐标为(x,y)的原始图像亮度，L’(x,y)表示坐标为(x,y)的增强后的亮度，先进行归一化处理：

m(x，y)＝[L(x，y)-L_MIN]/[L_MAX-L_MIN]

然后定义非线性变换函数m′(x，y)：

m′(x，y)＝o_L[m(x，y)]

其中n＝M*N，M、N分别为增强图像的宽和高，染色体用i表示，函数值的大小表征了图像亮度分布的均匀程度，越大增效果越好；

最后将得到的亮度图像反归一化处理，则可得到输出的增强图像L’(x,y)，

步骤5.3.5，开始遗传操作，即对建立的图像增强模型进行选择、交叉、变异算子等产生新的解，进行不断的优化迭代；

使用联赛的选择方法，联赛的选择涉及到从独立的个体中选择几个个体之间联赛，每个联赛使用交叉选择，选择用于调整联赛值大小；如果联赛值越大，则弱的个体有很小的机会被选择；如果联赛值越小，则强的个体有很大的机会被选择。选择一对父代有更大值的可能产生有效的交叉；为了确保交叉算子在父代和子代直接搜索，本发明使用算术交叉方式对全局进行搜索，随机选择定义两个染色体之间的线性联合，如和表示产生两个子代，和表示父代的线性联合，即：

其中是从父代中产生的一个个体，是从子代中产生的一个个体，a是权重，如果个体的适应度大，那么是需要保留到下一代的个体，此时需要对这样的个体加入较大的权重；

步骤5.3.6，根据终止条件，重复进行步骤5.3.3和5.3.4，直到找到评价函数的最优解。