[发明专利]基于FHOG‑LBPH特征的图像行人识别方法

摘要

本发明提出一种基于FHOG‑LBPH特征的图像行人识别方法。通过对融合HOG特征(FHOG)进行统计平均，结合单独最优特征组合和巴氏距离可分性判据选出最优特征，并与LBPH特征融合得到改进的FHOG‑LBPH特征，从根本上降低特征维数；利用支持向量机(SVM)对样本特征进行训练获得分类器，达到对测试样本进行分类的目的。实验结果表明，该方法使得行人检测的准确率和实时性都有一定的提高，并用自行拍摄的图像验证了该方法的有效性，在实际行人识别中具有一定的应用价值。

主权项

一种基于FHOG‑LBPH特征的图像行人识别方法，其特征在于：具体实现步骤如下：步骤一：FHOG特征提取。计算FHOG描述子是一个将区域特征相互叠加的过程，目标区域通过细胞单元划分为各个小区域，各个小区域组合成一个块单元，FHOG特征即各个区域特征的组合。FHOG描述子用来计算局部图像梯度的方向信息的统计值，描述局部目标的表象和形状，表征出行人的轮廓信息。FHOG特征提取包括：灰度空间归一化、梯度计算、梯度方向直方图、重叠块直方图归一化、生成FHOG特征。步骤二：LBPH特征提取。由于步骤一的特征描述是行人轮廓边缘信息，较多地忽略了平坦的表面，导致分类器对于嘈杂的边缘信息的处理能力和鲁棒性较差。由此引入一种有效的纹理描述子(LBPH)，它提取和度量了灰度图中局部邻近区域的纹理特征。LBPH特征提取包括：LBP特征图像计算、LBP特征图像分块、直方图归一化、计算LBPH特征向量。由于纹理特征比较稳定，不易受背景颜色和光照的影响，有助于图像的区分，从而提高行人检测的准确率。步骤三：FHOG‑LBPH特征融合。将步骤一与步骤二得到的FHOG特征与LBPH特征串联起来形成一幅图像的特征来检测行人。FHOG‑LBPH融合特征整体提高了分类器的鲁棒性。步骤四：行人识别。利用SVM对步骤三提取的训练样本特征进行训练获得分类器，通过该分类器对测试数据集进行检测，从而判断图像是否是行人。