Haar型LBP纹理特征的行人检测研究

计算机工程与应用 ›› 2016, Vol. 52 ›› Issue (21): 175-179.

Haar型LBP纹理特征的行人检测研究

周书仁1，2，王刚1，2，徐岳峰1，佘凯晟1

1.长沙理工大学计算机与通信工程学院，长沙 410114
2.长沙理工大学综合交通运输大数据智能处理湖南省重点实验室，长沙 410114

出版日期:2016-11-01 发布日期:2016-11-17

Haar characteristics LBP text feature for pedestrian detection

ZHOU Shuren1，2, WANG Gang1，2, XU Yuefeng1, SHE Kaisheng1

1.School of Computer and Communication Engineering, Changsha University of Science and Technology, Changsha 410114, China
2.Hunan Provincial Key Laboratory of Intelligent Processing of Big Data on Transportation, Changsha University of Science and Technology, Changsha 410114, China

Online:2016-11-01 Published:2016-11-17

摘要/Abstract

摘要： 针对行人检测中直接在灰度图像下提取局部二元模式（Local Binary Pattern，LBP）特征受噪声影响大导致检测率低的问题，提出了基于HSV颜色空间提取改进型Haar型LBP（IHLBP）特征的方法。首先将图像由RGB颜色空间转化到HVS颜色空间，然后对HSV图像的H、S、V空间分别提取IHLBP特征，最后将3个IHLBP特征归一化后串接为一个特征向量，得到最终的IHLBP特征。在INRIA Person数据集上采用支持向量机（Support Vector Machine，SVM）作为分类器进行测试。实验结果表明，该方法能有效地提高识别率，可达98.5%。相比于HOG特征、HPG-LBP特征和WLD-LBP特征具有更好的实验效果。

关键词: 行人检测, HSV颜色空间, 特征提取, 改进型Haar型局部二元模式（IHLBP）特征, 支持向量机

Abstract: In order to solve the problem of low detection rate caused by noise when directly extracting Local Binary Pattern（LBP） feature from gray images in pedestrian detection, a method extracting Improved Haar-like LBP（IHLBP） feature based on HSV color space is proposed. Firstly, images are converted from RGB space to HSV space. Secondly, IHLBP features are extracted from H, S, V channel respectively. Thirdly, the final IHLBP feature is obtained by normalizing and seriating three IHLBP characteristics acquired from second stage. Tests are conducted in INRIA Person dataset using Support Vector Machine（SVM） classifier. Experimental results show that this approach achieves higher recognition rate reaching up to 98.5% and has a better performance when compared to HOG, HPG-LBP, WLD-LBP feature.

Key words: pedestrian detection, HSV color space, feature extraction, Improved Haar-like Local Binary Pattern（IHLBP） features, Support Vector Machine（SVM）

周书仁1，2，王刚1，2，徐岳峰1，佘凯晟1. Haar型LBP纹理特征的行人检测研究[J]. 计算机工程与应用, 2016, 52(21): 175-179.

ZHOU Shuren1，2, WANG Gang1，2, XU Yuefeng1, SHE Kaisheng1. Haar characteristics LBP text feature for pedestrian detection[J]. Computer Engineering and Applications, 2016, 52(21): 175-179.

[1]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[2]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[3]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[4]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[5]	唐国智，李顶根. 深度学习及时空约束的行人跟踪算法研究[J]. 计算机工程与应用, 2021, 57(7): 121-129.
[6]	韩卫宇，程龙生. 结合马田系统-SVM的滚动轴承故障模式分类研究[J]. 计算机工程与应用, 2021, 57(6): 239-246.
[7]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[8]	雷恒林，古兰拜尔·吐尔洪，买日旦·吾守尔，张东梅. 新奇检测综述[J]. 计算机工程与应用, 2021, 57(5): 47-55.
[9]	温杰彬，杨文忠，马国祥，张志豪，李海磊. 基于Apex帧光流和卷积自编码器的微表情识别[J]. 计算机工程与应用, 2021, 57(4): 127-133.
[10]	李佐龙，王帮海，卢增. 多尺度特征融合重建的行人检测方法[J]. 计算机工程与应用, 2021, 57(4): 176-182.
[11]	李俊侠，张秦，郑桂妹. 超宽带雷达人体姿态识别综述[J]. 计算机工程与应用, 2021, 57(3): 14-23.
[12]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[13]	徐先峰，蔡路路，张丽. 融合MLP和DBN的光伏发电预测算法[J]. 计算机工程与应用, 2021, 57(3): 266-272.
[14]	陈富健，谢维信，夏婷. 基于LCT+的自适应抗遮挡目标跟踪算法[J]. 计算机工程与应用, 2021, 57(22): 190-198.
[15]	杨泉. N1+N2结构语法关系判定的SVM算法[J]. 计算机工程与应用, 2021, 57(20): 104-108.