CN106548195A - 一种基于改进型hog‑ulbp特征算子的目标检测方法 - Google Patents

Abstract

本发明公开了一种基于改进型HOG‑ULBP特征算子的目标检测方法，包括学习阶段和决策阶段，学习阶段包括：建立正负样本库；对样本提取感兴趣区域；提取HOG特征和ULBP特征，二者合并成HOG‑ULBP向量后进行高斯归一化处理；利用LCC(局部坐标编码)得到改进型HOG‑ULBP特征算子；根据改进型HOG‑ULBP特征算子建立线性SVM模型；决策阶段包括：对待检测视频帧图像提取HOG特征和ULBP特征，根据改进型HOG‑ULBP特征算子得到线性SVM模型输出，如果模型输出判定为正样本，则检测到目标，输出目标位置。本发明有效解决了HOG和LBP合并后维数过大带来的过拟合现象，提高了目标物体检测率。

Description

一种基于改进型HOG-ULBP特征算子的目标检测方法

技术领域

本发明属于计算机视觉目标检测领域，特别涉及一种基于改进型HOG-ULBP特征算子的目标检测方法。

背景技术

随着计算机技术、通信技术和网络技术的快速发展，当代社会已处于信息爆炸的时代，我们的生活中充斥着各种各样的信息。尤其是伴随着互联网的兴起，图像和视频越来越成为承载信息的主要形式。如何对海量的图像和视频信息进行处理，是亟待解决的热点和难点问题。

目标检测就是图像处理领域的研究热点之一。目标检测在现实生活中有着极其广泛的应用，例如飞机航拍或卫星图像中的道路检测，视频监控中的车辆行人检测，CT图像中的肿瘤检测等等。因此对目标检测技术的深入研究有着重要的实用价值。

基于局部特征的目标检测方法包括两个阶段：学习阶段和决策阶段。在学习阶段，首先在给定的训练集上提取各类目标的局部特征，然后采用统计学习方法，如支持向量机(Support Vector Machine,SVM)，对训练数据进行学习，得到用于判别目标物体与其他物体的判别式模型。在决策阶段，对测试图像进行从左到右、从上到下的扫窗，在每个窗上提取局部特征，用判别式模型判别该窗是否包含目标物体。

HOG描述子对目标边缘和形状特征比较敏感，在目标检测领域得到广泛的应用。以车辆检测应用为例，可利用确定的目标区域，以HOG特征作为目标的特征向量，使用线性SVM分类器作为机器学习分类器，对潜在区域进行目标检测。相对于边缘和形状，在纹理方面，LBP(Local Binary Pattern，局部二值模式)特征描述方法具有敏感度高、算法执行效率高以及光照不变性的优势。现有技术中，已有研究人员提出将HOG和LBP合并，进而同时得到边缘特征和纹理特征的方法。但这种方法存在以下缺点：1)特征合并后特征向量维数增加过大，容易导致过拟合现象；2)在实时检测领域，实时性要求非常高，合并后导致的运算量增大使得实时性变差。

为此，寻求一种克服上述问题的目标检测方法，具有重要的研究意义和实用价值。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种基于改进型HOG-ULBP特征算子的目标检测方法，其有效解决了HOG和LBP合并后维数过大带来的过拟合现象，提高了目标物体检测率。

本发明的目的通过以下方式实现，一种基于改进型HOG-ULBP特征算子的目标检测方法，包括以下步骤：

S1：学习阶段，包括：

S1.1：建立正负样本库；

S1.2：对样本提取感兴趣区域；

S1.3：提取感兴趣区域的HOG特征和ULBP特征；

S1.4:将HOG特征和ULBP特征合并成HOG-ULBP向量后进行高斯归一化处理，然后得到归一化的HOG-ULBP特征向量；

S1.5:利用LCC(局部坐标编码)对归一化的HOG-ULBP特征向量进行编码，得到改进型HOG-ULBP特征算子；

S1.6:根据改进型HOG-ULBP特征算子，利用正负样本训练，得到SVM模型中各个参数，建立线性SVM模型；

S2：决策阶段，包括：对待检测视频帧图像进行预处理，提取感兴趣区域，执行步骤S1.3-S1.5，计算得到当前的改进型HOG-ULBP特征算子，将其输入步骤S1.6得到的线性SVM模型，如果模型输出判定为正样本，则检测到目标，输出目标位置。

优选的，步骤S1.1中正负样本库的选择遵循以下两个规则：

规则1：负样本与正样本数量比例在10:1；

规则2：利用第一次训练的SVM，检测负样本中被误检的负样本作为难负样本，提高这些难负样本的比例。

优选的，步骤S1.3中ULBP的检测窗口和块大小与HOG的保持一致，块间不重叠。

优选的，步骤S1.4得到归一化的HOG-ULBP特征向量的步骤是：

S1.4.1:定义在感兴趣区域提取的HOG特征A为{hog₁,…hog_m}，ULBP特征B为{ulbp₁,…ulbp_n}，将提取的两个特征合并得到HOG-ULBP向量G为{hog₁,…hog_m,ulbp₁,…ulbp_n}；

S1.4.2:对HOG-ULBP向量G进行高斯归一化处理，即对{hog₁,…hog_m,ulbp₁,…ulbp_n}特征向量中的每一个元素v采用如下公式处理：

其中μ_n、σ_n表示分量v的均值和方差，这样得到的分量v'的取值范围99％将落在[0,1]之间；由此得到归一化的HOG-ULBP特征向量Ζ。

优选的，所述步骤S1.5得到改进型HOG-ULBP特征算子的具体步骤如下：

将B＝[b₁,…,b_p]∈R^d*p作为码书，其中d是HOG与ULBP特征向量的维数和，p是码书的维数，R是空间的符号表示；

使用K-means算法求取码书B：首先在N个样本中的HOG-ULBP特征向量Ζ＝[z₁,...,z_t]^T中随机选取K个样本特征向量作为质心，满足如下公式：

J函数表示的是每个样本HOG-ULBP特征向量z_i到质心u_j的距离平方和，最终迭代的最优K个质心点作为码书B；

利用求出的码书B，通过最小二乘法，使得取得最小值，最终获得系数α_z作为改进型HOG-ULBP特征算子。

进一步的，K的取值为30。

优选的，所述步骤S1.6建立线性SVM模型的具体步骤如下：

f(x)＝w^Tx+b；

其中，f(x)表示线性SVM模型，x是改进型HOG-ULBP特征算子，α，w^T和b是通过正负样本训练得到的SVM参数。

优选的，步骤S2中，对待检测视频帧图像进行预处理，提取感兴趣区域的步骤是：

对输入视频提取帧图像，将RGB图像转换成灰度图，经过滤波处理后，利用边界分割的方法将最低的中心同质区域定义为目标区域，统计目标区域像素的均值m和标准差σ，利用m-3σ确定目标区域的阈值，然后利用该阈值做阈值分割处理，将分割出来的区域作为感兴趣区域。

优选的，步骤S2中，针对感兴趣区域，利用金字塔模型，通过窗口遍历的方式检测遍历的每个窗口是否出现目标，检测的标准是利用线性SVM参数，比较输出结果是否大于0；金字塔模型每层的缩放率都是0.95，依次对每层图像进行提取HOG特征和ULBP特征。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明利用LCC编码方式对HOG与ULBP特征进行重新编码组合，使得新的特征向量维数更低，有效解决了维数过大带来的过拟合问题，检测结果得到明显改善，大大提高目标物体检测率。

2、本发明在实时检测中，利用对灰度图像阈值分割提取出初步的目标区域，将目标区域先提取出来，再做检测，这能大大降低检测时间，使得目标检测的实时性得到增强。

3、本发明同时采用HOG特征与ULBP特征，既考虑了边缘形状信息，也考虑了纹理信息，具有更强的鲁棒性。

附图说明

图1是本实施例方法的流程图；

图2是HOG描述梯度原理图；

图3是ULBP编码示意原理图；

图4是物体检测金字塔模型。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

本实施例一种基于改进型HOG-ULBP特征算子的目标检测方法，如图1，包括以下步骤：

学习阶段，包括：

S1.1：建立训练用的正负样本库。

该正负样本库的选择遵循以下两个规则：

规则1：负样本与正样本数量比例在10:1；

规则2：利用第一次训练的SVM，检测负样本中被误检的负样本作为难负样本，提高这些难负样本的比例。从而可以进一步提高建立的模型的准确度。

S1.2：对样本提取感兴趣区域。

可以是人工手动提取，也可采用如下的自动提取方法：

将样本图像从RGB图像转换成灰度图，经过滤波处理后，利用边界分割的方法将最低的中心同质区域定义为道路区域，统计道路区域像素的均值m和标准差σ，利用m-3σ确定目标区域的阈值，然后利用该阈值做阈值分割处理，将分割出来的区域作为感兴趣区域。

S1.3：提取感兴趣区域的HOG特征和ULBP(uniform LBP)特征。

HOG特征梯度需分别计算水平梯度图和垂直梯度图，水平梯度卷积算子是[-1,0,1],垂直梯度卷积算子是[-1,0,1]。随后获得幅值和相位。如图2，特征提取窗口大小是64*128，块大小是16*16,单元大小是8*8，块步长为8*8；根据4个单元组成一个块，每个单元像素点归一化到9个bin值做直方图统计，组成每个块内HOG有36维特征向量，每个窗口有105个Block，所以HOG特征向量为3780维向量。ULBP特征是利用图像像素与它局部周围像素做比较，利用目前已知的LBP提取公式计算得到，

这里取得R(区域圆的半径)为2，P(区域圆像素个数)为8，如图3，以R为半径的P点邻域，g_c为中心，g_p为邻域点，区分邻域比中心亮度大还是小；从上述公式得到LBP特征值的二进制串，这种编码方式有2^p种不同的模式，根据LBP特征值的二进制串中的0-1的跳变次数小于等于2归于均匀模式类，其他的统归于混合模式类，对均匀模式类根据LBP特征值进行排序，当p取8时，均匀模式类共58种模式，ULBP特征值根据均匀模式类中的LBP特征值从小到大排序赋值为0-57，其他的混合模式类赋值为58。根据像素间0-1跳变次数小于2归为一类，其他的统一为一类，这将LBP特征256维降低到59维。为了与HOG特征匹配，选取的块是16*16,块步长是16，检测窗大小为64*128，最终检测窗ULBP特征向量为1888维的特征向量。ULBP的检测窗口和块大小与HOG的保持一致，块间不重叠。

S1.4：将HOG特征和ULBP特征合并成HOG-ULBP向量后进行高斯归一化处理，然后得到归一化的HOG-ULBP特征向量；

具体采用以下步骤：

S1.4.1在感兴趣区域提取HOG特征{hog₁,…hog₃₇₈₀}和ULBP特征{ulbp₁,…ulbp₁₈₈₈}，其中hog_i表示在角度上做的幅值的直方图统计，将提取的两个特征合并为HOG-ULBP特征向量G{hog₁,…hog₃₇₈₀,ulbp₁,…ulbp₁₈₈₈}。

S1.4.2:对HOG-ULBP特征向量G进行高斯归一化处理，即对{hog₁,…hog₃₇₈₀,ulbp₁,…ulbp₁₈₈₈}向量中的每一个元素v采用如下公式处理：

其中μ_n、σ_n分别表示分量v的均值和方差，这样得到的分量v'的取值范围99％将落在[0,1]之间；由此得到归一化的HOG-ULBP特征向量Ζ。

S1.5:利用LCC对归一化的HOG-ULBP特征向量进行编码，得到改进型HOG-ULBP特征算子。

将B＝[b₁,…,b_p]∈R^d*p作为码书，其中d是HOG与ULBP特征向量的维数和，p是码书的维数，R是空间的符号表示；

使用K-means算法求取码书B：首先在N个样本中的HOG-ULBP特征向量Ζ＝[z₁,…,z_n]^T中随机选取K＝30个样本特征向量作为质心，满足如下公式：

J函数表示的是每个样本HOG-ULBP特征向量z_i到质心u_j的距离平方和，最终迭代的最优30个质心点作为码书B；

利用求出的码书B，通过最小二乘法，使得取得最小值，最终获得系数α_z作为改进型HOG-ULBP特征算子。

S1.6:建立线性SVM模型。

建立线性SVM模型：f(x)＝w^Tx+b，f(x)表示线性SVM模型，x是改进型HOG-ULBP特征算子，α，w^T和b就是通过正负样本训练得到的SVM参数。

决策阶段，包括步骤：

S2.1：对待检测视频帧图像进行预处理，提取目标物体的潜在区域(即感兴趣区域)。

本实施例中，在车辆目标检测中，预处理的具体步骤：对输入视频提取帧图像，将RGB图像转换成灰度图，经过滤波处理后，利用边界分割的方法将最低的中心同质区域定义为道路区域，统计道路区域像素的均值m和标准差σ，利用m-3σ确定目标区域的阈值，然后利用该阈值做阈值分割处理，将分割出来的区域作为感兴趣区域。

S2.2：进行物体目标检测。

图4中金字塔模型，level0指的是原始灰度图，level1是指对原始灰度图缩小0.95倍后的图像，依次类推直到缩放至图像分辨率不大于64*64。每层的缩放率都是0.95。依次对每层图像提取HOG特征和ULBP特征，然后将HOG特征和ULBP特征合并后进行高斯归一化处理，得到归一化的HOG-ULBP特征向量；利用LCC对归一化的HOG-ULBP特征向量进行编码，得到改进型HOG-ULBP特征算子。根据线性SVM模型中f(x)＝w^Tx+b学习得到的模型参数，再将新的改进型HOG-ULBP特征算子导入，根据大于0为正样本的规则，输出目标位置。

通过步骤S2.1获得的感兴趣区域，利用金字塔模型，通过窗口遍历的方式检测遍历的每个窗口是否出现目标。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.一种基于改进型HOG-ULBP特征算子的目标检测方法，其特征在于，包括以下步骤：

S1：学习阶段，包括：

S1.1：建立正负样本库；

S1.2：对样本提取感兴趣区域；

S1.3：提取感兴趣区域的HOG特征和ULBP特征；

S1.4：将HOG特征和ULBP特征合并成HOG-ULBP向量后进行高斯归一化处理，然后得到归一化的HOG-ULBP特征向量；

S1.5:利用LCC对归一化的HOG-ULBP特征向量进行编码，得到改进型HOG-ULBP特征算子；

S1.6:根据改进型HOG-ULBP特征算子，利用正负样本训练，得到SVM模型中各个参数，建立线性SVM模型；

S2：决策阶段，包括：对待检测视频帧图像进行预处理，提取感兴趣区域，执行步骤S1.3-S1.5，计算得到当前的改进型HOG-ULBP特征算子，将其输入步骤S1.6得到的线性SVM模型，如果模型输出判定为正样本，则检测到目标，输出目标位置。

2.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法，其特征在于，步骤S1.1中正负样本库的选择遵循以下两个规则：

规则1：负样本与正样本数量比例在10:1；

规则2：利用第一次训练的SVM，检测负样本中被误检的负样本作为难负样本，提高这些难负样本的比例。

3.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法，其特征在于，步骤1.3中ULBP的检测窗口和块大小与HOG的保持一致，块间不重叠。

4.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法，其特征在于，步骤S1.4得到归一化的HOG-ULBP特征向量的步骤是：

S1.4.1:定义在感兴趣区域提取的HOG特征A为{hog₁,…hog_m}，ULBP特征B为{ulbp₁,…ulbp_n}，将提取的两个特征合并得到HOG-ULBP向量G为{hog₁,…hog_m,ulbp₁,…ulbp_n}；

S1.4.2:对HOG-ULBP向量G进行高斯归一化处理，即对{hog₁,…hog_m,ulbp₁,…ulbp_n}特征向量中的每一个元素v采用如下公式处理：

$v^{\′}=(1+\frac{v-{\mathrm{\μ}}_n}{3{\mathrm{\σ}}_n})/2$

其中μ_n、σ_n分别表示分量v的均值和方差，这样得到的分量v'的取值范围99％将落在[0,1]之间；由此得到归一化的HOG-ULBP特征向量Ζ。

5.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法，其特征在于，所述步骤S1.5得到改进型HOG-ULBP特征算子的具体步骤如下：

将B＝[b₁,…,b_p]∈R^d*p作为码书，其中d是HOG与ULBP特征向量的维数和，p是码书的维数，R是空间的符号表示；

使用K-means算法求取码书B：首先在N个样本中的HOG-ULBP特征向量Ζ＝[z₁,...,z_t]^T中随机选取K个样本特征向量作为质心，满足如下公式：

$J=\arg \underset{j}{\min }\left|\right|z_i-u_j|{|}^2$

J函数表示的是每个样本HOG-ULBP特征向量z_i到质心u_j的距离平方和，最终迭代的最优K个质心点作为码书B；

利用求出的码书B，通过最小二乘法，使得取得最小值，最终获得系数α_z作为改进型HOG-ULBP特征算子。

6.根据权利要求5所述的基于改进型HOG-ULBP特征算子的目标检测方法，其特征在于，K的取值为30。

7.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法，其特征在于，所述步骤S1.6建立线性SVM模型的具体步骤如下：

f(x)＝w^Tx+b；

其中，f(x)表示线性SVM模型，x是改进型HOG-ULBP特征算子，α，w^T和b是通过正负样本训练得到的SVM参数。

8.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法，其特征在于，步骤S2中，对待检测视频帧图像进行预处理，提取感兴趣区域的步骤是：

对输入视频提取帧图像，将RGB图像转换成灰度图，经过滤波处理后，利用边界分割的方法将最低的中心同质区域定义为目标区域，统计目标区域像素的均值m和标准差σ，利用m-3σ确定目标区域的阈值，然后利用该阈值做阈值分割处理，将分割出来的区域作为感兴趣区域。

9.根据权利要求1所述的基于改进型HOG-ULBP特征算子的目标检测方法，其特征在于，步骤S2中，针对感兴趣区域，利用金字塔模型，通过窗口遍历的方式检测遍历的每个窗口是否出现目标，检测的标准是利用线性SVM参数，比较输出结果是否大于0。

10.根据权利要求9所述的基于改进型HOG-ULBP特征算子的目标检测方法，其特征在于，金字塔模型每层的缩放率都是0.95，依次对每层图像进行提取HOG特征和ULBP特征。