CN106874912A - 一种基于改进lbp算子的图像目标检测方法 - Google Patents

Abstract

本发明涉及一种基于改进LBP算子的图像目标检测方法，通过自适应加权中值滤波方法进行图像去噪处理后，提取图像的局部二值模式直方图离散傅立叶特征，再根据支持向量机(SVM)分类器实现图像目标检测。局部二值模式直方图离散傅立叶特征对光照和噪声具有鲁棒性，同时能保持对图像的旋转不变性和一致性，具有较高的检测精度。

Description

一种基于改进LBP算子的图像目标检测方法

技术领域

本发明涉及计算机视觉和机器学习领域，尤其涉及一种基于改进LBP算子的图像目标检测方法。

背景技术

目标检测是计算机视觉与机器学习领域的关键问题，广泛应用于遥感、交通、海事、公安刑侦等方面。在包含有目标的图像或视频采集过程中，由于天气、光照、背景及采集设备自身故障等问题，使得目标检测变得困难。如何快速、准确的将目标从视频或图像背景中检测出来，提高目标快速锁定、排查和追踪效率，成为当前研究的热点。

现有的目标检测方法大多是机器视觉方法，主要针对单一环境的目标检测，而对于复杂环境下的目标检测仍是一项具有挑战性的问题。目标检测包括特征提取与分类两部分，主要方法分为基于背景建模方法和基于统计学习方法，基于背景建模的方法对光照和复杂背景较敏感，基于统计学习方法因能克服这些缺点而得到更多注意。方向梯度直方图(HOG)和局部二值模式(LBP)是较常使用的方法，但HOG不适用于背景噪声较大的图像，而LBP能解决这个问题，但传统的LBP对于光照变化较敏感。因此，本发明在传统的LBP方法基础上提出了改进的LBP方法。

发明内容

本发明为克服上述的不足之处，目的在于提供一种基于改进LBP算子的图像目标检测方法，通过自适应加权中值滤波方法进行图像去噪处理后，提取图像的局部二值模式直方图离散傅立叶特征，再根据支持向量机(SVM)分类器实现目标图像检测。局部二值模式直方图离散傅立叶特征对光照和噪声具有鲁棒性，同时能保持对图像的旋转不变性和一致性，具有较高的检测精度。

本发明是通过以下技术方案达到上述目的：一种基于改进LBP算子的目标图像检测方法，包括如下步骤：

(1)输入训练图像集和待检测的目标图像；

(2)采用自适应加权中值滤波方法对训练图像集和待检测的目标图像分别进行去噪处理；

(3)对去噪后的训练图像集和待检测的目标图像分别计算局部二值模式直方图离散傅立叶特征，完成图像特征提取：

3.1)引入多尺度灰度差代替原本的灰度值计算LBP特征；

3.2)基于LBP特征计算得到均匀LBP特征；

3.3)计算得到LBP直方图离散傅立叶特征；

(4)将训练图像集的LBP直方图离散傅立叶特征作为SVM的特征集，训练得到SVM分类器；

(5)结合目标图像的LBP直方图离散傅立叶特征，根据训练得到的SVM分类器对目标图像进行目标检测。

作为优选，所述步骤(2)采用自适应加权中值滤波方法进行去噪处理的方法如下：

2.1)设滤波模型窗口W大小为w×w，w为不小于3的奇数，窗口在图像I上滑动；窗口中心点(x,y)灰度值为I(x，y)，图像I的最大灰度值为I_max，最小灰度值为I_min；

2.2)判断I(x，y)＝I_max或I(x，y)＝I_min是否成立，若成立则窗口中心点(x,y)为噪声点，执行步骤2.3)；否则移动窗口W使得中心点落于图像I的下一个像素后继续重复执行本步骤进行判断；

2.3)计算窗口W中的非噪声像素数N，若则跳转执行步骤2.5)；否则执行步骤2.4)；

2.4)进行自适应滤波窗口设定，令w＝w+2，循环执行步骤2.3)和

2.4)直到

2.5)根据噪声像素的邻域像素的相似性和距离作为权重衡量标准，计算得到加权像素值。

作为优选，所述步骤2.5)计算得到加权像素值的方法如下：

(I)计算距离权重：权重大小和窗口中心像素(x,y)与滤波窗口内某像素(x+x′，y+y′)之间的距离远近成反比，其中x′，y′分别为大于0且小于w的整数，距离权重的计算公式为：

其中，w_x′y′为与中心像素(x,y)在水平方向和垂直方向上分别距离x′，y′个像素的权重；

(II)计算相似性权重，其中相似性权重采用梯度占比概率表示：

(II.1)计算窗口内每个像素点的梯度，计算公式如下：

G_x(x，y)＝I(x+1，y)-I(x-1，y) (2)

G_y(x，y)＝I(x，y+1)-I(x，y-1) (3)

其中，G_x(x，y)和G_y(x，y)分别表示像素点(x,y)在水平方向和垂直方向上的梯度，则像素点(x,y)处的梯度幅值和梯度方向可表示为：

(II.2)将梯度方向360度分为R个方向块，统计落在每个方向块内的像素点的梯度幅值直方图：

H_i＝∑G(x，y)|θ_i (6)

其中，H_i为第i个方向块的梯度直方图，i＝1，2，...，R；θ_i为落在第i个方向块的梯度方向，每个方向块的梯度概率表示为：

其中，ρ_i为第i个方向块的梯度概率；

(II.3)对每个方向块内的像素点计算各个像素点的梯度占比概率：

其中，μ_ij为梯度占比概率，G_ij为方向块i内第j个像素点的梯度幅值；

(III)将计算得到距离权重和相似性权重合并形成加权像素值：合并时需对距离权重和相似性权重作归一化处理，加权像素值表示为：

I′(x，y)＝α·[norm(w_x′y′)×I(x+x′，y+y′)]+

β·[norm(μ_x′y′)×I(x+x′，y+y′)] (9)

其中，I′(x，y)为加权像素值；norm(w_x′y′)为w_x′y′进行归一化后的值，norm(μ_x′y′)为除中心像素点外窗口内其他像素点的梯度占比概率归一化值，α和β分别为距离权重和相似性权重的占比，α和β可根据时间情况调整，满足α+β＝1。

作为优选，所述引入多尺度灰度差计算LBP特征的方法如下：(a)设图像I上像素点(x,y)，圆形邻域半径为r，邻域内邻居数为P；若圆形邻域半径内的邻居未落在整数坐标上，则采用双线性插值方法得到邻居坐标，如下所示：

(x_p，y_p)＝(x+rcos(2πp/P)，y-rsin(2πp/P)) (10)

其中，(x_p，y_p)为(x,y)的邻域内邻居像素坐标，p＝0,1,…,P-1；(b)以多尺度灰度差代替原始LBP中的灰度值，则像素点(x,y)的LBP特征值可表示为：

LBP_P，r(x，y)为LBP特征值，D(x_p，y_p)为邻居像素(x_p，y_p)的多尺度灰度差；D(x，y)为(x,y)的多尺度灰度差；u(·)为阶跃函数，为二进制序列值，表达式为

其中，多尺度灰度差的计算方法如下：

(b.1)计算灰度差：图像I上像素点(x,y)由小到大的邻域有K个，像素点(x,y)的第k(k＝1,2,…,K)个灰度差表达式如下：

其中，D_k(x，y)为像素点(x,y)的第k个灰度差，Ω_k和Ω_max分别为第k个邻域和最大邻域包含的像素集，和分别表示对应像素集中包含的像素个数，I(s，t)和I(p，q)分别表示像素集Ω_k和Ω_max中的像素灰度值；

(b.2)计算多尺度灰度差：根据步骤(b.1)求得每个邻域的灰度差，以K个灰度差中的最大值作为像素点(x,y)的多尺度灰度差：

D(x，y)＝MAX{D₁(x，y)，D₂(x，y)，...，D_K(x，y)} (14)

其中，D(x，y)为像素点(x,y)的多尺度灰度差。

作为优选，所述基于LBP特征计算得到均匀LBP特征方法为：一个LBP算子具有2^P种不同的二进制模式，具备90％以上的二进制序列从0到1或从1到0的变化不超过2次的模式定义为均匀模式；将均匀模式归为一类，其他模式归为另一类，计算公式如下：

其中，U(LBP_P，r)为均匀性衡量值。

作为优选，其特征在于：所述的U(LBP_P，r)表达式如下：

作为优选，所述计算LBP直方图离散傅立叶特征的方法如下：(A)设二进制序列中1的个数为n、旋转步长为ε的均匀LBP模式为U_P(n，ε)，0≤n≤P，0≤ε≤P-1；均匀LBP模式直方图定义为h_I(U_P(n，ε))，表示图像I中均匀LBP模式U_P(n，ε)发生次数；

(B)引入对图像旋转保持不变的LBP直方图离散傅立叶特征：

其中，LBP_HF为LBP直方图离散傅立叶特征，F(n₁，τ)、F(n₂，τ)分别表示h_I(U_P(n₁，ε))、h_I(U_p(n₂，ε))的离散傅立叶变换，τ为离散的频率域，是F(n₂，τ)的复共轭。

作为优选，所述的离散傅立叶变换计算公式如下：

其中，j表示虚数。

作为优选，所述步骤(4)训练SVM分类器可采用Matlab的SVM工具箱实现。

本发明的有益效果在于：(1)本发明方法实用价值高，可应用于图像识别、遥感测绘、海事监督、交通研判、无人驾驶、刑侦发现等应用中，能帮助领域技术的研发，具有较高的实用价值；(2)本发明方法可行性高，本发明方法在传统LBP的基础上引用直方图离散傅立叶变换，解决LBP方法对图像选择存在的循环位移现象，方法实际可行；(3)本发明方法实效性高，利用加权自适应中值滤波对图像进行去噪，保留了更多的图像细节信息，同时LBP直方图离散傅立叶特征对光照具有鲁棒性，使得目标检测具有较高的精确性和实效性。

附图说明

图1是本发明方法的流程步骤示意图；

图2是本发明实施例计算灰度差时像素点邻域示意图；

图3是本发明实施例的8邻居的58种不同的均匀模式示意图。

具体实施方式

下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：

实施例：如图1所示，一种基于改进LBP算子的图像目标检测方法，包括以下步骤：

步骤1：输入训练图像集和待检测的目标图像。

步骤2：图像去噪。本发明方法采用自适应加权中值滤波方法进行图像去噪处理，具体过程如下：

(1)设滤波模型窗口W大小为w×w，w为不小于3的奇数，初始w取为3，窗口在图像I上滑动。窗口中心点(x,y)灰度值为I(x，y)，图像I的最大灰度值是I_max，最小灰度值是I_min，若I(x，y)＝I_max或I(x，y)＝I_min，则判断(x,y)为噪声点。如果中心点不是噪声像素，则移动窗口W使中心点落于图像的下一个像素；若中心点是噪声像素，则进行下一步骤。

(2)计算窗口W中非噪声像素数N，若则跳到步骤(4)；否则进行步骤(3)。

(3)自适应滤波窗口设定。令w＝w+2，循环执行步骤(2)和(3)，直到N的值满足跳转条件。

(4)计算加权像素值。本发明在计算权重时，不采用传统方法所用的平均权重，而是根据噪声像素的邻域像素的相似性和距离作为权重衡量标准；方法如下：

(4.1)计算距离权重。窗口中心像素(x,y)与滤波窗口内某像素(x+x′，y+y′)的距离越近，对中心像素的影响越大，即权重越大，其中x′y′为大于0小于w的整数，计算公式为：

其中w_x′y′为与中心像素(x,y)在水平方向和垂直方向上分别距离x′、y′个像素的权重。

(4.2)计算相似性权重。相似性权重采用梯度占比概率表示，首先计算窗口内每个像素点的梯度：

G_x(x，y)＝I(x+1，y)-I(x-1，y) (20)

G_y(x，y)＝I(x，y+1)-I(x，y-1) (21)

其中G_x(x，y)和G_y(x，y)分别表示像素点(x,y)在水平方向和垂直方向上的梯度，则像素点(x,y)处的梯度幅值和梯度方向可表示为：

将梯度方向360度分为R个方向块，统计落在每个方向块内的像素点的梯度幅值直方图，本发明中R取为9：

H_i＝∑G(x，y)|θ_i (24)

其中H_i为第i个方向块的梯度直方图，i＝1，2，...，9，θ_i为落在第i个方向块的梯度方向。每个方向块的梯度概率可表示为：

ρ_i为第i个方向块的梯度概率。对每个方向块内的像素点，计算各个像素点的梯度占比概率：

其中μ_ij为梯度占比概率，G_ij为方向块i内第j个像素点的梯度幅值。

(4.3)合并距离权重和相似性权重。计算得到距离权重和相似性权重后，将两者合并形成加权像素值。为保持两种权重的一致性，需要对两者进行归一化处理，加权像素值可表示为：

I′(x，y)＝α·[norm(w_x′y′)×I(x+x′，y+y′)]+

β·[norm(μ_x′y′)×I(x+x′，y+y′)] (27)

其中I′(x，y)为加权像素值，即恢复后的噪声像素；norm(w_x′y′)为w_x′y′进行归一化后的值，norm(μ_x′y′)为除中心像素点外窗口内其他像素点的梯度占比概率归一化值，α和β分别为距离权重和相似性权重的占比，α和β可根据时间情况调整，满足α+β＝1，本发明中取α＝β＝0.5。

步骤3：图像特征提取，计算局部二值模式直方图离散傅立叶特征。不同于传统的LBP方法，本发明采用对光照具有鲁棒性且对输入图像保持旋转不变性的局部二值模式直方图离散傅立叶特征，且为了提高信噪比，更有效区分目标和背景，在计算LBP特征值时，引入多尺度灰度差代替原本的灰度值，具体计算过程如下：

(1)计算LBP特征。图像I上像素点(x,y)，圆形邻域半径为r，邻域内邻居数为P，本发明取r＝1时P＝8，当圆形邻域内的邻居未落在整数坐标上，则采用双线性插值得到邻居坐标：

(x_p，y_p)＝(x+rcos(2πp/8)，y-rsin(2πp/8)) (28)

其中(x_p，y_p)为(x,y)的邻域内邻居像素坐标，p＝0,1,…,7。

为测量目标区域与周围邻域的差异性，以多尺度灰度差代替原始LBP中的灰度值，则像素点(x,y)的LBP特征值可表示为：

其中LBP_8，1(x，y)为LBP特征值，D(x_p，y_p)为邻居像素(x_p，y_p)的多尺度灰度差，D(x，y)为(x,y)的多尺度灰度差，u(·)为阶跃函数，为二进制序列值：

一个LBP算子有2⁸种不同的二进制模式。多尺度灰度差的计算如下：

(1.1)计算灰度差。设图像I上像素点(x,y)由小到大的邻域有K个，如图2所示，本发明中取K＝5，则像素点(x,y)的第k(k＝1,2,…,5)个灰度差可表示为：

其中，D_k(x，y)为像素点(x,y)的第k个灰度差，Ω_k和Ω_max分别为第k个邻域和最大邻域包含的像素集，和分别表示对应像素集中包含的像素个数，I(s，t)和I(p，q)分别表示像素集Ω_k和Ω_max中的像素灰度值。

(1.2)计算多尺度灰度差。上述步骤求得每个邻域的灰度差后，以5个灰度差中的最大值作为像素点(x,y)的多尺度灰度差：

D(x，y)＝MAX{D₁(x，y)，D₂(x，y)，...，D₅(x，y)} (32)

其中D(x，y)为像素点(x,y)的多尺度灰度差。

(2)计算均匀LBP特征。研究发现，2⁸种不同的二进制模式中，90％以上的二进制序列从0到1或从1到0的变化不超过2次，将这种模式称为均匀模式。8邻居的所有8位二进制中变化不超过2次的有58种(变化0次的2种，变化2次的56种)，如图3所示。

将这58种均匀模式归为一类，其他模式归为另一类。计算公式如下：

其中，U(LBP_8，1)为均匀性衡量值：

(3)计算LBP直方图离散傅立叶特征。设二进制序列中1的个数为n、旋转步长为ε的均匀LBP模式为U₈(n，ε)，0≤n≤8，0≤ε≤7。均匀LBP模式直方图定义为h_I(U₈(n，ε))，表示图像I中均匀LBP模式U₈(n，ε)发生次数。若图像I旋转角度为p＝0，1，...，7，则圆形邻域同样旋转相当于模式ε旋转p个离散步长，导致直方图产生循环移位：因此，本发明引入对图像旋转保持不变的LBP直方图离散傅立叶特征：

其中，LBP_HF为LBP直方图离散傅立叶特征，F(n₁，τ)、F(n₂，τ)分别表示h_I(U₈(n₁，ε))、h_I(U₈(n₂，ε))的离散傅立叶变换，τ为离散的频率域，是F(n₂，τ)的复共轭。离散傅立叶变换计算公式如下：

其中，j表示虚数。

步骤4：支持向量机(SVM)分类器训练。将训练图像集的LBP直方图离散傅立叶特征作为SVM的特征集，训练产生SVM分类器，SVM训练过程可采用Matlab的SVM工具箱。

步骤5：目标图像检测。结合目标图像的LBP直方图离散傅立叶特征，根据训练产生的SVM分类器对目标图像进行目标检测。

以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。

Claims (9)

1.一种基于改进LBP算子的图像目标检测方法，其特征在于，包括如下步骤：

(1)输入训练图像集和待检测的目标图像；

(2)采用自适应加权中值滤波方法对训练图像集和待检测的目标图像分别进行去噪处理；

(3)对去噪后的训练图像集和待检测的目标图像分别计算局部二值模式直方图离散傅立叶特征，完成图像特征提取：

3.1)引入多尺度灰度差代替原本的灰度值计算LBP特征；

3.2)基于LBP特征计算得到均匀LBP特征；

3.3)计算得到LBP直方图离散傅立叶特征；

(4)将训练图像集的LBP直方图离散傅立叶特征作为SVM的特征集，训练得到SVM分类器；

(5)结合目标图像的LBP直方图离散傅立叶特征，根据训练得到的SVM分类器对目标图像进行目标检测。

2.根据权利要求1所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述步骤(2)采用自适应加权中值滤波方法进行去噪处理的方法如下：

2.1)设滤波模型窗口W大小为w×w，w为不小于3的奇数，窗口在图像I上滑动；窗口中心点(x,y)灰度值为I(x，y)，图像I的最大灰度值为I_max，最小灰度值为I_min；

2.2)判断I(x，y)＝I_max或I(x，y)＝I_min是否成立，若成立则窗口中心点(x,y)为噪声点，执行步骤2.3)；否则移动窗口W使得中心点落于图像I的下一个像素后继续重复执行本步骤进行判断；

2.3)计算窗口W中的非噪声像素数N，若则跳转执行步骤2.5)；否则执行步骤2.4)；

2.4)进行自适应滤波窗口设定，令w＝w+2，循环执行步骤2.3)和2.4)直到

2.5)根据噪声像素的邻域像素的相似性和距离作为权重衡量标准，计算得到加权像素值。

3.根据权利要求2所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述步骤2.5)计算得到加权像素值的方法如下：

(I)计算距离权重：权重大小和窗口中心像素(x,y)与滤波窗口内某像素(x+x′，y+y′)之间的距离远近成反比，其中x′，y′分别为大于0且小于w的整数，距离权重的计算公式为：

其中，w_x′y′为与中心像素(x,y)在水平方向和垂直方向上分别距离x′，y′个像素的权重；

(II)计算相似性权重，其中相似性权重采用梯度占比概率表示：

(II.1)计算窗口内每个像素点的梯度，计算公式如下：

G_x(x，y)＝I(x+1，y)-I(x-1，y) (2)

G_y(x，y)＝I(x，y+1)-I(x，y-1) (3)

其中，G_x(x，y)和G_y(x，y)分别表示像素点(x,y)在水平方向和垂直方向上的梯度，则像素点(x,y)处的梯度幅值和梯度方向可表示为：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}---\left(4\right)$

$\mathrm{\θ}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_x(x,y)}\right)---\left(5\right)$

(II.2)将梯度方向360度分为R个方向块，统计落在每个方向块内的像素点的梯度幅值直方图：

H_i＝∑G(x，y)|θ_i (6)

其中，H_i为第i个方向块的梯度直方图，i＝1，2，...，R；θ_i为落在第i个方向块的梯度方向，每个方向块的梯度概率表示为：

${\mathrm{\ρ}}_i=\frac{H_i}{{\Σ}_{i=1}^R{H}_i}---\left(7\right)$

其中，ρ_i为第i个方向块的梯度概率；

(II.3)对每个方向块内的像素点计算各个像素点的梯度占比概率：

${\mathrm{\μ}}_{ij}={\mathrm{\ρ}}_i\×\frac{G_{ij}}{H_i}---\left(8\right)$

其中，μ_ij为梯度占比概率，G_ij为方向块i内第j个像素点的梯度幅值；(III)将计算得到距离权重和相似性权重合并形成加权像素值：合并时需对距离权重和相似性权重作归一化处理，加权像素值表示为：

I′(x，y)＝α·[norm(w_x′y′)×I(x+x′，y+y′)]+

β·[norm(μ_x′y′)×I(x+x′，y+y′)] (9)

其中，I′(x，y)为加权像素值；norm(w_x′y′)为w_x′y′进行归一化后的值，norm(μ_x′y′)为除中心像素点外窗口内其他像素点的梯度占比概率归一化值，α和β分别为距离权重和相似性权重的占比，α和β可根据时间情况调整，满足α+β＝1。

4.根据权利要求3所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述引入多尺度灰度差计算LBP特征的方法如下：(a)设图像I上像素点(x,y)，圆形邻域半径为r，邻域内邻居数为P；若圆形邻域半径内的邻居未落在整数坐标上，则采用双线性插值方法得到邻居坐标，如下所示：

(x_p，y_p)＝(x+rcos(2πp/P)，y-rsin(2πp/P)) (10)

其中，(x_p，y_p)为(x,y)的邻域内邻居像素坐标，p＝0,1,…,P-1；(b)以多尺度灰度差代替原始LBP中的灰度值，则像素点(x,y)的LBP特征值可表示为：

${\mathrm{LBP}}_{P,r}(x,y)={\mathrm{\Σ}}_{p=0}^{P-1}u\left(D\right(x_p,y_p)-D(x,y\left)\right)\·2^P---\left(11\right)$

LBP_P，r(x，y)为LBP特征值，D(x_p，y_p)为邻居像素(x_p，y_p)的多尺度灰度差；D(x，y)为(x,y)的多尺度灰度差；u(·)为阶跃函数，为二进制序列值，表达式为

其中，多尺度灰度差的计算方法如下：

(b.1)计算灰度差：图像I上像素点(x,y)由小到大的邻域有K个，像素点(x,y)的第k(k＝1,2,…,K)个灰度差表达式如下：

$D_k(x,y)=|\frac{1}{N_{{\mathrm{\Ω}}_k}}{\mathrm{\Σ}}_{(s,t)\∈{\mathrm{\Ω}}_k}I(s,t)-\frac{1}{N_{{\mathrm{\Ω}}_{\max }}}{\mathrm{\Σ}}_{(p,q)\∈{\mathrm{\Ω}}_{\max }}I(p,q){|}^2---\left(13\right)$

其中，D_k(x，y)为像素点(x,y)的第k个灰度差，Ω_k和Ω_max分别为第k个邻域和最大邻域包含的像素集，和分别表示对应像素集中包含的像素个数，I(s，t)和I(p，q)分别表示像素集Ω_k和Ω_max中的像素灰度值；

(b.2)计算多尺度灰度差：根据步骤(b.1)求得每个邻域的灰度差，以K个灰度差中的最大值作为像素点(x,y)的多尺度灰度差：

D(x，y)＝MAX{D₁(x，y)，D₂(x，y)，...，D_K(x，y)} (14)

其中，D(x，y)为像素点(x,y)的多尺度灰度差。

5.根据权利要求4所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述基于LBP特征计算得到均匀LBP特征方法为：一个LBP算子具有2_P种不同的二进制模式，且90％以上的二进制序列从0到1或从1到0的变化不超过2次，该类模式定义为均匀模式；将均匀模式归为一类，其他模式归为另一类，计算公式如下：

$LBP\_U_{P,r}=\left\{\begin{array}{cc}{\mathrm{\Σ}}_{p=0}^{P-1}u\left(D\right(x_p,y_p)-D(x,y\left)\right)& U\left({\mathrm{LBP}}_{P,r}\right)\≤2\\ P+1& otherwise\end{array}\right.---\left(15\right)$

其中，U(LBP_P，r)为均匀性衡量值。

6.根据权利要求5所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述的U(LBP_P，r)表达式如下：

$\begin{array}{c}U\left({\mathrm{LBP}}_{P,r}\right)=|u\left(D\right(x_{P-1},y_{P-1})-D(x,y\left)\right)-u\left(D\right(x_0,y_0)-D(x,y\left)\right)|+\\ {\Σ}_{p=1}^{P-1}|u\left(D\right(x_p,y_p)-D(x,y\left)\right)-u\left(D\right(x_{p-1},y_{p-1})-D(x,y\left)\right)|\end{array}---\left(16\right).$

7.根据权利要求5所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述计算LBP直方图离散傅立叶特征的方法如下：(A)设二进制序列中1的个数为n、旋转步长为ε的均匀LBP模式为U_P(n，ε)，0≤n≤P，0≤ε≤P-1；均匀LBP模式直方图定义为h_I(U_P(n，ε))，表示图像I中均匀LBP模式U_P(n，ε)发生次数；

(B)引入对图像旋转保持不变的LBP直方图离散傅立叶特征：

$LBP\_HF=F(n_1,\mathrm{\τ})\stackrel{\‾}{F(n_2,\mathrm{\τ})}---\left(17\right)$

其中，LBP_HF为LBP直方图离散傅立叶特征，F(n₁，τ)、F(n₂，τ)分别表示h_I(U_P(n₁，ε))、h_I(U_P(n₂，ε))的离散傅立叶变换，τ为离散的频率域，是F(n₂，τ)的复共轭。

8.根据权利要求7所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述的离散傅立叶变换计算公式如下：

$F(n,\mathrm{\τ})={\mathrm{\Σ}}_{s=0}^{P-1}{h}_I\left(U_P\right(n,\mathrm{\ϵ}\left)\right)\·e^{-j\frac{2\mathrm{\π}\mathrm{\ϵ}}{P}\mathrm{\τ}},\mathrm{\τ}=0,1,\mathrm{...},P-1---\left(18\right)$

其中，j表示虚数。

9.根据权利要求1所述的一种基于改进LBP算子的图像目标检测方法，其特征在于：所述步骤(4)训练SVM分类器可采用Matlab的SVM工具箱实现。