一種基于改進LBP算子的圖像目標檢測方法技術

本發明專利技術涉及一種基于改進LBP算子的圖像目標檢測方法，通過自適應加權中值濾波方法進行圖像去噪處理后，提取圖像的局部二值模式直方圖離散傅立葉特征，再根據支持向量機(SVM)分類器實現圖像目標檢測。局部二值模式直方圖離散傅立葉特征對光照和噪聲具有魯棒性，同時能保持對圖像的旋轉不變性和一致性，具有較高的檢測精度。

A method of image target detection based on improved LBP operator

The invention relates to an image target detection method based on improved LBP operator, image denoising by adaptive weighted median filtering method, the two value model of local histogram discrete Fu Liye image feature extraction, based on support vector machine (SVM) classifier to realize image target detection. The discrete Fu Liye feature of local two valued model histogram is robust to illumination and noise, and can keep the rotation invariance and consistency of the image, and has higher detection accuracy.

【技術實現步驟摘要】
一種基于改進LBP算子的圖像目標檢測方法
本專利技術涉及計算機視覺和機器學習領域，尤其涉及一種基于改進LBP算子的圖像目標檢測方法。
技術介紹
目標檢測是計算機視覺與機器學習領域的關鍵問題，廣泛應用于遙感、交通、海事、公安刑偵等方面。在包含有目標的圖像或視頻采集過程中，由于天氣、光照、背景及采集設備自身故障等問題，使得目標檢測變得困難。如何快速、準確的將目標從視頻或圖像背景中檢測出來，提高目標快速鎖定、排查和追蹤效率，成為當前研究的熱點。現有的目標檢測方法大多是機器視覺方法，主要針對單一環境的目標檢測，而對于復雜環境下的目標檢測仍是一項具有挑戰性的問題。目標檢測包括特征提取與分類兩部分，主要方法分為基于背景建模方法和基于統計學習方法，基于背景建模的方法對光照和復雜背景較敏感，基于統計學習方法因能克服這些缺點而得到更多注意。方向梯度直方圖(HOG)和局部二值模式(LBP)是較常使用的方法，但HOG不適用于背景噪聲較大的圖像，而LBP能解決這個問題，但傳統的LBP對于光照變化較敏感。因此，本專利技術在傳統的LBP方法基礎上提出了改進的LBP方法。
技術實現思路
本專利技術為克服上述的不足之處，目的在于提供一種基于改進LBP算子的圖像目標檢測方法，通過自適應加權中值濾波方法進行圖像去噪處理后，提取圖像的局部二值模式直方圖離散傅立葉特征，再根據支持向量機(SVM)分類器實現目標圖像檢測。局部二值模式直方圖離散傅立葉特征對光照和噪聲具有魯棒性，同時能保持對圖像的旋轉不變性和一致性，具有較高的檢測精度。本專利技術是通過以下技術方案達到上述目的：一種基于改進LBP算子的目標圖像檢測方法，包括如下步驟：(1)輸入訓練圖像集和待檢測的目標圖像；(2)采用自適應加權中值濾波方法對訓練圖像集和待檢測的目標圖像分別進行去噪處理；(3)對去噪后的訓練圖像集和待檢測的目標圖像分別計算局部二值模式直方圖離散傅立葉特征，完成圖像特征提取：3.1)引入多尺度灰度差代替原本的灰度值計算LBP特征；3.2)基于LBP特征計算得到均勻LBP特征；3.3)計算得到LBP直方圖離散傅立葉特征；(4)將訓練圖像集的LBP直方圖離散傅立葉特征作為SVM的特征集，訓練得到SVM分類器；(5)結合目標圖像的LBP直方圖離散傅立葉特征，根據訓練得到的SVM分類器對目標圖像進行目標檢測。作為優選，所述步驟(2)采用自適應加權中值濾波方法進行去噪處理的方法如下：2.1)設濾波模型窗口W大小為w×w，w為不小于3的奇數，窗口在圖像I上滑動；窗口中心點(x,y)灰度值為I(x，y)，圖像I的最大灰度值為Imax，最小灰度值為Imin；2.2)判斷I(x，y)＝Imax或I(x，y)＝Imin是否成立，若成立則窗口中心點(x,y)為噪聲點，執行步驟2.3)；否則移動窗口W使得中心點落于圖像I的下一個像素后繼續重復執行本步驟進行判斷；2.3)計算窗口W中的非噪聲像素數N，若則跳轉執行步驟2.5)；否則執行步驟2.4)；2.4)進行自適應濾波窗口設定，令w＝w+2，循環執行步驟2.3)和2.4)直到2.5)根據噪聲像素的鄰域像素的相似性和距離作為權重衡量標準，計算得到加權像素值。作為優選，所述步驟2.5)計算得到加權像素值的方法如下：(I)計算距離權重：權重大小和窗口中心像素(x,y)與濾波窗口內某像素(x+x′，y+y′)之間的距離遠近成反比，其中x′，y′分別為大于0且小于w的整數，距離權重的計算公式為：其中，wx′y′為與中心像素(x,y)在水平方向和垂直方向上分別距離x′，y′個像素的權重；(II)計算相似性權重，其中相似性權重采用梯度占比概率表示：(II.1)計算窗口內每個像素點的梯度，計算公式如下：Gx(x，y)＝I(x+1，y)-I(x-1，y)(2)Gy(x，y)＝I(x，y+1)-I(x，y-1)(3)其中，Gx(x，y)和Gy(x，y)分別表示像素點(x,y)在水平方向和垂直方向上的梯度，則像素點(x,y)處的梯度幅值和梯度方向可表示為：(II.2)將梯度方向360度分為R個方向塊，統計落在每個方向塊內的像素點的梯度幅值直方圖：Hi＝∑G(x，y)|θi(6)其中，Hi為第i個方向塊的梯度直方圖，i＝1，2，...，R；θi為落在第i個方向塊的梯度方向，每個方向塊的梯度概率表示為：其中，ρi為第i個方向塊的梯度概率；(II.3)對每個方向塊內的像素點計算各個像素點的梯度占比概率：其中，μij為梯度占比概率，Gij為方向塊i內第j個像素點的梯度幅值；(III)將計算得到距離權重和相似性權重合并形成加權像素值：合并時需對距離權重和相似性權重作歸一化處理，加權像素值表示為：I′(x，y)＝α·[norm(wx′y′)×I(x+x′，y+y′)]+β·[norm(μx′y′)×I(x+x′，y+y′)](9)其中，I′(x，y)為加權像素值；norm(wx′y′)為wx′y′進行歸一化后的值，norm(μx′y′)為除中心像素點外窗口內其他像素點的梯度占比概率歸一化值，α和β分別為距離權重和相似性權重的占比，α和β可根據時間情況調整，滿足α+β＝1。作為優選，所述引入多尺度灰度差計算LBP特征的方法如下：(a)設圖像I上像素點(x,y)，圓形鄰域半徑為r，鄰域內鄰居數為P；若圓形鄰域半徑內的鄰居未落在整數坐標上，則采用雙線性插值方法得到鄰居坐標，如下所示：(xp，yp)＝(x+rcos(2πp/P)，y-rsin(2πp/P))(10)其中，(xp，yp)為(x,y)的鄰域內鄰居像素坐標，p＝0,1,…,P-1；(b)以多尺度灰度差代替原始LBP中的灰度值，則像素點(x,y)的LBP特征值可表示為：LBPP，r(x，y)為LBP特征值，D(xp，yp)為鄰居像素(xp，yp)的多尺度灰度差；D(x，y)為(x,y)的多尺度灰度差；u(·)為階躍函數，為二進制序列值，表達式為其中，多尺度灰度差的計算方法如下：(b.1)計算灰度差：圖像I上像素點(x,y)由小到大的鄰域有K個，像素點(x,y)的第k(k＝1,2,…,K)個灰度差表達式如下：其中，Dk(x，y)為像素點(x,y)的第k個灰度差，Ωk和Ωmax分別為第k個鄰域和最大鄰域包含的像素集，和分別表示對應像素集中包含的像素個數，I(s，t)和I(p，q)分別表示像素集Ωk和Ωmax中的像素灰度值；(b.2)計算多尺度灰度差：根據步驟(b.1)求得每個鄰域的灰度差，以K個灰度差中的最大值作為像素點(x,y)的多尺度灰度差：D(x，y)＝MAX{D1(x，y)，D2(x，y)，...，DK(x，y)}(14)其中，D(x，y)為像素點(x,y)的多尺度灰度差。作為優選，所述基于LBP特征計算得到均勻LBP特征方法為：一個LBP算子具有2P種不同的二進制模式，具備90％以上的二進制序列從0到1或從1到0的變化不超過2次的模式定義為均勻模式；將均勻模式歸為一類，其他模式歸為另一類，計算公式如下：其中，U(LBPP，r)為均勻性衡量值。作為優選，其特征在于：所述的U(LBPP，r)表達式如下：作為優選，所述計算LBP直方圖離散傅立葉特征的方法如下：(A)設二進制序列中1的個數為n、旋轉步長為ε的均勻LBP模式為UP(n，本文檔來自技高網...

【技術保護點】
一種基于改進LBP算子的圖像目標檢測方法，其特征在于，包括如下步驟：(1)輸入訓練圖像集和待檢測的目標圖像；(2)采用自適應加權中值濾波方法對訓練圖像集和待檢測的目標圖像分別進行去噪處理；(3)對去噪后的訓練圖像集和待檢測的目標圖像分別計算局部二值模式直方圖離散傅立葉特征，完成圖像特征提取：3.1)引入多尺度灰度差代替原本的灰度值計算LBP特征；3.2)基于LBP特征計算得到均勻LBP特征；3.3)計算得到LBP直方圖離散傅立葉特征；(4)將訓練圖像集的LBP直方圖離散傅立葉特征作為SVM的特征集，訓練得到SVM分類器；(5)結合目標圖像的LBP直方圖離散傅立葉特征，根據訓練得到的SVM分類器對目標圖像進行目標檢測。

【技術特征摘要】
1.一種基于改進LBP算子的圖像目標檢測方法，其特征在于，包括如下步驟：(1)輸入訓練圖像集和待檢測的目標圖像；(2)采用自適應加權中值濾波方法對訓練圖像集和待檢測的目標圖像分別進行去噪處理；(3)對去噪后的訓練圖像集和待檢測的目標圖像分別計算局部二值模式直方圖離散傅立葉特征，完成圖像特征提取：3.1)引入多尺度灰度差代替原本的灰度值計算LBP特征；3.2)基于LBP特征計算得到均勻LBP特征；3.3)計算得到LBP直方圖離散傅立葉特征；(4)將訓練圖像集的LBP直方圖離散傅立葉特征作為SVM的特征集，訓練得到SVM分類器；(5)結合目標圖像的LBP直方圖離散傅立葉特征，根據訓練得到的SVM分類器對目標圖像進行目標檢測。2.根據權利要求1所述的一種基于改進LBP算子的圖像目標檢測方法，其特征在于：所述步驟(2)采用自適應加權中值濾波方法進行去噪處理的方法如下：2.1)設濾波模型窗口W大小為w×w，w為不小于3的奇數，窗口在圖像I上滑動；窗口中心點(x,y)灰度值為I(x，y)，圖像I的最大灰度值為Imax，最小灰度值為Imin；2.2)判斷I(x，y)＝Imax或I(x，y)＝Imin是否成立，若成立則窗口中心點(x,y)為噪聲點，執行步驟2.3)；否則移動窗口W使得中心點落于圖像I的下一個像素后繼續重復執行本步驟進行判斷；2.3)計算窗口W中的非噪聲像素數N，若則跳轉執行步驟2.5)；否則執行步驟2.4)；2.4)進行自適應濾波窗口設定，令w＝w+2，循環執行步驟2.3)和2.4)直到2.5)根據噪聲像素的鄰域像素的相似性和距離作為權重衡量標準，計算得到加權像素值。3.根據權利要求2所述的一種基于改進LBP算子的圖像目標檢測方法，其特征在于：所述步驟2.5)計算得到加權像素值的方法如下：(I)計算距離權重：權重大小和窗口中心像素(x,y)與濾波窗口內某像素(x+x′，y+y′)之間的距離遠近成反比，其中x′，y′分別為大于0且小于w的整數，距離權重的計算公式為：其中，wx′y′為與中心像素(x,y)在水平方向和垂直方向上分別距離x′，y′個像素的權重；(II)計算相似性權重，其中相似性權重采用梯度占比概率表示：(II.1)計算窗口內每個像素點的梯度，計算公式如下：Gx(x，y)＝I(x+1，y)-I(x-1，y)(2)Gy(x，y)＝I(x，y+1)-I(x，y-1)(3)其中，Gx(x，y)和Gy(x，y)分別表示像素點(x,y)在水平方向和垂直方向上的梯度，則像素點(x,y)處的梯度幅值和梯度方向可表示為：(II.2)將梯度方向360度分為R個方向塊，統計落在每個方向塊內的像素點的梯度幅值直方圖：Hi＝∑G(x，y)|θi(6)其中，Hi為第i個方向塊的梯度直方圖，i＝1，2，...，R；θi為落在第i個方向塊的梯度方向，每個方向塊的梯度概率表示為：其中，ρi為第i個方向塊的梯度概率；(II.3)對每個方向塊內的像素點計算各個像素點的梯度占比概率：其中，μij為梯度占比概率，Gij為方向塊i內第j個像素點的梯度幅值；(III)將計算得到距離權重和相似性權重合并形成加權像素值：合并時需對距離權重和相似性權重作歸一化處理，加權像素值表示為：I′(x，y)＝α·[norm(wx′y′)×I(x+x′，y+y′)]+β·[norm(μx′y′)×I(x+x′，y+y′)](9)其中，I′(x，y)為加權像素值；norm(wx′y′)為wx′y′進行歸一化后的值，norm(μx′y′)為除中心像素點外窗口內其他像素點的梯度占比概率歸一化值，α和β分別為距離權重和相似性權重的占比，α和β可根據時間情況調整，滿足α+β＝1。4.根據權利要求3所述的一種基于改進LBP算子的圖像目標檢測方法，其特征在于：所述引入多尺度灰度差計算LBP特征的方法如下：(a)設圖像I上像素點(x,y)，圓形鄰域半徑為r，鄰域內鄰居數為P；若圓形鄰域半...

【專利技術屬性】
技術研發人員：吳越，李丹，李建元，范鴻俊，
申請(專利權)人：銀江股份有限公司，
類型：發明
國別省市：浙江,33