本發(fā)明涉及計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)領(lǐng)域，尤其涉及一種基于改進(jìn)LBP算子的圖像目標(biāo)檢測(cè)方法。

背景技術(shù)：

目標(biāo)檢測(cè)是計(jì)算機(jī)視覺與機(jī)器學(xué)習(xí)領(lǐng)域的關(guān)鍵問題，廣泛應(yīng)用于遙感、交通、海事、公安刑偵等方面。在包含有目標(biāo)的圖像或視頻采集過程中，由于天氣、光照、背景及采集設(shè)備自身故障等問題，使得目標(biāo)檢測(cè)變得困難。如何快速、準(zhǔn)確的將目標(biāo)從視頻或圖像背景中檢測(cè)出來，提高目標(biāo)快速鎖定、排查和追蹤效率，成為當(dāng)前研究的熱點(diǎn)。

現(xiàn)有的目標(biāo)檢測(cè)方法大多是機(jī)器視覺方法，主要針對(duì)單一環(huán)境的目標(biāo)檢測(cè)，而對(duì)于復(fù)雜環(huán)境下的目標(biāo)檢測(cè)仍是一項(xiàng)具有挑戰(zhàn)性的問題。目標(biāo)檢測(cè)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(tǒng)計(jì)學(xué)習(xí)方法，基于背景建模的方法對(duì)光照和復(fù)雜背景較敏感，基于統(tǒng)計(jì)學(xué)習(xí)方法因能克服這些缺點(diǎn)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(gè)問題，但傳統(tǒng)的LBP對(duì)于光照變化較敏感。因此，本發(fā)明在傳統(tǒng)的LBP方法基礎(chǔ)上提出了改進(jìn)的LBP方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為克服上述的不足之處，目的在于提供一種基于改進(jìn)LBP算子的圖像目標(biāo)檢測(cè)方法，通過自適應(yīng)加權(quán)中值濾波方法進(jìn)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(jù)支持向量機(jī)(SVM)分類器實(shí)現(xiàn)目標(biāo)圖像檢測(cè)。局部二值模式直方圖離散傅立葉特征對(duì)光照和噪聲具有魯棒性，同時(shí)能保持對(duì)圖像的旋轉(zhuǎn)不變性和一致性，具有較高的檢測(cè)精度。

本發(fā)明是通過以下技術(shù)方案達(dá)到上述目的：一種基于改進(jìn)LBP算子的目標(biāo)圖像檢測(cè)方法，包括如下步驟：

(1)輸入訓(xùn)練圖像集和待檢測(cè)的目標(biāo)圖像；

(2)采用自適應(yīng)加權(quán)中值濾波方法對(duì)訓(xùn)練圖像集和待檢測(cè)的目標(biāo)圖像分別進(jìn)行去噪處理；

(3)對(duì)去噪后的訓(xùn)練圖像集和待檢測(cè)的目標(biāo)圖像分別計(jì)算局部二值模式直方圖離散傅立葉特征，完成圖像特征提?。?/p>

3.1)引入多尺度灰度差代替原本的灰度值計(jì)算LBP特征；

3.2)基于LBP特征計(jì)算得到均勻LBP特征；

3.3)計(jì)算得到LBP直方圖離散傅立葉特征；

(4)將訓(xùn)練圖像集的LBP直方圖離散傅立葉特征作為SVM的特征集，訓(xùn)練得到SVM分類器；

(5)結(jié)合目標(biāo)圖像的LBP直方圖離散傅立葉特征，根據(jù)訓(xùn)練得到的SVM分類器對(duì)目標(biāo)圖像進(jìn)行目標(biāo)檢測(cè)。

作為優(yōu)選，所述步驟(2)采用自適應(yīng)加權(quán)中值濾波方法進(jìn)行去噪處理的方法如下：

2.1)設(shè)濾波模型窗口W大小為w×w，w為不小于3的奇數(shù)，窗口在圖像I上滑動(dòng)；窗口中心點(diǎn)(x,y)灰度值為I(x，y)，圖像I的最大灰度值為I_max，最小灰度值為I_min；

2.2)判斷I(x，y)＝I_max或I(x，y)＝I_min是否成立，若成立則窗口中心點(diǎn)(x,y)為噪聲點(diǎn)，執(zhí)行步驟2.3)；否則移動(dòng)窗口W使得中心點(diǎn)落于圖像I的下一個(gè)像素后繼續(xù)重復(fù)執(zhí)行本步驟進(jìn)行判斷；

2.3)計(jì)算窗口W中的非噪聲像素?cái)?shù)N，若則跳轉(zhuǎn)執(zhí)行步驟2.5)；否則執(zhí)行步驟2.4)；

2.4)進(jìn)行自適應(yīng)濾波窗口設(shè)定，令w＝w+2，循環(huán)執(zhí)行步驟2.3)和

2.4)直到

2.5)根據(jù)噪聲像素的鄰域像素的相似性和距離作為權(quán)重衡量標(biāo)準(zhǔn)，計(jì)算得到加權(quán)像素值。

作為優(yōu)選，所述步驟2.5)計(jì)算得到加權(quán)像素值的方法如下：

(I)計(jì)算距離權(quán)重：權(quán)重大小和窗口中心像素(x,y)與濾波窗口內(nèi)某像素(x+x′，y+y′)之間的距離遠(yuǎn)近成反比，其中x′，y′分別為大于0且小于w的整數(shù)，距離權(quán)重的計(jì)算公式為：

其中，w_x′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(gè)像素的權(quán)重；

(II)計(jì)算相似性權(quán)重，其中相似性權(quán)重采用梯度占比概率表示：

(II.1)計(jì)算窗口內(nèi)每個(gè)像素點(diǎn)的梯度，計(jì)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)分別表示像素點(diǎn)(x,y)在水平方向和垂直方向上的梯度，則像素點(diǎn)(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(gè)方向塊，統(tǒng)計(jì)落在每個(gè)方向塊內(nèi)的像素點(diǎn)的梯度幅值直方圖：

H_i＝∑G(x，y)|θ_i (6)

其中，H_i為第i個(gè)方向塊的梯度直方圖，i＝1，2，...，R；θ_i為落在第i個(gè)方向塊的梯度方向，每個(gè)方向塊的梯度概率表示為：

其中，ρ_i為第i個(gè)方向塊的梯度概率；

(II.3)對(duì)每個(gè)方向塊內(nèi)的像素點(diǎn)計(jì)算各個(gè)像素點(diǎn)的梯度占比概率：

其中，μ_ij為梯度占比概率，G_ij為方向塊i內(nèi)第j個(gè)像素點(diǎn)的梯度幅值；

(III)將計(jì)算得到距離權(quán)重和相似性權(quán)重合并形成加權(quán)像素值：合并時(shí)需對(duì)距離權(quán)重和相似性權(quán)重作歸一化處理，加權(quán)像素值表示為：

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)為加權(quán)像素值；norm(w_x′y′)為w_x′y′進(jìn)行歸一化后的值，norm(μ_x′y′)為除中心像素點(diǎn)外窗口內(nèi)其他像素點(diǎn)的梯度占比概率歸一化值，α和β分別為距離權(quán)重和相似性權(quán)重的占比，α和β可根據(jù)時(shí)間情況調(diào)整，滿足α+β＝1。

作為優(yōu)選，所述引入多尺度灰度差計(jì)算LBP特征的方法如下：(a)設(shè)圖像I上像素點(diǎn)(x,y)，圓形鄰域半徑為r，鄰域內(nèi)鄰居數(shù)為P；若圓形鄰域半徑內(nèi)的鄰居未落在整數(shù)坐標(biāo)上，則采用雙線性插值方法得到鄰居坐標(biāo)，如下所示：

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

其中，(x_p，y_p)為(x,y)的鄰域內(nèi)鄰居像素坐標(biāo)，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(diǎn)(x,y)的LBP特征值可表示為：

LBP_P，r(x，y)為LBP特征值，D(x_p，y_p)為鄰居像素(x_p，y_p)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(shù)，為二進(jìn)制序列值，表達(dá)式為

其中，多尺度灰度差的計(jì)算方法如下：

(b.1)計(jì)算灰度差：圖像I上像素點(diǎn)(x,y)由小到大的鄰域有K個(gè)，像素點(diǎn)(x,y)的第k(k＝1,2,…,K)個(gè)灰度差表達(dá)式如下：

其中，D_k(x，y)為像素點(diǎn)(x,y)的第k個(gè)灰度差，Ω_k和Ω_max分別為第k個(gè)鄰域和最大鄰域包含的像素集，和分別表示對(duì)應(yīng)像素集中包含的像素個(gè)數(shù)，I(s，t)和I(p，q)分別表示像素集Ω_k和Ω_max中的像素灰度值；

(b.2)計(jì)算多尺度灰度差：根據(jù)步驟(b.1)求得每個(gè)鄰域的灰度差，以K個(gè)灰度差中的最大值作為像素點(diǎn)(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)為像素點(diǎn)(x,y)的多尺度灰度差。

作為優(yōu)選，所述基于LBP特征計(jì)算得到均勻LBP特征方法為：一個(gè)LBP算子具有2^P種不同的二進(jìn)制模式，具備90％以上的二進(jìn)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(jì)算公式如下：

其中，U(LBP_P，r)為均勻性衡量值。

作為優(yōu)選，其特征在于：所述的U(LBP_P，r)表達(dá)式如下：

作為優(yōu)選，所述計(jì)算LBP直方圖離散傅立葉特征的方法如下：(A)設(shè)二進(jìn)制序列中1的個(gè)數(shù)為n、旋轉(zhuǎn)步長為ε的均勻LBP模式為U_P(n，ε)，0≤n≤P，0≤ε≤P-1；均勻LBP模式直方圖定義為h_I(U_P(n，ε))，表示圖像I中均勻LBP模式U_P(n，ε)發(fā)生次數(shù)；

(B)引入對(duì)圖像旋轉(zhuǎn)保持不變的LBP直方圖離散傅立葉特征：

其中，LBP_HF為LBP直方圖離散傅立葉特征，F(xiàn)(n₁，τ)、F(n₂，τ)分別表示h_I(U_P(n₁，ε))、h_I(U_p(n₂，ε))的離散傅立葉變換，τ為離散的頻率域，是F(n₂，τ)的復(fù)共軛。

作為優(yōu)選，所述的離散傅立葉變換計(jì)算公式如下：

其中，j表示虛數(shù)。

作為優(yōu)選，所述步驟(4)訓(xùn)練SVM分類器可采用Matlab的SVM工具箱實(shí)現(xiàn)。

本發(fā)明的有益效果在于：(1)本發(fā)明方法實(shí)用價(jià)值高，可應(yīng)用于圖像識(shí)別、遙感測(cè)繪、海事監(jiān)督、交通研判、無人駕駛、刑偵發(fā)現(xiàn)等應(yīng)用中，能幫助領(lǐng)域技術(shù)的研發(fā)，具有較高的實(shí)用價(jià)值；(2)本發(fā)明方法可行性高，本發(fā)明方法在傳統(tǒng)LBP的基礎(chǔ)上引用直方圖離散傅立葉變換，解決LBP方法對(duì)圖像選擇存在的循環(huán)位移現(xiàn)象，方法實(shí)際可行；(3)本發(fā)明方法實(shí)效性高，利用加權(quán)自適應(yīng)中值濾波對(duì)圖像進(jìn)行去噪，保留了更多的圖像細(xì)節(jié)信息，同時(shí)LBP直方圖離散傅立葉特征對(duì)光照具有魯棒性，使得目標(biāo)檢測(cè)具有較高的精確性和實(shí)效性。

附圖說明

圖1是本發(fā)明方法的流程步驟示意圖；

圖2是本發(fā)明實(shí)施例計(jì)算灰度差時(shí)像素點(diǎn)鄰域示意圖；

圖3是本發(fā)明實(shí)施例的8鄰居的58種不同的均勻模式示意圖。

具體實(shí)施方式

下面結(jié)合具體實(shí)施例對(duì)本發(fā)明進(jìn)行進(jìn)一步描述，但本發(fā)明的保護(hù)范圍并不僅限于此：

實(shí)施例：如圖1所示，一種基于改進(jìn)LBP算子的圖像目標(biāo)檢測(cè)方法，包括以下步驟：

步驟1：輸入訓(xùn)練圖像集和待檢測(cè)的目標(biāo)圖像。

步驟2：圖像去噪。本發(fā)明方法采用自適應(yīng)加權(quán)中值濾波方法進(jìn)行圖像去噪處理，具體過程如下：

(1)設(shè)濾波模型窗口W大小為w×w，w為不小于3的奇數(shù)，初始w取為3，窗口在圖像I上滑動(dòng)。窗口中心點(diǎn)(x,y)灰度值為I(x，y)，圖像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，則判斷(x,y)為噪聲點(diǎn)。如果中心點(diǎn)不是噪聲像素，則移動(dòng)窗口W使中心點(diǎn)落于圖像的下一個(gè)像素；若中心點(diǎn)是噪聲像素，則進(jìn)行下一步驟。

(2)計(jì)算窗口W中非噪聲像素?cái)?shù)N，若則跳到步驟(4)；否則進(jìn)行步驟(3)。

(3)自適應(yīng)濾波窗口設(shè)定。令w＝w+2，循環(huán)執(zhí)行步驟(2)和(3)，直到N的值滿足跳轉(zhuǎn)條件。

(4)計(jì)算加權(quán)像素值。本發(fā)明在計(jì)算權(quán)重時(shí)，不采用傳統(tǒng)方法所用的平均權(quán)重，而是根據(jù)噪聲像素的鄰域像素的相似性和距離作為權(quán)重衡量標(biāo)準(zhǔn)；方法如下：

(4.1)計(jì)算距離權(quán)重。窗口中心像素(x,y)與濾波窗口內(nèi)某像素(x+x′，y+y′)的距離越近，對(duì)中心像素的影響越大，即權(quán)重越大，其中x′y′為大于0小于w的整數(shù)，計(jì)算公式為：

其中w_x′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(gè)像素的權(quán)重。

(4.2)計(jì)算相似性權(quán)重。相似性權(quán)重采用梯度占比概率表示，首先計(jì)算窗口內(nèi)每個(gè)像素點(diǎn)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)分別表示像素點(diǎn)(x,y)在水平方向和垂直方向上的梯度，則像素點(diǎn)(x,y)處的梯度幅值和梯度方向可表示為：

將梯度方向360度分為R個(gè)方向塊，統(tǒng)計(jì)落在每個(gè)方向塊內(nèi)的像素點(diǎn)的梯度幅值直方圖，本發(fā)明中R取為9：

H_i＝∑G(x，y)|θ_i (24)

其中H_i為第i個(gè)方向塊的梯度直方圖，i＝1，2，...，9，θ_i為落在第i個(gè)方向塊的梯度方向。每個(gè)方向塊的梯度概率可表示為：

ρ_i為第i個(gè)方向塊的梯度概率。對(duì)每個(gè)方向塊內(nèi)的像素點(diǎn)，計(jì)算各個(gè)像素點(diǎn)的梯度占比概率：

其中μ_ij為梯度占比概率，G_ij為方向塊i內(nèi)第j個(gè)像素點(diǎn)的梯度幅值。

(4.3)合并距離權(quán)重和相似性權(quán)重。計(jì)算得到距離權(quán)重和相似性權(quán)重后，將兩者合并形成加權(quán)像素值。為保持兩種權(quán)重的一致性，需要對(duì)兩者進(jìn)行歸一化處理，加權(quán)像素值可表示為：

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)為加權(quán)像素值，即恢復(fù)后的噪聲像素；norm(w_x′y′)為w_x′y′進(jìn)行歸一化后的值，norm(μ_x′y′)為除中心像素點(diǎn)外窗口內(nèi)其他像素點(diǎn)的梯度占比概率歸一化值，α和β分別為距離權(quán)重和相似性權(quán)重的占比，α和β可根據(jù)時(shí)間情況調(diào)整，滿足α+β＝1，本發(fā)明中取α＝β＝0.5。

步驟3：圖像特征提取，計(jì)算局部二值模式直方圖離散傅立葉特征。不同于傳統(tǒng)的LBP方法，本發(fā)明采用對(duì)光照具有魯棒性且對(duì)輸入圖像保持旋轉(zhuǎn)不變性的局部二值模式直方圖離散傅立葉特征，且為了提高信噪比，更有效區(qū)分目標(biāo)和背景，在計(jì)算LBP特征值時(shí)，引入多尺度灰度差代替原本的灰度值，具體計(jì)算過程如下：

(1)計(jì)算LBP特征。圖像I上像素點(diǎn)(x,y)，圓形鄰域半徑為r，鄰域內(nèi)鄰居數(shù)為P，本發(fā)明取r＝1時(shí)P＝8，當(dāng)圓形鄰域內(nèi)的鄰居未落在整數(shù)坐標(biāo)上，則采用雙線性插值得到鄰居坐標(biāo)：

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

其中(x_p，y_p)為(x,y)的鄰域內(nèi)鄰居像素坐標(biāo)，p＝0,1,…,7。

為測(cè)量目標(biāo)區(qū)域與周圍鄰域的差異性，以多尺度灰度差代替原始LBP中的灰度值，則像素點(diǎn)(x,y)的LBP特征值可表示為：

其中LBP_8，1(x，y)為LBP特征值，D(x_p，y_p)為鄰居像素(x_p，y_p)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(shù)，為二進(jìn)制序列值：

一個(gè)LBP算子有2⁸種不同的二進(jìn)制模式。多尺度灰度差的計(jì)算如下：

(1.1)計(jì)算灰度差。設(shè)圖像I上像素點(diǎn)(x,y)由小到大的鄰域有K個(gè)，如圖2所示，本發(fā)明中取K＝5，則像素點(diǎn)(x,y)的第k(k＝1,2,…,5)個(gè)灰度差可表示為：

其中，D_k(x，y)為像素點(diǎn)(x,y)的第k個(gè)灰度差，Ω_k和Ω_max分別為第k個(gè)鄰域和最大鄰域包含的像素集，和分別表示對(duì)應(yīng)像素集中包含的像素個(gè)數(shù)，I(s，t)和I(p，q)分別表示像素集Ω_k和Ω_max中的像素灰度值。

(1.2)計(jì)算多尺度灰度差。上述步驟求得每個(gè)鄰域的灰度差后，以5個(gè)灰度差中的最大值作為像素點(diǎn)(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)為像素點(diǎn)(x,y)的多尺度灰度差。

(2)計(jì)算均勻LBP特征。研究發(fā)現(xiàn)，2⁸種不同的二進(jìn)制模式中，90％以上的二進(jìn)制序列從0到1或從1到0的變化不超過2次，將這種模式稱為均勻模式。8鄰居的所有8位二進(jìn)制中變化不超過2次的有58種(變化0次的2種，變化2次的56種)，如圖3所示。

將這58種均勻模式歸為一類，其他模式歸為另一類。計(jì)算公式如下：

其中，U(LBP_8，1)為均勻性衡量值：

(3)計(jì)算LBP直方圖離散傅立葉特征。設(shè)二進(jìn)制序列中1的個(gè)數(shù)為n、旋轉(zhuǎn)步長為ε的均勻LBP模式為U₈(n，ε)，0≤n≤8，0≤ε≤7。均勻LBP模式直方圖定義為h_I(U₈(n，ε))，表示圖像I中均勻LBP模式U₈(n，ε)發(fā)生次數(shù)。若圖像I旋轉(zhuǎn)角度為p＝0，1，...，7，則圓形鄰域同樣旋轉(zhuǎn)相當(dāng)于模式ε旋轉(zhuǎn)p個(gè)離散步長，導(dǎo)致直方圖產(chǎn)生循環(huán)移位：因此，本發(fā)明引入對(duì)圖像旋轉(zhuǎn)保持不變的LBP直方圖離散傅立葉特征：

其中，LBP_HF為LBP直方圖離散傅立葉特征，F(xiàn)(n₁，τ)、F(n₂，τ)分別表示h_I(U₈(n₁，ε))、h_I(U₈(n₂，ε))的離散傅立葉變換，τ為離散的頻率域，是F(n₂，τ)的復(fù)共軛。離散傅立葉變換計(jì)算公式如下：

其中，j表示虛數(shù)。

步驟4：支持向量機(jī)(SVM)分類器訓(xùn)練。將訓(xùn)練圖像集的LBP直方圖離散傅立葉特征作為SVM的特征集，訓(xùn)練產(chǎn)生SVM分類器，SVM訓(xùn)練過程可采用Matlab的SVM工具箱。

步驟5：目標(biāo)圖像檢測(cè)。結(jié)合目標(biāo)圖像的LBP直方圖離散傅立葉特征，根據(jù)訓(xùn)練產(chǎn)生的SVM分類器對(duì)目標(biāo)圖像進(jìn)行目標(biāo)檢測(cè)。

以上的所述乃是本發(fā)明的具體實(shí)施例及所運(yùn)用的技術(shù)原理，若依本發(fā)明的構(gòu)想所作的改變，其所產(chǎn)生的功能作用仍未超出說明書及附圖所涵蓋的精神時(shí)，仍應(yīng)屬本發(fā)明的保護(hù)范圍。