HSV与LBP特征融合的行人检测方法研究

J4 ›› 2014, Vol. 36 ›› Issue (10): 1997-2001.

HSV与LBP特征融合的行人检测方法研究

岳求生，周书仁，李峰，谭飞刚

(长沙理工大学计算机与通信工程学院，湖南长沙 410004)

收稿日期:2013-05-06 修回日期:2013-06-25 出版日期:2014-10-25 发布日期:2014-10-25
基金资助:
长沙市科技计划资助项目(K120301511)；湖南省标准化战略项目(2011031)

Research of pedestrian detection method
based on HSV and LBP feature fusion

YUE Qiusheng,ZHOU Shuren,LI Feng,TAN Feigang

(School of Computer & Communication Engineering,Changsha University of Science & Technology,Changsha 410004,China)

Received:2013-05-06 Revised:2013-06-25 Online:2014-10-25 Published:2014-10-25

摘要/Abstract

摘要：

提出一种融合HSV颜色空间特征与局部二元模式特征LBP的特征的HSVLBP行人检测方法。HSV特征是一种全局特征，它能简单地描述一幅图像中颜色的全局分布，LBP特征能很好地描述图像局部空间结构，所以该算法既考虑了全局特征也考虑了局部特征，且该算法具有维数少、计算速度快的优点。在Matlab环境下实验，利用Adaboost 分类器对算法的性能进行实验仿真，与经典的梯度方向直方图HOG特征、LBP特征、分层梯度方向直方图PHOG特征及HOGLBP特征进行对比，结果表明HSVLBP方法的识别性能较好。

关键词: 颜色空间, LBP, HSV, 特征融合

Abstract:

A pedestrian detection method is proposed based on the fusion of HSV color space feature and LBP feature.HSV feature is global which can simply describe the global distribution of colors in an image while LBP feature is a good description of the spatial structure of a local image,therefore the proposed method takes both the global features and the local features into account, which has the advantages of low dimension and quick computing speed.In Matlab,Adaboost classifier is used to carry out the experiments.Results show that, compared with the classic Gradient Direction Histogram (HOG) feature,LBP feature,Pyramid Histogram of Oriented Gradients (PHOG) feature and HOG-LBP feature,the proposed method is of high recognition rate.

Key words: color space;LBP;HSV;feature fusion

岳求生，周书仁，李峰，谭飞刚. HSV与LBP特征融合的行人检测方法研究[J]. J4, 2014, 36(10): 1997-2001.

YUE Qiusheng,ZHOU Shuren,LI Feng,TAN Feigang. Research of pedestrian detection method
based on HSV and LBP feature fusion [J]. J4, 2014, 36(10): 1997-2001.

参考文献［11］

［1］	Su Songzhi, Li Shaozi, Chen Suyuan, et al. Pedestrian detection methods［J］. Chinese Journal of Electronics, 2012, 40(4):814820.(in Chinese)
［2］	Guo Gaizhi. The application of improved HSV color space model in image processing［C］∥Proc of Future Computer and Communication, 2010:1013.
［3］	Hasan M M, Mishra P K. Gesture recognition using modified HSV segmentation［C］∥Proc of CSNT’11, 2011:328332.
［4］	Ojala T, Pietikinen M. A comparative study of texture measures with classification based on feature distribution［J］. Pattern Recognition, 1996, 29(1):5159.
［5］	Zhao Guoying,Ahonen T.Rotationinvariant image and video description with local binary pattern features［J］. IEEE Transactions on Image Processing, 2012, 21(4):14651477.
［6］	Guo Zhenhua, Zhang Lei. A completed modeling of local binary pattern operator for texture classification［J］. IEEE Transactions on Image Processing, 2010, 19(6):16571663.
［7］	Dalal N, Triggs B. Histograms of oriented gradients for human detection［C］∥Proc of IEEE International Conference on Computer Vision and Pattern Recognition(CVPR), 2005:886893.
［8］	Lin Kengpei, Chen MingSyan. On the design and analysis of the privacypreserving SVM classifier［J］. IEEE Transactions on Knowledge and Data Engineering, 2011, 23(11):17041717.
［9］	Gan Guolong,Cheng Jian.Pedestrian detection based on HOGLBP feature［C］∥Proc of Computational Intelligence and Security (CIS), 2011:11841187.
［10］	Manjunath B S, Ohm JR,Vasudevan V V, et al. Color and texture descriptors［J］. IEEE Transactions on CSVT, 2001,11(6):703715.
［11］	Lin Yining, Wei Wei, Dai Yuanming. A common target classification and identification method based on multicore Boosting［J］. Optical Engineering, 2011, 38(10):6671.(in Chinese)
［12］	Nam W, Han B, Han J H. Improving object localization using macrofeature layout selection［C］∥Proc of IEEE International Conference on Computer Vision Workshops, 2011:18011808.
［13］	Lian Guoyun, Lai Jianhuang, Yuan Yang. Fast pedestrian detection using a modified WLD detector in salient region［C］∥Proc of International Conference on Chemical Science and Engineering(ICSSE), 2011:564569.
	附中文参考文献：
［1］	苏松志, 李绍滋, 陈淑媛,等. 行人检测技术综述［J］.电子学报, 2012, 40(4):814820.
［11］	林亦宁, 韦巍, 戴渊明. 基于多核 Boosting 方法的通用目标分类和识别［J］. 光电工程, 2011, 38(10):6671.

[1]	崔克彬, 崔叶微. 基于卷积和Transformer的断路器动触头跟踪方法研究[J]. 计算机工程与科学, 2023, 45(07): 1236-1244.
[2]	濮子俊, 张寿明. 基于特征融合与Transformer模型的声音事件定位与检测算法研究[J]. 计算机工程与科学, 2023, 45(06): 1097-1105.
[3]	邓姗姗, 黄慧, 马燕. 基于改进Faster R-CNN的小目标检测算法[J]. 计算机工程与科学, 2023, 45(05): 869-877.
[4]	孙琪, 翟锐, 左方, 张玉涛, . 基于部分卷积和多尺度特征融合的人脸图像修复模型[J]. 计算机工程与科学, 2023, 45(02): 304-312.
[5]	杨昊, 赵刚, 王兴芬. 基于混合模型的事件触发词抽取[J]. 计算机工程与科学, 2023, 45(01): 171-180.
[6]	张海燕, 付应娜, 丁桂江, 孟庆岩. 基于无锚框目标检测算法的多样性感受野注意力特征补偿[J]. 计算机工程与科学, 2022, 44(11): 1995-2002.
[7]	吴从中, 董浩, 方静. 基于注意力机制的自适应滤波遥感图像分割网络[J]. 计算机工程与科学, 2022, 44(11): 2010-2018.
[8]	陈清江, 李金阳, 屈梅, 胡倩楠. 基于端到端双网络的低照度图像增强方法[J]. 计算机工程与科学, 2022, 44(11): 2019-2026.
[9]	徐琨, 赵启雯, 徐源, 柳有权. 基于边缘检测的快速纸张检测方法[J]. 计算机工程与科学, 2022, 44(10): 1795-1803.
[10]	李兰, 刘杰, 张洁. 基于YOLOv4改进算法的复杂行人检测模型研究[J]. 计算机工程与科学, 2022, 44(08): 1449-1456.
[11]	刘李漫, 谭龙雨, 彭源, 刘佳. 基于全融合网络的三维点云语义分割[J]. 计算机工程与科学, 2022, 44(05): 862-869.
[12]	李利荣, 王子炎, 张开, 杨荻椿, 熊炜, 巩朋成, . 基于OSE-dResnet网络的列车底部零件检测算法[J]. 计算机工程与科学, 2022, 44(04): 692-698.
[13]	火元莲, 李俞利. 基于多特征融合与极限学习机的植物叶片分类方法[J]. 计算机工程与科学, 2021, 43(03): 486-493.
[14]	熊炜, 杨荻椿, 艾美慧, 李敏, 李利荣. 基于多支路特征融合的行人重识别研究[J]. 计算机工程与科学, 2021, 43(02): 329-339.
[15]	李本高, 吴从中, 许良凤, 詹曙. 基于多尺度特征融合和残差注意力机制的目标检测[J]. 计算机工程与科学, 2021, 43(02): 347-353.