[發明專利]一種基于改進LBP算子的圖像目標檢測方法

在審

• 申請號: 201611183313.0
• 申請日: 2016-12-20
• 公開（公告）號: CN106874912A
• 公開（公告）日: 2017-06-20
• 發明（設計）人: 吳越;李丹;李建元;范鴻俊
• 申請（專利權）人: 銀江股份有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62
• 代理公司: 杭州之江專利事務所(普通合伙)33216
• 代理人: 張慧英

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(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，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：

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(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：

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

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

(II.2)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：

H_i＝∑G(x，y)|θ_i (6)

其中，H_i為第i個方向塊的梯度直方圖，i＝1，2，...，R；θ_i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：

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

其中，ρ_i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：

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

其中，μ_ij為梯度占比概率，G_ij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(w_x′y′)×I(x+x′，y+y′)]+

β·[norm(μ_x′y′)×I(x+x′，y+y′)] (9)

其中，I′(x，y)為加權像素值；norm(w_x′y′)為w_x′y′進行歸一化后的值，norm(μ_x′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。