[发明专利]图像纹理特征提取方法

说明书

本发明提供了一种图像纹理特征提取方法，本发明通过提供一种图像特征提取、训练、检测方法。原始图像归一化降低了光照变化、阴影和噪点的影响，特征提取采用类Haar方法，保留有原始图像中的边缘梯度信息，同时通过比较中心点和其上下左右点，四个对角点，在特征提取过程中加上权重信息，弥补了常规纹理特征的不足；特征的组合方式大大降低了特征维度，最终的特征提取方法在行人检测时，相比于常规的纹理特征有更低的特征维数和更快的训练和检测速度，同时检测率获得了相应的提高。

技术领域

本发明涉及图像处理领域，尤其是一种图像纹理特征提取方法。

背景技术

物体检测是计算机视觉的核心问题之一。基于统计学的物体检测方法主要是通过机器学习，从一系列训练数据中训练得到一个分类器，然后利用分类器对输入窗口进行识别。物体检测方法关键的有两点，其一是特征提取，其二是分类器设计。特征提取的目的是降低数据的维数，得到能反映物体属性的特征，从而方便分类。好的特征应当具有区分能力强、计算简单、鲁棒性强和形式简单等特点。分类器设计属于机器学习范畴，其目的是得到一个计算复杂度较低且推广性较好的分类器。

梯度直方图(Histogram of Oriented Gradients，HOG)特征是一种用来进行物体检测的特征描述子，现有的HOG特征提取方法的检测率仍然较低，限制了其在物体检测中的推广应用。纹理特征是物体表面的固有属性，也是图像的一种重要特征，表现为灰度或颜色的变化，反映了图像区域的稀疏、平滑、规则性等特性。基于LBP的纹理描述符是主要用于物体检测的纹理特征，它用直方图统计局部纹理变化信息。它有诸多优点如计算机复杂度低、时间代价小、对单调的灰度变化具有不变性、参数设置简单、分类能力强等。它在人脸检测与识别、行人检测、运动目标实时跟踪、图像检索以及背景建模等领域得到广泛的研究与应用。在基于纹理特征的行人检测算法中，多数的文献一方面致力于研究单个纹理特征对行人检测性能的影响，它们通过变化特征的提取方式、密集描述或者金字塔描述等，不断优化单个纹理特征的性能，使其检测性能能够与HOG特征相比拟，甚至略优于HOG特征，却大大增加了计算复杂度。

纹理是一种反映图像中同质现象的视觉特征，它体现了物体表面的具有缓慢变化或者周期性变化的表面结构组织排列属性。纹理特征表现为图像的灰度或颜色的变化，它通过像素及其周围空间邻域的灰度分布来表现图像区域的稀疏、平滑等特性。局部二值模式(Local Binary Pattern,LBP)是机器视觉领域中用于描述图像局部纹理特征的算子，它具有计算简单、旋转不变性、灰度不变性等显著的优点。它在人脸识别、阴影去除、行人检测、图像检索及背景建模等领域得到广泛的应用。

发明内容

本发明的目的是：提供一种图像纹理特征提取方法，它提高物体检测的检测率，并且简单易行，以克服现有技术的不足。

本发明是这样实现的：图像纹理特征提取方法，包括如下步骤：

1)输入的待检测图像；

2)对输入的待检测图像提取按类Haar方法提取纹理特征直方图；

3)提取待检测图像的中心点像素和其上下、左右及四个角顶点进行比较获取纹理特征直方图；

4)级联待检测图像步骤2)与步骤3)，从而获得最终的行人描述子纹理特征。

步骤2)中所述的提取按类Haar方法提取纹理特征直方图，具体如下：

a)水平与垂直方向局部二值模式特征形成步骤：在一个3×3的图像区域中取水平和垂直方向第一和第三行像素值总和进行比较；

b)对角区域局部二值模式特征形成步骤：在一个3×3的图像区域中取四个角像素点相邻的三个像素点像素值求和，对左上角与右下角区域进行差值比较，对右上角与左下角区域进行差值比较；