[发明专利]一种基于融合特征和SVM结合的羊角弓区域定位方法

权利要求书

1.一种基于融合特征和SVM结合的羊角弓区域定位方法，其特征在于，包括以下步骤：

步骤1、训练样本收集：训练样本包括正样本和负样本，正样本的图片是羊角弓正常状态，负样本的图片是羊角弓缺失状态或者是随机裁取的未知物体；

步骤2、LBP特征提取：计算步骤1收集的训练样本中每个像素点的像素值与其邻域的关系，构成局部二进制模式直方图，来提取LBP特征；

步骤3、HOG特征提取：将步骤1收集的训练样本，分割成包含多个像素点的单元，然后对每个单元中每个像素点的边缘或者梯度求取方向直方图，整合所有的方向直方图，构成HOG特征描述器；

步骤4、特征融合：将步骤2提取的LBP特征和步骤3提取的HOG特征，使用串行融合技术进行融合，生成LBP-HOG融合特征方向直方图；

步骤5、SVM分类器训练：将步骤4获得的LBP-HOG融合特征送到SVM分类器中进行训练，获取训练参数；

步骤6、多尺度滑动窗口扫描定位：采用多尺度滑动窗口扫描目标图像，通过步骤5中训练好的SVM分类器进行预测，实现羊角弓区域的定位。

2.根据权利要求1所述的基于融合特征和SVM结合的羊角弓区域定位方法，其特征在于，步骤2中所述的计算步骤1收集的训练样本中每个像素点的像素值与其邻域的关系，构成局部二进制模式直方图，来提取LBP特征，具体如下：

步骤2.1、将步骤1收集的图像分成4×4区域；

步骤2.2、对于区域内的每个像素点，选定其灰度值作为LBP算子的阈值，将3×3邻域内的其他像素点的灰度值与LBP算子的阈值进行比对，灰度值比阈值大的像素点置为1，灰度值比阈值小的像素点置为0；然后将3×3邻域内的8个点生成一个8位二进制数，将二进制数转换为十进制数，即得到每个像素点的LBP值；

步骤2.3、计算每个区域的直方图，即每个LBP值出现的频率，得到16个LBP直方图；

步骤2.4、将16个直方图用统一的直方图进行描述；特征图大小为80×60像素，将其分成4×4块，生成的向量为4×4×256＝4096维。

3.根据权利要求1所述的基于融合特征和SVM结合的羊角弓区域定位方法，其特征在于，步骤3中所述的将步骤1收集的训练样本，分割成包含若干像素点的单元，然后对每个单元中每个像素点的边缘或者梯度求取方向直方图，整合所有的方向直方图，构成HOG特征描述器，具体如下：

步骤3.1、编辑图像的gamma曲线，公式为：

I(x,y)＝I(x,y)^gamma (1)

其中I(x,y)表示每个像素点的像素值，gamma＝1/2；

步骤3.2、计算图像中每个像素点横纵坐标的梯度方向值，进而获取该像素点的梯度；

设定G_x为x方向梯度，G_y为y方向梯度，[-1,0,1]为中心模版算子，像素点(x，y)的灰度值为H(x,y)，则像素点(x,y)的梯度公式为：

G_x(x,y)＝H(x+1,y)-H(x-1,y) (2)

G_y(x,y)＝H(x,y+1)-H(x,y-1) (3)

设定G(x,y)为像素点(x，y)的灰度大小，θ为像素点(x，y)的灰度方向，则：

步骤3.3、将整幅图像分割成单元格，每个单元格大小是10×10像素；梯度直方图选用9个区间，统计每个像素点的梯度权值，绘制每个单元格的梯度直方图，得到9维特征向量的梯度直方图；将每2×2个单元格合并成一个块，归一化每个单元格的特征向量，则每个块的特征向量维数为2×2×9＝36；

步骤3.4、将整幅图像的HOG特征进行合并，得到整幅图像HOG特征；由于每个单元格的大小是10×10，一个块包含2×2个单元格，所以整幅图像的HOG特征的维数为9×4×(8-1)×(6-1)＝1260。