[发明专利]一种融合HOG-LBP函数的交通信号灯检测方法

说明书

本发明公开了一种融合HOG‑LBP的信号交通灯检测方法，首先输入训练样本交通信号灯图像；然后分别提取训练样本图像的HOG特征和LBP特征；提取的图像的HOG特征和LBP特征进行PCA+LDA降维和特征融合，得到HOG‑LBP特征；得到的图像的HOG‑LBP特征放入支持向量机SVM算法中训练，获得SVM交通信号灯分类器；利用得到的SVM分类器对图像进行检测；本方法结合了HOG特征和LPB特征，在描述性能上比单一特征要丰富，能够弥补单一特征的局限性从而提高识别率，在采用融合特征提高识别率的同时，采用PCA和LDA相结合的方法进行特征降维，不仅大大缩短了识别的时间，同时也提高了系统的鲁棒性。

技术领域

本发明属于目标检测领域，具体涉及一种融合HOG-LBP的交通信号灯检测方法。

背景技术

在实际生活中，交通信号灯及其倒计时数字检测易受到外界光线、天气的变化的影响，例如逆光情况或者交通信号灯多种多样、遮挡、污损和背景噪声等不可抗的因素都为检测和识别增加了难度。HOG特征在目标检测和跟踪领域用于描述物体的关键点特征，而LBP特征在纹理分析领域也取得成功应用，这2种特征的表述能力都很强，但不能适用较多复杂的交通灯周围环境。在复杂的交通信号灯环境中，单一特征的表述能力有限，因此需要多个不同的特征进行融合，期望得到准确的交通信号灯特征表示。

针对上述问题，本文提出基于HOG和LBP特征融合的交通信号灯识别方法，首先分别提取HOG特征和LBP特征，然后利用PCA-LDA方法进行降维，最终采用特征融合策略采用进行识别。

发明内容

本发明的目的是提供一种融合HOG-LBP函数的交通信号灯检测方法，在保证算法速度的前提下，提高了算法的鲁棒性和识别准确率。

本发明所采用的技术方案是，一种融合HOG-LBP的信号交通灯检测方法，具体按以下步骤实施：

步骤1，输入训练样本交通信号灯图像；

步骤2，分别提取步骤1中训练样本图像的HOG特征和LBP特征；

步骤3，对经过步骤2后提取的图像的HOG特征和LBP特征进行PCA+LDA降维；

步骤4，对经过步骤3得到的降维后的HOG特征和LBP特征进行特征融合，得到HOG-LBP特征；

步骤5，根据经步骤4得到的图像的HOG-LBP特征放入支持向量机SVM算法中训练，获得SVM交通信号灯分类器；

步骤6，通过步骤5得到的SVM分类器对图像进行检测。

本发明的特点还在于：

其中步骤1中，输入训练样本交通信号灯图像后，需判断样本图片是否是灰度图像，若不是，将图像转化为灰度图像；

其中步骤2中HOG特征提取过程主要包括：

图像归一化、计算梯度、基于梯度幅度的方向权重投影和特征向量归一化几个部分，具体计算过程如下：

假定候选区域的大小为80×64，设置block块的大小8×8，则候选区域共包含80个不重叠的block块；

首先在每个block块上计算其梯度方向和幅值，采用简单的中心对称算子[－1，0，1]计算梯度，如下式所示：

式中，I(x，y)是图像点(x，y)的像素值，θ(x，y)为该点的梯度方向，m(x，y)对应为该点的幅度值；

然后设置cell大小为4×4，在每个block内按cell大小统计梯度直方图，应用梯度的幅值进行规定权重投影；

对于每个重叠block内的cell进行对比度归一化；