技術(shù)特征：

1.一種基于FHOG-LBPH特征的圖像行人識(shí)別方法，其特征在于：

具體實(shí)現(xiàn)步驟如下：

步驟一：FHOG特征提取。計(jì)算FHOG描述子是一個(gè)將區(qū)域特征相互疊加的過程，目標(biāo)區(qū)域通過細(xì)胞單元?jiǎng)澐譃楦鱾€(gè)小區(qū)域，各個(gè)小區(qū)域組合成一個(gè)塊單元，F(xiàn)HOG特征即各個(gè)區(qū)域特征的組合。

FHOG描述子用來計(jì)算局部圖像梯度的方向信息的統(tǒng)計(jì)值，描述局部目標(biāo)的表象和形狀，表征出行人的輪廓信息。FHOG特征提取包括：灰度空間歸一化、梯度計(jì)算、梯度方向直方圖、重疊塊直方圖歸一化、生成FHOG特征。

步驟二：LBPH特征提取。由于步驟一的特征描述是行人輪廓邊緣信息，較多地忽略了平坦的表面，導(dǎo)致分類器對于嘈雜的邊緣信息的處理能力和魯棒性較差。由此引入一種有效的紋理描述子(LBPH)，它提取和度量了灰度圖中局部鄰近區(qū)域的紋理特征。LBPH特征提取包括：LBP特征圖像計(jì)算、LBP特征圖像分塊、直方圖歸一化、計(jì)算LBPH特征向量。

由于紋理特征比較穩(wěn)定，不易受背景顏色和光照的影響，有助于圖像的區(qū)分，從而提高行人檢測的準(zhǔn)確率。

步驟三：FHOG-LBPH特征融合。將步驟一與步驟二得到的FHOG特征與LBPH特征串聯(lián)起來形成一幅圖像的特征來檢測行人。FHOG-LBPH融合特征整體提高了分類器的魯棒性。

步驟四：行人識(shí)別。利用SVM對步驟三提取的訓(xùn)練樣本特征進(jìn)行訓(xùn)練獲得分類器，通過該分類器對測試數(shù)據(jù)集進(jìn)行檢測，從而判斷圖像是否是行人。

2.一種基于FHOG-LBPH特征的圖像行人識(shí)別方法，其特征在于：

步驟一中所述的FHOG特征提取，具體步驟如下：

步驟1.1，采用Gamma法對輸入圖像進(jìn)行歸一化。

其中，I(x,y)表示當(dāng)前像素的灰度值。目的在于調(diào)節(jié)圖像的對比度，降低圖像局部的陰影和光照變化所造成的影響，同時(shí)可以抑制噪聲的干擾。

步驟1.2，像素梯度計(jì)算。

FHOG特征的計(jì)算對模板算子非常敏感，經(jīng)過對比發(fā)現(xiàn)，最簡單的一維離散微分模板(-1，0，+1)及其轉(zhuǎn)置在水平和垂直兩個(gè)方向上對圖像各個(gè)像素進(jìn)行梯度計(jì)算取得的檢測效果最好。計(jì)算過程如下：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

ω(x,y)＝tan^-1(G_y(x,y)/G_x(x,y))

G_x(x,y)，G_y(x,y)分別為當(dāng)前像素點(diǎn)的水平梯度和垂直梯度；G(x,y)為當(dāng)前像素點(diǎn)的梯度幅值；ω(x,y)為當(dāng)前像素點(diǎn)的梯度方向。

將梯度方向限定在[0，π]的范圍內(nèi)，并將梯度方向等分成9個(gè)區(qū)間，然后利用該方向上的幅值對每一個(gè)區(qū)間做加權(quán)統(tǒng)計(jì)直方圖。

步驟1.3，塊內(nèi)歸一化。把圖像分為相同大小的cell和Block；與HOG每個(gè)cell提取36維特征不同，F(xiàn)HOG每個(gè)cell提取31維特征并對31維特征向量進(jìn)行歸一化。

歸一化的目的是進(jìn)一步消除光照、陰影的影響：

其中，和v_i分別表示初始和歸一化后的每個(gè)像素的梯度值，ε是一個(gè)常量，取值為0.001。

步驟1.4，獲取FHOG特征。采用滑動(dòng)窗口搜索法，按照步驟1.3中的歸一化方法對每個(gè)Block進(jìn)行歸一化，把每個(gè)歸一化后Block內(nèi)的特征向量串聯(lián)起來，從而得到最終的特征向量。

3.一種基于FHOG-LBPH特征的圖像行人識(shí)別方法，其特征在于：

步驟二中所述的LBPH特征提取，具體步驟如下：

步驟2.1，計(jì)算圖像的LBP特征圖像(旋轉(zhuǎn)不變等價(jià)模式的LBP值)；

步驟2.2，將LBP特征圖像進(jìn)行分塊；

步驟2.3，計(jì)算每塊區(qū)域特征圖像的直方圖，將直方圖進(jìn)行歸一化；

步驟2.4，將上面計(jì)算的每塊區(qū)域特征圖像的直方圖按分塊的空間順序依次排列成一行，形成LBPH特征向量。

4.一種基于FHOG-LBPH特征的圖像行人識(shí)別方法，其特征在于：

步驟三中所述的FHOG-LBPH特征融合，具體步驟如下：

由于到FHOG特征維數(shù)較高，忽略了平坦的表面，使得分類器的魯棒性較差，因此用選擇后的FHOG特征與LBPH特征進(jìn)行融合的方法來檢測行人，融合方法為：將步驟一與步驟二得到的FHOG特征與LBPH特征串聯(lián)起來形成一幅圖像的特征來檢測行人。其中，提取FHOG特征時(shí)cell大小為8×8，padding大小為1×1，整幅圖像的FHOG特征為10×18×31維；提取LBPH特征時(shí)cell大小為8×8，每塊區(qū)域統(tǒng)計(jì)9個(gè)直方圖，整幅圖像提取12×20×9維特征。