一種目標特征檢測方法及裝置制造方法
【專利摘要】本發明適用于計算機視覺【技術領域】，提供了一種目標特征檢測方法及裝置，所述方法包括：在視頻幀中提取局部二值模式LBP特征描述符；根據預設的簡化算法，在所述視頻幀中提取梯度方向直方圖HOG特征描述符；根據所述LBP特征描述符和所述HOG特征描述符，通過支持向量機SVM分類器識別出所述目標。本發明根據預設的簡化算法，提取視頻幀的LBP特征描述符和HOG特征描述符，組合成HOG_LBP特征描述符，并將該HOG_LBP特征描述符輸入SVM分類器，以識別出該視頻幀中特定的目標，所述方法適合應用于FPGA硬件電路，以滿足實時檢測的要求，提高了目標特征檢測的計算速度。
【專利說明】一種目標特征檢測方法及裝置
【技術領域】
[0001] 本發明屬于計算機視覺【技術領域】，尤其涉及一種目標特征檢測方法及裝置。
【背景技術】
[0002] 近年來，實時監控在智能交通和安防等領域得到了越來越廣泛的應用。例如，車載 視頻監控系統能夠及時發現行人并提醒司機注意，以減少發生交通事故；在居民小區和交 通道口安裝監控攝像機，記錄經過的行人和車輛等。這些應用對視頻數據的實時處理速度、 存儲容量和視頻數據檢索的準確性都提出了很高的要求，由此，目標檢測和跟蹤成為計算 機視覺【技術領域】的熱點和難點問題。
[0003] 傳統的目標檢測是采用梯度方向直方圖（Histogram of Oriented Gradient, HOG)對目標進行特征提取，但是當背景非常嘈雜零亂時，檢測的準確性會降低。而在圖像 的紋理特征方面，通常采用局部二值模式（Local Binary Pattern，LBP)對目標進行特征提 取。將HOG與LBP結合對目標進行特征提取，可以提高檢測精度，但是由于計算的復雜度較 高，難以達到實時檢測的要求。
【發明內容】
[0004] 本發明的目的在于提供一種目標特征檢測方法，旨在提高目標特征檢測的計算速 度。
[0005] 本發明是這樣實現的，一種目標特征檢測方法，包括：
[0006] 在視頻幀中提取LBP特征描述符；
[0007] 根據預設的簡化算法，在所述視頻幀中提取HOG特征描述符；
[0008] 根據所述LBP特征描述符和所述HOG特征描述符，通過支持向量機SVM分類器識 別出所述目標。
[0009] 本發明的另一目的在于提供一種目標特征檢測裝置，包括：
[0010] LBP特征描述符提取模塊，用于在視頻幀中提取LBP特征描述符；
[0011] HOG特征描述符提取模塊，用于根據預設的簡化算法，在所述視頻幀中提取所述 HOG特征描述符；
[0012] 識別模塊，用于根據所述LBP特征描述符和所述HOG特征描述符，通過支持向量機 SVM分類器識別出所述目標。
[0013] 在本發明中，根據預設的簡化算法，提取視頻幀的LBP特征描述符和HOG特征描 述符，組合成H0G_LBP特征描述符，并將該H0G_LBP特征描述符輸入支持向量機（Support Vector Machine，SVM)分類器，以識別出該視頻幀中特定的目標，所述方法適合應用于現場 可編程門陣列（Field Programmable Gate Array, FPGA)硬件電路，以滿足實時檢測的要 求，提高了目標特征檢測的計算速度。
【專利附圖】
【附圖說明】
[0014] 圖1是本發明實施例適用的系統結構；
[0015] 圖2是本發明實施例提供的一種目標特征檢測方法的實現流程圖；
[0016] 圖3是本發明實施例提供的提取LBP特征描述符的示意圖；
[0017] 圖4是本發明實施例提供的一種擴展的LBP示意圖；
[0018] 圖5是本發明實施例提供的從視頻流中提取3*3像素點單元的流水線結構示意 圖；
[0019] 圖6是本發明實施例提供的計算LBP直方圖的硬件電路設計示意圖；
[0020] 圖7是本發明實施例提供的一種目標特征檢測方法中將運動物體與背景分離的 具體實現流程圖；
[0021] 圖8是本發明實施例提供的提取HOG特征描述符時采用8個票箱對應于區間 -f <θ<|·平均劃分的示意圖；
[0022] 圖9是本發明實施例提供的9個單元Cj(l、Cp Cj2、. . .、Cj8構成塊Bj的示意圖；
[0023] 圖10是本發明實施例提供的一種目標特征檢測裝置的結構框圖。
【具體實施方式】
[0024] 為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對 本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并 不用于限定本發明。
[0025] 在本發明實施例中，根據預設的簡化算法，提取視頻幀的LBP特征描述符和HOG 特征描述符，組合成H0G_LBP特征描述符，并將該H0G_LBP特征描述符輸入SVM分類器，以 識別出該視頻幀中特定的目標，所述方法適合應用于FPGA硬件電路，以滿足實時檢測的要 求，提高了目標特征檢測的計算速度。
[0026] 在本發明實施例中，目標特征檢測適用于如圖1所示的系統結構，處理流程為：輸 入彩色視頻，并將其轉換為灰度圖像，對灰度圖像均衡化和行緩沖后，并行提取LBP特征描 述符和提取HOG特征描述符。在FPGA硬件電路中，提取LBP特征描述符和提取HOG特征描 述符兩部分的運算是并行進行的，但由于這兩部分采用的流水線級數不同，兩部分的運算 結果不能同時得到，可以通過延時調整，使兩部分的運算結果在時間上同步，然后組成H0G_ LBP特征描述符，通過SVM分類器進行識別。
[0027] 圖2示出了本發明實施例提供的一種目標特征檢測方法的實現流程，詳述如下：
[0028] 在步驟S201中，在視頻幀中提取LBP特征描述符。
[0029] LBP特征描述符可以用來描述圖像的紋理。對于視頻幀的灰度圖G，位于坐標（X， y)處的像素灰度值用G(x，y)表示。對于每個像素點，將該像素點作為中心像素點，與領域 的N個像素點的灰度值按照順時針方向進行比較，并將比較結果二值化，得到該中心像素 點的LBP值。
[0030] 如圖3所示的示意圖，提取LBP特征描述符即以中心像素點的灰度值為閾值，與領 域的N個像素點的灰度值按照順時針方向進行比較，圖3中N為8。灰度值大于閾值的領域 像素點處為1，否則為〇,得到一個8位的二進制數，并映射為相應的十進制數，得到該中心 像素點的LBP值。上述過程亦可由LBP值的計算式表達如下 ：
【權利要求】
1. 一種目標特征檢測方法，其特征在于，所述方法包括： 在視頻峽中提取局部二值模式LBP特征描述符； 根據預設的簡化算法，在所述視頻峽中提取梯度方向直方圖HOG特征描述符； 根據所述LBP特征描述符和所述HOG特征描述符，通過支持向量機SVM分類器識別出 所述目標。
2. 如權利要求1所述的方法，其特征在于，所述在視頻峽中提取LBP特征描述符包括： W預設的單元結構提取所述LBP特征描述符； 所述預設的簡化算法包括： 采用所述預設的單元結構提取所述HOG特征描述符。
3. 如權利要求1所述的方法，其特征在于，所述預設的簡化算法包括： 將提取所述HOG特征描述符時梯度方向角的計算簡化為梯度在水平方向和垂直方向 的幅值的比較。
4. 如權利要求1所述的方法，其特征在于，所述預設的簡化算法包括： 將提取所述HOG特征描述符時的票箱個數減少為預設的票箱個數。
5. 如權利要求1?4任一項所述的方法，其特征在于，所述方法還包括： 獲取所述視頻峽的背景模型，所述背景模型基于所述LBP特征描述符得到； 基于所述背景模型，將所述視頻峽中的運動物體與背景分離，確定所述運動物體覆蓋 的像素點； 所述預設的簡化算法包括： 在所述運動物體覆蓋的像素點處提取所述HOG特征描述符。
6. -種目標特征檢測裝置，其特征在于，所述裝置包括： LBP特征描述符提取模塊，用于在視頻峽中提取LBP特征描述符； HOG特征描述符提取模塊，用于根據預設的簡化算法，在所述視頻峽中提取所述HOG特 征描述符； 識別模塊，用于根據所述LBP特征描述符和所述HOG特征描述符，通過支持向量機SVM 分類器識別出所述目標。
7. 如權利要求6所述的裝置，其特征在于，所述LBP特征描述符提取模塊包括；W預設 的單元結構提取所述LBP特征描述符； 所述HOG特征描述符提取模塊包括： 采用所述預設的單元結構提取所述HOG特征描述符。
8. 如權利要求6所述的裝置，其特征在于，所述HOG特征描述符提取模塊包括： 將提取所述HOG特征描述符時梯度方向角的計算簡化為梯度在水平方向和垂直方向 的幅值的比較。
9. 如權利要求6所述的裝置，其特征在于，所述HOG特征描述符提取模塊包括： 將提取所述HOG特征描述符時的票箱個數減少為預設的票箱個數。
10. 如權利要求6?9任一項所述的裝置，其特征在于，所述裝置還包括： 背景獲取子模塊，用于獲取所述視頻峽的背景模型，所述背景模型基于所述LBP特征 描述符得到； 運動物體分離子模塊，用于基于所述背景模型，將所述視頻峽中的運動物體與背景分 離，確定所述運動物體覆蓋的像素點； 所述HOG特征描述符提取模塊包括： 在所述運動物體覆蓋的像素點處提取所述HOG特征描述符。
【文檔編號】G06K9/62GK104463186SQ201310421787
【公開日】2015年3月25日 申請日期:2013年9月16日 優先權日:2013年9月16日
【發明者】王非 申請人:深圳市邁瑞思智能技術有限公司