红外图像中人体目标检测技术研究

红外图像中人体目标检测技术研究

摘要：针对红外序列图像中人体目标检测问题，采用了基于特征点的特征区域提取方法，先用FAST算法快速提取特征点，然后基于提取出的特征点，使用LBP算法提取特征区域，在得到感兴趣的特征区域(ROI 区域)后，用对ROI区域进行基于离散小波变换的小波熵特征提取，并采用复合分类方法对ROI区域进行分类，利用此方法有效地将人体目标从红外序列图像中检测出来。

关键词：红外序列图像，FAST，CS-LBP，离散小波变换，SVM，Adaboost

Research on Pedestrian Detection in Infrared Images

Abstract:This paper presents a research on pedestrian detection in infrared images, based on key-points used FAST detector and multi-block LBP features. After locating the regions of interest (ROI), a novel human detection algorithm based on complex wavelet transform(CWT) of the wavelet entropy features is used to obtain more accurate target feature of human body. At last uses support vector machine (SVM) and Adaboost to classify the detected regions. Experimental results show that the proposed measure achieves successfully in pedestrian detection in infrared images. Key Words: Infrared Serial Images, FAST, CS-LBP, CWT, SVM, Adaboost

0 引言

由于红外图像对比度低、边缘模糊、信噪比低、噪声大和人体目标非刚体等特性，使得对红外图像进行人体目标检测难度较大。目前常用的运动目标检测方法背景减除法[1]、帧差法[2]、光流法[3]等，在摄像机不固定的情况下，基于背景的目标检测方法将变得十分困难，因此采用单帧图像分割的方法显得更加可行。

本文采用的红外序列图像中人体目标检测的方法是：(1)采用FAST(Features from Accelerated Segment Test)[4]算法，在单帧图像中进行特征点提取；(2)基于检测出的特征点，利用基于局部二值模型纹理特征(Local Binary Pattern, LBP)核函数的算法提取图像的局部特性，得到人体可能存在的感兴趣区域；(3)利用双密度双树小波变换和小波熵提取训练样本的特征信息，并采用模式识别方式对提取出的感兴趣区域(Regions of Internet，ROI)进行分类检测，得到人体目标所在区域。

1 基于特征点的人体目标区域初定位

图(1) 本文所采用的红外图像中人体目标检测方法及其效果

由于传统的基于视频的目标检测方法，在摄像机不固定的条件下，运算量过大且鲁

棒性较差，因此在此基于单帧图像进行人体目标检测。本文采用先提取红外图像中的特征点，然后在特征点的邻域内搜寻人体目标的方法进行人体目标区域提取。

1.1 基于FAST算法的特征点提取

FAST算法是一种运算简单的特征点检测方法，首先通过Segment-Test算法来定义特征点：如果图像中以某一个像素点p为中心，r为半径的一个Bresenham圆上，超过N个连续像素的亮度均超过像素p 某一阈值，或者低于像素p某一阈值，则该像素p 处存在一个特征角点。在应用时，为了减少所提取的特征点的数量，我们将相邻的特征点进行合并，如图(2)所示，左图为原红外图像，右图为对特征点进行空间近邻合并后的图像。

图(2) 原红外图像(左图)、提取出的特征点(右图)

1.2 基于CS-LBP算法的区域特性提取

LBP算法[5][6]首先是作为一种纹理操作

的算子提出来的，并且在很多计算机视觉领域得到了很成功的应用。

LBP算法根据每个像素与其邻域像素的相对差值来描述该像素的特性，因此对由光线条件变化导致的像素值变化有很强的鲁棒性。如果邻域像素的亮度值大于或等于中心像素的亮度值，则该邻域像素对应的属性取值为1，否则取值为0。CS-LBP算法[7]是比较圆周上每对中心对称的像素之间的亮度值，因此在CS-LBP中，需要做的比较次数相对LBP算法降低了一半。图像中位于()

,x y位置的像素CS-LBP值可根据其邻域信息计算如式(1)：

()()

()

/21

,,/2

,2

1,0

()

0,

N

i

R N T i i N

t

C S L B P x y s n n

t

s t

others

-

+

=

-=-

≥

⎧

=⎨

⎩

∑(1) 其中，T为一个很小的阈值。根据式(1)，

,,

R N T

C S LBP

-具有/2

2N个可能取值，因此

整个图像区域上的

,,

R N T

C S LBP

-值得统计直方图特征维数为/2

2N。在特征角点检测出来以后，需要在其周围确定一个图像区域，以根据该区域上的信息计算出用于描述该区域局部视觉特征向量。根据CS-LBP算法的原理，以该特征点为中心，以1为半径，比较其8邻域像素的灰度值，可计算出其LBP直方图，根据直方图特性可以提取出特征角点周围的特征区域，即所提取出的待选感兴趣区域(ROI)。图(3)、图(4)分别展示了所计算出的LBP直方图和提取出的ROI区域。