浅析基于HSV特征和LBP特征的行人检测算法

      行人检测就是检测图像或视频中是否包含行 人，并根据检测出的行人给出其大小和位置信息， 是目前机器视觉领域的研究热点之一。行人检测 具有广泛的应用需求和经济价值，例如在车辆辅助 驾驶、智能视频监控、人体行为分析、虚拟现实中有广泛的应用，近年来也应用在航拍图像和受害者营 救等新兴领域中[1]。但是，由于行人具有非刚性特 征，行人图像受身材、姿态、衣着以及拍摄时的视 角、光照等因素的影响，再加上复杂的背景和拍摄 时摄像机自身的移动，其图像之间存在着极大的变 化。因此，行人检测问题一直是机器视觉领域的研究难点。

     颜色特征是在图像检索中应用最为广泛的视觉特征，主要原因在于颜色往往和图像中所包含的 物体或场景十分相关。此外，与其他的视觉特征相 比，颜色特征对图像本身的尺寸、方向、视角的依赖 性较小，从而具有较高的鲁棒性[。

     为了分析图像纹理特征，芬兰奥卢（Oulu)大 学的Ojala 了等人于1996年提出了 LBP(Local BinaryPattern)描述子，这是一种描述图像局 部空间结构的非参数算子，在纹理分类中具有很强 的区分能力。在纹理分析方面，LBP算子是非常 有效的纹理描述符，它有以下主要优点：1) LBP 算子的灰度尺度不随任何单一变换而变化；（2)计 算速度快；（3)在应用过程中不需要对它的分布进 行预先假设。但是，LBP算子在图像比较模糊或 者光照变化强烈等成像条件较差时，不能有效地刻 画出纹理特征。

       在 2005 年，DalalN 和 TTriggs B 等人[]提出了 梯度直方图 HOG(HistogramofOrientedGradients