无源滤波器设计软件(gabor滤波代码)

魁首哥

作者

针对实际监控中人体目标轮廓的多尺度特性，提出一种用于人体目标检测的多尺度方向特征描述子(HOGG)。首先采用Gabor滤波器提取人体图像对应不同尺度、不同方向的多个Gabor幅值域图谱，然后将相同尺度不同方向的幅值域图谱融合以降低特征维数，并对每幅融合图像提取梯度方向直方图(HOG)特征，最后将这些HOG特征联合起来作为人体图像表征。利用支持向量机(SVM)对描述特征进行分类，在CAVIAR数据库中进行了实验，结果表明，该算法对人体目标检测具有较好的性能。

人体检测被广泛地用于计算机视觉领域，如公共安全、智能机器人、视觉监控、行为分析等［1］。目前人体检测多采用基于统计分类的方法，常用Gabor小波变换和Haar小波变换提取人体特征。DALAL N［2］等人提出梯度直方图(Histograms of Oriented Gradient，HOG)，利用图像块内的方向统计进行人体检测，对解决局部形变与视角变化等问题，该检测算法具有较高的精度。Mu Yadong［3］等人将局部二值模式(Local Binary Patterns，LBP)作为人体特征描述算子，具有旋转不变性和光照不变性，是一种有效的描述特征。Wang Xiaoyu［4］等人提出了HOG与LBP相结合的算法，达到两种特征互补的效果，对解决人体检测中部分遮挡问题有显著的提高。

上述轮廓特征一般都是在固定尺度上计算，没有考虑实际监控中复杂背景下人体目标轮廓的多尺度特性，当这些算法应用到真实场景中时，其性能会急剧下降。本文提出一种Gabor变换与HOG特征相结合的人体检测算法(简称HOGG)，利用Gabor变换多方向多尺度的特性，增强了人体的轮廓信息。该方法首先对图像进行规一化处理，然后使用Gabor滤波器提取图像多尺度、多方向的幅值域图谱，并将同尺度不同方向幅值域图谱融合以降低特征维数，最后按顺序提取各个尺度上融合图谱的HOG特征，串接组成整幅图像的描述特征。在CAVIAR数据库下的大量实验表明，该方法能较好地提取人体描述特征，有较高的检测率。

在提取人体Gabor特征之前需要对图像进行规一化处理，本文实验中所用人体图像为灰度图像，大小为32×64像素。为了获取多尺度的Gabor特征，选取5个尺度和8个方向的Gabor滤波器组，则一幅人体图像的多尺度、多方向特征表示为：

通过Gabor变换后，每幅图像会转化成40个不同尺度与方向的图像，特征维数为原图像的40倍，造成特征数据冗余，增加了计算的复杂度。本文将Gabor特征同一尺度不同方向的特征进行融合，有效地降低了Gabor特征间的数据冗余，保持了有效的决策信息，并可以对人体图像进行多尺度分析。

2HOGG描述子

本文对融合图像进一步提取HOG特征，并将其联合起来作为人体图像的HOGG表征。HOGG的构建过程主要分为以下几个步骤:

(1)计算梯度幅值和方向

利用一阶模板算子(-1,0,1)分别从横向和纵向对融合图像进行梯度提取操作，求得融合图像的梯度图像。

(2)构建梯度方向直方图

把梯度图像分成同等大小的正方形小块(block)，这些小块是相互重叠的并且每个小块被分为更小的正方形单元(cell，n×n像素)。利用梯度幅值和梯度方向在每个单元中进行直方图投票，其中梯度方向作为直方图投票区间，而梯度幅值作为直方图投票权重，这样对于每个小块(block)都能得到一个维度为m×m×b的直方图向量。

(3)梯度强度归一化

以block为单位进行L2norm标准化，减少局部光照以及前景、背景对比度的变化对直方图特征的影响。设vn是对应的block向量，则标准化的向量fn为：

其中：ξ为接近0的正数。

(4)形成特征向量

把一幅融合图像的所有块中的HOG特征连接起来就得到了该融合图像的HOG特征。再将各尺度融合图像的HOG顺接起来作为一幅人体图像的HOGG描述子。

3实验分析

3.1实验环境与数据库

在Core(TM)2.00 GHz的CPU，2.00 GB内存，Windows下MATLAB R2010a的计算机上进行仿真实验。实验采用MIT和INRIA数据库作为训练集，包括1 126个正样本与1 218个负样本；采用CAVIAR［5］数据库作为测试集。

3.2实验步骤

本文采用滑动窗口方式获取检测窗口，用HOGG描述子对检测窗口进行描述，再利用支持向量机［6］进行判别。由于在检测过程中，对同一个人体进行多重检测会直接导致计算效率下降。为此，本文将检测窗口从大到小进行遍历。在遍历过程中，如果待测区域已经被标记为人体，则跳过该区域。

3.3实验结果与分析

Gabor能对图像进行多尺度、多方向的分解，实验首先研究不同尺度数对检测算法的影响。从CAVIAR四个序列中各随机选取200张图片作为测试集。实验结果如表1所示。