李嘉懿， 戴声奎， 定志锋

（国立华侨大学 信息科学与工程学院，福建 厦门 361021）

0 引言

人体检测的关键问题是如何选择和提取行人的显著性特征。

在早期的研究中，边缘特征[1]经常被使用。Gavrila和 Philomin[2]选取边缘模板为特征，将边缘图像和模板数据集进行倒角距离的比较，并做了实验，结果表明，边缘特征受背景杂波影响较大，检测能力不是很健壮；哈尔(Haar)特征应用在人脸检测卓有成效，并越来越多的应用在人体检测。Viola[3]等人将哈尔特征使用到检测监视系统中的运动人体，并结合级联分类器，提高检测率；最近几年来，基于梯度方向直方图（HOG，Histograms of Oriented Gradient)特征备受关注。Dalal和 Triggs[4]提出了HOG特征，并且采用SVM分类器对HOG特征进行训练和分类，人体检测的准确度得到显著提升。Zhu等人[5]在Dalal等人的基础上，结合了AdaBoost与HOG特征，取得较好的检测结果。但由于HOG计算的复杂性导致使用 HOG特征的人体检测无法实现实时，因此局部二值纹理模式（LBP[6-7]，Local Binary Patterns）特征成为另一种有效的人体特征描述算子。LBP度量和提取图像局部的纹理信息，对光照具有不变性。LBP是典型的结构与统计相结合的纹理分析方法。

以人体轮廓特性的强度、方向、宽度、结构、连续性等属性为出发点，将人体轮廓的梯度特性和结构特性有机结合，提出一种基于脊模型的局部显著性特征提取方法。该特征提取方法以Sobel和LBP为基础，使用改进的LBP和简化的梯度方向直方图作为局部显著性特征。

1 局部显著性脊模型

结合HOG[8]和LBP，为了描述人体轮廓的显著性，提出结合了梯度和结构的局部显著性特征的脊模型，如图1所示。……