一种基于增长型极限学习机的车辆检测方法技术

本发明专利技术公开了一种基于增长型极限学习机的车辆检测方法，包括S1训练增长型极限学习机，S2采用已训练增长型极限学习机对车辆进行检测识别。本发明专利技术采用选择搜索的方法进行区域划分，采用HOG特征作为区域的特征，采用增长型极限学习机作为分类器，在保证识别率的同时提高系统的识别速度，此外由于增长型极限学习机的优越性能，使得系统的训练阶段耗时很短。

【技术实现步骤摘要】
一种基于增长型极限学习机的车辆检测方法
本专利技术涉及道路安全领域，具体涉及一种基于增长型极限学习机的车辆检测方法。
技术介绍
科技和经济的发展推动着交通工具的革新。汽车的诞生给人类的生活出行带来极大的便利。然而汽车也给人类的生活带来纷繁的问题，如交通安全、交通拥挤和环境污染等。特别是在交通安全方面，交通事故给人们的生命和财产造成巨大损失。例如，2015年，光在我国就发生了10597358起交通事故，死亡人数大约68432人，所占总死亡人数的百分比为1.5％。如何减少交通事故发生概率，提高道路安全成为了大家关注的问题。计算机性能的飞速提高，为基于视觉的车辆检测技术的发展带了蓬勃的生机。虽然目前有不少基于视觉的车辆检测方法被提出，但是现有的方法大部分仍存在着许多问题。如车辆检测的准确率低，系统运行速度慢，无法做到实时，需要大量时间进行分类器的训练，抗干扰能力不强等问题。这些问题的存在显然是不利于基于视觉的车辆检测技术运用到实际路况当中。
技术实现思路
为了克服现有技术中车辆检测的准确率不同，存在重大的误判情况且检测实时性差的不足，本专利技术提供一种基于增长型极限学习机的车辆检测方法。本专利技术采用如下技术方案：一种基于增长型极限学习机的车辆检测方法，包括如下步骤：S1训练增长型极限学习机；S2采用已训练增长型极限学习机对车辆进行检测识别。所述S1训练增长型极限学习机具体包括如下步骤：S1.1运用选择搜索的方法处理车辆样本图像，得到车辆样本的候选窗口集；S1.2筛选车辆样本的候选窗口集，并对候选窗口进行标记作为样本的标签，形成新的样本候选窗口集；S1.3提取新的样本候选窗口集的HOG特征作为训练增长型极限学习机的样本特征；S1.4训练增长型极限学习机。所述S2采用已训练增长型极限学习机对车辆进行检测设别，具体步骤为：S2.1采用摄像头采集车辆的RGB图像；S2.2运用选择搜索的方法处理RGB图像，得到候选窗口集；S2.3提取候选窗口集的HOG特征作为增长型极限学习机的输入；S2.4用已训练的增长型极限学习机进行车辆识别。所述S1.1运用选择搜索的方法处理车辆样本图像，得到车辆样本的候选窗口集，具体为：S1.1.1使用基于图的有效分割算法分割每一张车辆样本图像的RGB图像，得到原始分割区域R＝{r1,…,rn}，其中R为原始分割区域集，ri为第i个区域，n为原始分割区域数；S1.1.2初始化相似度集合统计每个区域每个颜色通道的26个区间的直方图，并对直方图做归一化操作，使每个区域具有一个78维的向量计算两两相邻区域之间的相似度sij，并添加到相似度集合S；S1.1.3从相似度集合S中找出最大的sij，将区域ri和区域rj合并成区域rt，从相似度集合S中除去原先与ri和rj相邻区域之间计算的相似度，计算rt与其相邻区域的相似度，将其结果添加的到相似度集合S中，同时将新区域rt添加到区域集合R中；S1.1.4重复S1.1.3步骤，直到相似度集合S为空集，从区域集合R中得到候选窗口集合L。所述S1.2筛选车辆样本的候选窗口集，并对候选窗口进行标记作为样本的标签，形成新的样本候选窗口集，具体步骤如下：S1.2.1为每个目标从候选窗口集合中选择一个恰好包含目标的候选窗口标记为正样本；S1.2.2从候选窗口集中选择与正样本窗口重叠20％到50％面积的候选窗口标记为负样本；S1.2.3从候选窗口集中剔除彼此重叠75％或以上面积的负样本以及剔除没有被标记的候选窗口，形成新的候选窗口集。所述S1.3提取新的样本候选窗口集的HOG特征作为训练增长型极限学习机的样本特征，具体步骤如下：S1.3.1将样本候选窗口集合的RGB图转换成灰度图；S1.3.2对灰度进行灰度变换；S1.3.3将灰度图分别与[-1,0,1]和[-1,0,1]T两个梯度算子卷积，得到图像Gx和Gy，然后计算梯度大小和方向；S1.3.4将候选窗口分成16个子窗口。将360度等分成18份，采用以梯度大小为权值的加权投影方式，分别得到16个子窗口的梯度方向直方图；S1.3.5将16个梯度方向直方图分别进行归一化并串联起来，得到288维的候选窗口HOG特征。所述S2.4用已训练的增长型极限学习机进行车辆识别，具体为：S2.4.1计算候选窗口HOG特征的隐含层输出，具体公式如下：其中H′为候选窗口HOG特征的隐含层输出矩阵，xj是第j个候选窗口的HOG特征，G(x)为隐含层节点的激励函数，本专利技术采用径向基函数，aj为第j个隐含层节点的输入权重，bj为j个隐含层节点的输入偏置，L为隐藏层节点数，m为候选窗口总数；S2.4.2计算并输出分类结果，具体公式如下：y＝H′*β其中y是基于已训练的增长型极限学习机的车辆检测结果，β是隐含层输出权重，H′为隐藏层输出矩阵。本专利技术的有益效果：(1)本专利技术采用选择搜索的方法快速有效进行车辆候选窗口提取；(2)本专利技术采用HOG特征作为候选窗口的特征向量，提高车辆检测的准确率；(3)本专利技术采用增长型极限学习机作为车辆检测的分类算法，优点具有无需人为设置难以确定的候选隐藏层节点数，训练速度快及准确率高等优点。附图说明图1是本专利技术的训练流程图；图2是本专利技术的选择搜索流程图；图3是本专利技术的HOG特征提取流程图；图4是本专利技术的增长型极限学习机训练流程图。具体实施方式下面结合实施例及附图，对本专利技术作进一步地详细说明，但本专利技术的实施方式不限于此。实施例如图1所示，一种基于增长型极限学习机的车辆检测方法，包括如下步骤：S1训练增长型极限学习机，具体包括如下：S1.1运用基于颜色相似度以及大小相似度的选择搜索的方法处理样本图像，样本图像主要是单目摄像头对路边车辆拍的RGB照片就可，如图2所示，S1.1.1使用基于图的有效图像分割算法分割每一张样本的RGB图像，得到原始分割区域R＝{r1,…,rn}。其中R为原始分割区域集，ri为第i个区域，n为原始分割区域数。S1.1.2初始化相似度集合统计每个区域每个颜色通道的26个区间的直方图，并对直方图做归一化操作，使每个区域具有一个78维的向量计算两两相邻区域之间的相似度sij，并添加到相似度集合S。相似度计算公式如下：sij＝coij+siij其中coij为区域ri和区域rj的颜色相似度，为区域ri向量的第k个分量，siij为区域ri和区域rj的大小相似度，size(ri)为区域ri的像素点个数，size(im)为整幅图的像素点个数，sij为区域ri和区域rj的相似度。S1.1.3从相似度集合S中找出最大的sij，将区域ri和区域rj合并成区域rt，从相似度集合S中除去原先与ri和rj相邻区域之间计算的相似度，计算rt与其相邻区域的相似度，将其结果添加的到相似度集合S中。同时将新区域rt添加到区域集合R中。S1.1.4重复步骤S1.1.3，直到相似度集合S为空集，从区域集合R中得到候选窗口集合L。S1.2筛选车辆样本的候选窗口集，并对候选窗口进行标记作为样本标签，形成新的样本候选窗口集，具体步骤如下：S1.2.1从候选窗口集中选择一个恰好包含目标的候选窗口标记为正样本；S1.2.2从候选窗口集中提出彼此重叠75％或以上面积的负样本以及剔除没有被标记的候选窗口，形成新的候选窗口集。S1.3提取样本候选窗口的HOG特征本文档来自技高网...

【技术保护点】
一种基于增长型极限学习机的车辆检测方法，其特征在于，包括如下步骤：S1训练增长型极限学习机；S2采用已训练增长型极限学习机对车辆进行检测识别。

【技术特征摘要】
1.一种基于增长型极限学习机的车辆检测方法，其特征在于，包括如下步骤：S1训练增长型极限学习机；S2采用已训练增长型极限学习机对车辆进行检测识别。2.根据权利要求1所述的车辆检测方法，其特征在于，所述S1训练增长型极限学习机具体包括如下步骤：S1.1运用选择搜索的方法处理车辆样本图像，得到车辆样本的候选窗口集；S1.2筛选车辆样本的候选窗口集，并对候选窗口进行标记作为样本的标签，形成新的样本候选窗口集；S1.3提取新的样本候选窗口集的HOG特征作为训练增长型极限学习机的样本特征；S1.4训练增长型极限学习机。3.根据权利要求1所述的车辆检测方法，其特征在于，所述S2采用已训练增长型极限学习机对车辆进行检测设别，具体步骤为：S2.1采用摄像头采集车辆的RGB图像；S2.2运用选择搜索的方法处理RGB图像，得到候选窗口集；S2.3提取候选窗口集的HOG特征作为增长型极限学习机的输入；S2.4用已训练的增长型极限学习机进行车辆识别。4.根据权利要求2所述的车辆检测方法，其特征在于，所述S1.1运用选择搜索的方法处理车辆样本图像，得到车辆样本的候选窗口集，具体为：S1.1.1使用基于图的有效分割算法分割每一张车辆样本图像的RGB图像，得到原始分割区域R＝{r1,…,rn}，其中R为原始分割区域集，ri为第i个区域，n为原始分割区域数；S1.1.2初始化相似度集合统计每个区域每个颜色通道的26个区间的直方图，并对直方图做归一化操作，使每个区域具有一个78维的向量计算两两相邻区域之间的相似度sij，并添加到相似度集合S；S1.1.3从相似度集合S中找出最大的sij，将区域ri和区域rj合并成区域rt，从相似度集合S中除去原先与ri和rj相邻区域之间计算的相似度，计算rt与其相邻区域的相似度，将其结果添加的到相似度集合S中，同时将新区域rt添加到区域集合R中；S1.1.4重复S1.1.3步骤，直到相似度集合S为空集，从区域集合R中得到候选窗口集合L。5.根据权利要求2所述的车辆检测方法，其特征在于，所述S1.2筛选车辆样本的候选窗口...

【专利技术属性】
技术研发人员：周智恒，劳志辉，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44