一种基于Haar和HoG特征的前车检测方法技术

本发明专利技术公开了一种基于Haar和HoG特征的前车检测方法：1）人工选取出大量车辆图片和非车辆图片作为训练集的正、负样本，并将正、负样本规格化到24×24像素下；2）使用Haar特征和HoG特征分别对规格化后的每一幅正、负样本进行表征，形成特征向量；3）针对Haar特征和HoG特征形成的两种特征向量分别构建弱分类器；4）利用级联的Adaboost算法对弱分类器进行训练，得到级联车辆强分类器；5）针对车载摄像头获得的前方道路视频图像，将其中各种尺寸、各种位置的子图像输入级联车辆强分类器中进行判断，将判断为车辆的子图像所在判断为前方车辆。本发明专利技术是一种实时性好、鲁棒性高的道路前车检测方法，对保障车辆安全行驶，保护人身和财产的安全有着积极的影响。

【技术实现步骤摘要】

本专利技术属于模式识别领域，涉及汽车主动安全领域，具体的涉及ー种基于Haar和HoG特征的前车检测方法。
技术介绍
伴随着城市化的进展和汽车的普及，交通事故的发生剧增，并造成了大量的人员伤害和经济损失。如何保障好车辆在公路上的安全、快速的行驶，避免追尾等交通事故的发生，成为汽车领域的重要课题。汽车主动安全的概念应运而生，而道路上的前车检测已成为汽车主动安全研究的一个热点。 目前，常用的前车检测方法主要包括基于特征的方法和基于模型的方法两大类。基于特征的方法又称为基于知识的方法，它是运动车辆检测最常用的方法，通过对车辆局部或整体某些特征的确认来检测车辆。前方运动车辆在视觉图像中表现出ー些明显的特征，主要包括形状特征，例如车辆尾部形状大体呈矩形，并且满足一定的长宽比例；边界特征，例如后车厢底部及车底阴影的水平线、车辆尾部左右两侧的竖直边界；対称性特征以及位置特征等。但是直接利用以上列出的一种或几种特征去检测前方运动车辆，很容易受到道路、天空、树木等周围环境因素的影响，容易造成车辆的误检和漏检。基于模型的方法就是为车辆建立ニ维或三维模型，通过在图像中进行模型匹配来实现运动车辆的检测。但由于车型多种多样，车辆的姿态在行驶过程中也会发生改变，从而使车辆表现出各种不同的形状，很难建立统ー的模型来对其进行描述。同时，基于模型的检测方法对车辆模型的依赖性过大，一旦模型匹配失败则无法正确识别出运动车辆，而建立精细的车辆模型虽可以提高匹配的精度，但势必造成匹配过程中计算量的成倍増加，难以满足实时性的要求。因此，研究一种实时性好、鲁棒性高的道路前车检测方法，对保障车辆安全行驶，保护人身和财产的安全有着积极的影响。
技术实现思路
为克服现有技术中的不足，本专利技术g在提供。该方法对道路前方车辆局部遮挡，光照变化具有很强的鲁棒性。为实现上述技术目的，达到上述技术效果，本专利技术通过以下技术方案实现 ，其包括以下步骤 步骤I)人工选取出大量车辆图片和非车辆图片作为训练集的正、负样本，并将正、负样本规格化到24 X 24像素下； 步骤2)使用Haar特征和HoG特征分别对规格化后的每一幅正、负样本进行表征，形成特征向量；步骤3)针对Haar特征和HoG特征形成的两种特征向量分别构建弱分类器； 步骤4)利用级联的Adaboost算法对弱分类器进行训练，得到级联车辆强分类器；步骤5)针对车载摄像头获得的前方道路视频图像，将其中各种尺寸、各种位置的子图像输入级联车辆强分类器中进行判断，将判断为车辆的子图像所在判断为前方车辆。与现有技术相比，本专利技术具有以下有益效果 本专利技术是一种实时性好、鲁棒性高的道路前车检测方法，对保障车辆安全行驶，保护人身和财产的安全有着积极的影响。上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段，并可依照说明书的内容予以实施，以下以本专利技术的较佳实施例并配合附图详细说明如后。本专利技术的具体实施方式由以下实施例及其附图详细给出。附图说明 此处所说明的附图用来提供对本专利技术的进ー步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中 图I是本专利技术基于Haar和HoG特征的前车检测方法的系统的结构示意图。图2是本专利技术基于Haar和HoG特征的前车检测方法流程图。具体实施例方式下面将參考附图并结合实施例，来详细说明本专利技术。參见图I所示为ー种基于Haar和HoG特征的前车检测系统，将车载摄像机B捕捉到的道路区域C的视频图像送入到嵌入式车辆检测仪A，嵌入式车辆检测仪A利用本专利技术基于Haar和HoG特征的前车检测方法所训练的级联的车辆强分类器来实时的对车辆进行检測。如果检测到前方道路上有车辆，将在车载显示屏上用ー个正方形白框实时标出。參见图2所示，，其包括以下步骤 步骤I)人工选取出大量车辆图片和非车辆图片作为训练集的正、负样本，并将正、负样本规格化到24 X 24像素下； 步骤2)使用Haar特征和HoG特征分别对规格化后的每一幅正、负样本进行表征，形成特征向量； 步骤3)针对Haar特征和HoG特征形成的两种特征向量分别构建弱分类器； 步骤4)利用级联的Adaboost算法对弱分类器进行训练，得到级联车辆强分类器；步骤5)针对车载摄像头获得的前方道路视频图像，将其中各种尺寸、各种位置的子图像输入级联车辆强分类器中进行判断，将判断为车辆的子图像所在判断为前方车辆。具体的包括以下实施步骤 O车辆和非车辆正负样本选取 使用车载摄像头拍摄并储存大量道路视频。拍摄条件包括各个时段和天气条件，如中午、傍晚、睛天、雾天以及雨天等。在这些视频中，人工截取出其中位于前方的车辆。截取出的车辆图片为正方形作为正样本，其中车辆中心位于图片正中车辆左右外边缘位于图片左右两侧。负样本的选取和正样本相类似，在道路视频中，人工截取出其中不是车辆的部分，如道路、天空、建筑物、行人以及交通标志等。截取出的非车辆图片仍然为正方形作为负样本。正负样本图片都被统ー规格化到24X24像素。本实施例中，共选取正样本3014个，负样本8319个。2)使用Haar特征对图像进行表征 Haar特征是一种在模式识别中使用的数字图像特征。它因为和Haar小波的形式相似性而被命名Haar特征。Haar特征最早由Papageorgiou在文章〃 A general framework forobject detection〃提出。ー个最基本的矩形Haar特征定义为ー个矩形区域内两类子区域的像素和之差，这两类子区域分别是矩形的左右部分，大小为矩形的一半。某个Haar特征计算公式为=(I) PMPfiB 公式(I)中,分别表示两类子区域,巧表示矩形区域内某个点,/(XjO表示图像中坐标为(X1J)点.Pi的灰度值。Viola和Jones对基本特征的基础上进行了扩展，提出了由3个和4个相邻矩形组成的Haar特征。在此基础上，Lienhart和Maydt提出了可旋转Haar特征，将原有特征扩展到45度方向。利用公式(I)直接对一幅图像所有Haar特征进行计算，计算量大。对此，Viola和Jones还提出了ー个快速计算方法。对应任意一幅需要计算的图像，他们建立了ー个和该图像尺寸一致的积分图像。该积分图像的任意ー个元素值等于原始图像位于该元素相同位置左上部分所有像素点灰度值之和。通过积分图，原始图像任意矩形区域内的像素点灰度值之和就可以表示为积分图中4个元素之间的代数关系。可以用下式表示(2) 公式(2)中，sum表示某个矩形区域的像素点灰度值之和，表示该矩形区域四个角点在积分图上对应相同坐标的元素点的值。这样，ー个基本的由两个矩形构成的Haar特征只需要使用6个点，而ー个三矩形Haar特征只需要使用8个点，大大节省了计算量。任ー个形式、尺度和位置确定的Haar特征在样本图像上的数学表现形式就是ー个数值，而一幅样本图像可提取多种形式、尺度和位置的Haar特征。本实施例中，每ー个24X24像素的样本都有形成ー个87941维的Haar特征向量。3)使用HoG特征对图像进行表征 方向梯度直方图(HoG :Histogram of oriented gradient)描述子是一种在计算机视觉和图像处理中本文档来自技高网...

【技术保护点】
一种基于Haar和HoG特征的前车检测方法，其特征在于，包括以下步骤：步骤1）？人工选取出大量车辆图片和非车辆图片作为训练集的正、负样本，并将正、负样本规格化到24×24像素下；步骤2）？使用Haar特征和HoG特征分别对规格化后的每一幅正、负样本进行表征，形成特征向量；步骤3）？针对Haar特征和HoG特征形成的两种特征向量分别构建弱分类器；步骤4）？利用级联的Adaboost算法对弱分类器进行训练，得到级联车辆强分类器；步骤5）？针对车载摄像头获得的前方道路视频图像，将其中各种尺寸、各种位置的子图像输入级联车辆强分类器中进行判断，将判断为车辆的子图像所在判断为前方车辆。

【技术特征摘要】

【专利技术属性】
技术研发人员：张为公，蔡英凤，王海，林国余，王东，
申请(专利权)人：东南大学，
类型：发明
国别省市：