一种实时反馈更新的车辆检测方法技术

本发明专利技术公开了一种实时反馈更新的车辆检测方法，包括离线学习过程、实时检测过程和在线学习过程，先利用离线学习过程得到的离线强分类器对实时检测过程的第1~K帧图片进行分类，得到检测目标；在线学习过程根据得到检测目标截取样本，利用在线强分类器进行车辆检测，得到检测目标；在线学习过程不断对在线强分类器进行更新。与现有技术相比，本发明专利技术提高了检测的精度，降低误检，漏检的概率，在根据光照、天气状况变化的情况下，依然保持高准确率。

【技术实现步骤摘要】

本专利技术涉及车辆检测方法，特别涉及。
技术介绍
近年来，车辆增长的速度也已远远高于道路和其他交通设施的增长速度，交通事故频繁、人员伤亡与日俱增、财产损失巨大这都要求车辆不仅要具有良好的安全性而且要具备一定的智能性，随之智能车辆(Intelligent Vehicle)的概念应运而生。车辆检测是智能车辆研究领域中的重要组成部分，对于智能车辆的安全驾驶极为关键。目前国内外诞生的车辆检测器产品的种类很多，技术原理和实现方式各不相同，如有线圈检测、视频检测、微波检测、激光检测、声波检测、超声波检测、磁力检测、红外线检测等。其中的视频检测方法无需破坏路面，安装和维护比较方便，是目前车辆检测研究方向的热点。 视频检测技术是一种计算机视觉和图像处理技术，通过视频摄像机和计算机模仿人眼的功能，为实际应用提供实时交通信息的先进技术。在基于视频图像的检测技术中，机器学习方法由于识别性能高、鲁棒性好以及操作便捷而受到越来越多的关注。机器学习方法主要用于进行两类的分类识别目标物或非目标物。而目前应用于物体识别检测的主流的机器学习方法是AdaBoost方法，该方法在人脸检测领域已经获得成功应用。AdaBoost方法是由Freund和SchaPire于1995年提出的一种迭代方法，其基本思想是利用大量的分类能力一般的弱分类器(weakeclassifier)通过一定方法叠加(boost)起来,构成一个分类能力很强的强分类器，从而可以避免直接去找通常情况下很难获得的强学习算法。理论证明，只要每个弱分类器分类能力比随机猜测要好，弱分类器个数趋向于无穷时，强分类器的错误率将趋于零。目前基于AdaBoost方法的对象检测技术，是指从大量样本中提取出对象的特征，然后从这巨大的特征集合中找出能够表示对象的最优特征集，并将训练得到的特征转化为弱分类器的形式，再组合成强分类器，通过强分类器，可以从视频图像中将对象分类出来。AdaBoost的分类方法，虽然实时性较好，识别率高且误识别率低，但当训练样本规模非常大时，训练分类器所需时间过长，而且对训练样本的依赖非常大，在实时检测中容易出现漏检的情况，因为训练样本不可能包括所有的对象，也会因为天气，光照等状态的变化大大降低识别率。特征提取是车辆检测中一个非常重要的环节，目的是为了降低车辆图像的维数，通过提取的特征在图像中检测车辆。特征提取的方法主要有=Haar小波特征提取、Haar-Iike特征提取、PCA特征提取、ICA特征提取、Gabor特征提取等等。在车辆检测方面主要是采用Haar-Iike特征提取与AdaBoost方法相结合的形式。Haar-Iike特征提取方法利用构建好的Haar-Iike矩形特征库，并结合积分图像的方法可以快速的计算出每个特征，能够满足检测的实时性要求，然而在训练过程中必须从海量的Haar-Iike特征中选出最优的特征集是非常耗时的，一般要训练出完善的分类器用以检测需要100小时左右。从以上的介绍可知，目前的学习算法都需要寻找大量的训练样本，提取特征后，经过长时间的训练过程，然后用于实时检测，训练出来的分类器虽然可以检测出大部分的目标，但是并不能应对不断变化的交通状况，出现误检，漏检在所难免。如果要降低误检率，漏检率，就需要寻找包含不同状况的海量样本，训练出完善的分类器，但是这并不科学，也算不上是真正的智能，因为寻找不同的样本以及训练过程都要花费巨大的人力、物力，而且这种“静态”的分类器无法应对千变万化的交通状况。
技术实现思路
为了克服现有技术的上述缺点与不足，本专利技术的目的在于提供，提高了检测的精度，降低误检，漏检的概率。本专利技术的目的通过以下技术方案实现 ，包括以下步骤SI离线学习过程，包括以下步骤SI. I采集训练所用图像；SI. 2对采集到的图像进行预处理；SI. 3对步骤SI. 2预处理后的图像采用FastICA方法提取图片特征；SI. 4将步骤SI. 3提取的图片特征作为训练集合，进行AdaBoost训练；SI. 5训练结束，获得离线强分类器；S2实时检测过程，包括以下步骤S2. I获取1 K帧视频图像；S2. 2对获取到的视频图像进行预处理；S2. 3对步骤S2. 2得到的视频图像的第 (帧图片采用FastICA方法提取图片特征；其中K为计算机一次处理的最大图片数；所述FastICA方法为将每张正样本图片都表示为M个独立分量S」的线性组合，其中M个独立分量Sj构成独立分量集合，j=l，2，-,Μ,设定V=A .S，其中A为未知的混合矩阵，F = O1, V2, ···，&/，Vi表示第i张图片向量化后所对应的行向量；i = I, 2，…，？11,而S表示相互独立的元素所构成的向量；按照统计独立的原则，通过构造矩阵分离矩阵W使得Y = WV，让Y逼近S ;根据公式Y = WV,通过随机梯度法调节，求得矩阵S的最优估计Y，从而提取出车辆图片的特征；S2. 4对步骤S2. 3提取的特征采用步骤SI. 5得到的离线强分类器进行分类，得到检测目标；S3在线学习过程，包括以下步骤S3. I 令 n=l ;S3. 2在实时检测过程的第(n_l)K+fnK帧图片中，在与检测出来的目标的距离小于m个像素的范围截取Ii1张图片作为训练的正样本，在与检测出来的目标的距离大于m个像素的范围随机截取n2张图片作为训练的负样本；其中m、ni、n2由用户设定；S3. 3对总共K · (rii+n^张图片进行图片预处理；S3. 4对步骤S3. 3预处理后的正样本和负样本采用FastICA方法提取图片特征；S3. 5将S3. 4提取的图片特征作为训练集合，进行AdaBoost训练，得到在线强分类器；S3. 6重新进入实时检测过程，对第ηΚ+l帧到第2nK帧图片利用在线强分类器进行车辆检测，得到检测目标；S3. 7 令 η=η+1，重复步骤 S3. 2 S3. 7。步骤SI. 2所述对采集到的图像进行预处理，具体为设步骤SI. I—共采集到N张图片，其中车辆图片有Ρη&，非车辆图片有Nn;将车辆图片尺寸修改为20X20像素，将所选车辆样本根据光照，天气状况不同分类，得到正样本集；对于非车辆图片，在系统运行时，随机截取大小为20X20像素的子图像作为负样本，得到负样本集；然后将正样本与负样本图片转换为灰度图，再进行直方图均衡以及白化处理。步骤SI. 4所述AdaBoost训练,包括以下步骤 设定训练集Gx=Kx1, Z1)，…，(χΝ, ζν) }，Xi指第i张训练样本图片VLi e Z={0, 1}，i=I, 2，···, N, Zi为类别标识，Zi=I时表示对应的第i个样本为正样本，Zi = O时表示对应的第i个样本为负样本；SI. 4. I假设每张图片有M个特征值，将训练集Gx中图片Xi的权重W1J(Xi)初始化为权利要求1.，其特征在于，包括以下步骤 SI离线学习过程，包括以下步骤 SI. I采集训练所用图像； SI. 2对采集到的图像进行预处理； SI. 3对步骤SI. 2预处理后的图像采用FastICA方法提取图片特征； SI. 4将步骤SI. 3提取的图片特征作为训练集合，进行AdaBoost训练； 51.5训练结束，获得离线强分类器； S2实本文档来自技高网...

【技术保护点】
一种实时反馈更新的车辆检测方法，其特征在于，包括以下步骤：S1离线学习过程，包括以下步骤：S1.1采集训练所用图像；S1.2对采集到的图像进行预处理；S1.3对步骤S1.2预处理后的图像采用FastICA方法提取图片特征；S1.4将步骤S1.3提取的图片特征作为训练集合，进行AdaBoost训练；S1.5训练结束，获得离线强分类器；S2实时检测过程，包括以下步骤：S2.1获取1~K帧视频图像；S2.2对获取到的视频图像进行预处理；S2.3对步骤S2.2得到的视频图像的第1~K帧图片采用FastICA方法提取图片特征；其中K为计算机一次处理的最大图片数；所述FastICA方法为：将每张正样本图片都表示为M个独立分量sj的线性组合，其中M个独立分量sj构成独立分量集合，j＝1,2,…,M,设定V＝A·S，其中A为未知的混合矩阵，vi表示第i张图片向量化后所对应的行向量；i＝1,2,…,Pn，而S表示相互独立的元素所构成的向量；按照统计独立的原则，通过构造矩阵分离矩阵W使得Y＝WV，让Y逼近S；根据公式Y＝WV，通过随机梯度法调节，求得矩阵S的最优估计Y，从而提取出车辆图片的特征；S2.4对步骤S2.3提取的特征采用步骤S1.5得到的离线强分类器进行分类，得到检测目标；S3在线学习过程，包括以下步骤：S3.1令n=1；S3.2在实时检测过程的第(n？1)K+1~nK帧图片中，在与检测出来的目标的距离小于m个像素的范围截取n1张图片作为训练的正样本，在与检测出来的目标的距离大于m个像素的范围随机截取n2张图片作为训练的负样本；其中m、n1、n2由用户设定；S3.3对总共K·(n1+n2)张图片进行图片预处理；S3.4对步骤S3.3预处理后的正样本和负样本采用FastICA方法提取图片特征；S3.5将S3.4提取的图片特征作为训练集合，进行AdaBoost训练，得到在线强分类器；S3.6重新进入实时检测过程，对第nK+1帧到第2nK帧图片利用在线强分 类器进行车辆检测，得到检测目标；S3.7令n=n+1，重复步骤S3.2~S3.7。FDA00002077402500011.jpg...

【技术特征摘要】

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