CN102915453B - 一种实时反馈更新的车辆检测方法 - Google Patents

Abstract

本发明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。

Description

一种实时反馈更新的车辆检测方法

技术领域

本发明涉及车辆检测方法，特别涉及一种实时反馈更新的车辆检测方法。

背景技术

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-like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-like特征提取与AdaBoost方法相结合的形式。Haar-like特征提取方法利用构建好的Haar-like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-like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***的交通状况。

发明内容

为了克服现有技术的上述缺点与不足，本发明的目的在于提供一种实时反馈更新的车辆检测方法，提高了检测的精度，降低误检，漏检的概率。

本发明的目的通过以下技术方案实现：

一种实时反馈更新的车辆检测方法，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s_j的线性组合，其中M个独立分量s_j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，v_i表示第i张图片向量化后所对应的行向量；i＝1,2,…,P_n，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。

步骤S1.2所述对采集到的图像进行预处理，具体为：

设步骤S1.1一共采集到N张图片，其中车辆图片有N_P张，非车辆图片有N_N；将车辆图片尺寸修改为20×20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***运行时，随机截取大小为20×20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S1.4所述AdaBoost训练，包括以下步骤：

设定训练集G_x＝{(x₁,z₁),…,(x_N,z_N)},x_i指第i张训练样本图片；z_i∈Z＝{0,1},i＝1,2,…,N，z_i为类别标识，z_i＝1时表示对应的第i个样本为正样本，z_i＝0时表示对应的第i个样本为负样本；

S1.4.1 假设每张图片有M个特征值，将训练集G_x中图片x_i的权重w_1,j(x_i)初始化为：

$w_{1,j}\left(x_i\right)=\left\{\begin{array}{cc}\frac{1}{2N_p},& z_i=1\\ \frac{1}{2N_N},& z_i=0\end{array}\right.$

其中， $\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{w}_{1,j}=1$

S1.4.2 令迭代次数t的初始值为1；

S1.4.3 令j＝1；

S1.4.4 生成第j个特征的弱分类器：

$h_j\left(x_i\right)=\left\{\begin{array}{cc}1,& p_i{f}_j\left(x_i\right)<p_i{\mathrm{\&theta;}}_j\\ 0,& p_i{f}_j\left(x_i\right)\&GreaterEqual;p_i{\mathrm{\&theta;}}_j\end{array}\right.$

其中h_j(x)表示图像在j个特征下的判断输出；f_j(x_i)表示第j个特征的特征值；θ_j表示j个特征对应的贝叶斯分类器的判断阈值；p_i表示不等号的方向，只能取±1；

S1.4.5归一化第t次迭代的样本权重w_t,j(x_i)：

$w_{t,j}\left(x_i\right)=\frac{w_{t,j}\left(x_i\right)}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{t,j}\left(x_i\right)}$

计算第t次迭代中每个弱分类器对样本的分类错误率：

$e_{t,j}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{t,j}\left(x_i\right)|h_{t,j}\left(x_i\right)-z_i|$

其中，h_t,j(x_i)表示第t轮第j个独立分量对应的弱分类器；

S1.4.6 判断j是否大于M，若是，进行步骤S1.4.7；若否，令j＝j+1，重复步骤S1.4.4～S1.4.6；

S1.4.7 选取样本分类错误率最小的弱分类器作为第t轮分类的最优弱分类器，记作h_t(x_i)，对应的最小样本分类错误率记作η_t；

更新样本权重为：其中β_t＝η_t/(1-η_t)；

S1.4.8 判断迭代次数t是否大于T，T由用户根据需要确定；若否，令t＝t+1，重复步骤S1.4.3～S1.4.8；若是，进行步骤S1.4.9；

S1.4.9 将T个分类器组合获得强分类器：

$H\left(x\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(x_i\right)\&GreaterEqual;\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t\\ 0& \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(x_i\right)<\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t\end{array}\right.$

其中α_t＝lnβ_t。

步骤S2.3所述通过随机梯度法调节，求得矩阵S的最优估计Y，具体包括以下步骤：

S2.3.1 根据公式W_i(k+1)＝E|x_iG(W_i ^T(k)x_i)|-E|G(W_i ^T(k)x_i)|W_i(k)对分离矩阵W以行为单位进行迭代处理，其中W_i(k)表示k次迭代后分离矩阵W中与样本集合中的第i张图片x_i相对应的行向量，W_i(k+1)表示k+1次迭代后分离矩阵W中与样本集合中的第i张图片x_i相对应的行向量，E为期望运算符，G为高斯分布运算符；W_i ^T(k)为W_i(k)的转置矩阵；

S2.3.2 如果|W_i(k+1)-W_i(k)|≤ξ，则结束迭代，得到分离矩阵W(N)，直接执行S2.3.3，反之重复执行S2.3.1，ξ是0，1之间的任意数值；

S2.3.3 对W(N)以行为单位进行归一化处理；

S2.3.4 将W(N)代入公式Y＝WV，从而求得S的最优估计。

与现有技术相比，本发明具有以下优点和效果：

(1)本发明通过FastICA方法提取图片特征，代替海量的Haar-like特征作为AdaBoos方法的训练集合，从而提高训练效率，减少训练以及检测的运算量。

(2)本发明通过将离线学习过程与在线学习过程相结合，以离线学习过程所得强分类器作为实时检测的基础，保障实时检测的效率；在实时检测过程中，通过在线学习过程实时更新强分类器，使其适应不同的路况，从而提高实时检测的准确率，降低误检和漏检的概率。

(3)本发明在采集训练所用图像过程中，根据光照、天气状况的不同对训练样本进行分类，使本发明在根据光照、天气状况变化的情况下，依然保持高准确率。

附图说明

图1为本发明的实施例的实时反馈更新的车辆检测方法的流程图。

图2为本发明的实施例的图像进行预处理过程的流程图。

图3为本发明的实施例的AdaBoost训练过程的流程图。

图4为本发明的实施例的FastICA方法的流程图。

具体实施方式

下面结合实施例及附图，对本发明作进一步地详细说明，但本发明的实施方式不限于此。

实施例

如图1所示，一种实时反馈更新的车辆检测方法，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，具体为：

如图2所示，设步骤S1.1一共采集到N张图片，其中车辆图片有N_P张，非车辆图片有N_N；将车辆图片尺寸修改为20×20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***运行时，随机截取大小为20×20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。

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；

如图3所示，所述AdaBoost训练，包括以下步骤：

设定训练集G_x＝{(x₁,z₁),…,(x_N,z_N)},x_i指第i张训练样本图片；z_i∈Z＝{0,1},i＝1,2,…,N，z_i为类别标识，z_i＝1时表示对应的第i个样本为正样本，z_i＝0时表示对应的第i个样本为负样本；

S1.4.1 假设每张图片有M个特征值，将训练集G_x中图片x_i的权重w_1,j(x_i)初始化为：

$w_{1,j}\left(x_i\right)=\left\{\begin{array}{cc}\frac{1}{2N_p},& z_i=1\\ \frac{1}{2N_N},& z_i=0\end{array}\right.$

其中， $\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{1,j}=1$

S1.4.2 令迭代次数t的初始值为1；

S1.4.3 令j＝1；

S1.4.4 生成第j个特征的弱分类器：

$h_j\left(x_i\right)=\left\{\begin{array}{cc}1,& p_i{f}_j\left(x_i\right)<p_i{\mathrm{\&theta;}}_j\\ 0,& p_i{f}_j\left(x_i\right)\&GreaterEqual;p_i{\mathrm{\&theta;}}_j\end{array}\right.$

其中h_j(x)表示图像在j个特征下的判断输出；f_j(x_i)表示第j个特征的特征值；θ_j表示j个特征对应的贝叶斯分类器的判断阈值；p_i表示不等号的方向，只能取±1；

S1.4.5归一化第t次迭代的样本权重w_t,j(x_i)：

$w_{t,j}\left(x_i\right)=\frac{w_{t,j}\left(x_i\right)}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{t,j}\left(x_i\right)}$

计算第t次迭代中每个弱分类器对样本的分类错误率：

$e_{t,j}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{t,j}\left(x_i\right)|h_{t,j}\left(x_i\right)-z_i|$

其中，h_t,j(x_i)表示第t轮第j个独立分量对应的弱分类器；

S1.4.6 判断j是否大于M，若是，进行步骤S1.4.7；若否，令j＝j+1，重复步骤S1.4.4～S1.4.6；

S1.4.7 选取样本分类错误率最小的弱分类器作为第t轮分类的最优弱分类器，记作h_t(x_i)，对应的最小样本分类错误率记作η_t；

更新样本权重为：其中β_t＝η_t/(1-η_t)；

S1.4.8 判断迭代次数t是否大于T，T由用户根据需要确定；若否，令t＝t+1，重复步骤S1.4.3～S1.4.8；若是，进行步骤S1.4.9；

S1.4.9 将T个分类器组合获得强分类器：

$H\left(x\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(x_i\right)\&GreaterEqual;\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t\\ 0& \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(x_i\right)<\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t\end{array}\right.$

其中α_t＝lnβ_t。

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；

如图4所示，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_j的线性组合，其中M个独立分量s_j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，x_i表示第i张图片向量化后所对应的行向量；i＝1,2,…,P_n，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；

所述通过随机梯度法调节，求得矩阵S的最优估计Y，具体包括以下步骤：

S2.3.1 根据公式W_i(k+1)＝E|x_iG(W_i ^T(k)x_i)|-E|G(W_i ^T(k)x_i)|W_i(k)对分离矩阵W以行为单位进行迭代处理，其中W_i(k)表示k次迭代后分离矩阵W中与样本集合中的第i张图片x_i相对应的行向量，W_i(k+1)表示k+1次迭代后分离矩阵W中与样本集合中的第i张图片x_i相对应的行向量，E为期望运算符，G为高斯分布运算符；W_i ^T(k)为W_i(k)的转置矩阵；

S2.3.2 如果|W_i(k+1)-W_i(k)|≤ξ，则结束迭代，得到分离矩阵W(N)，直接执行S2.3.3，反之重复执行S2.3.1，ξ是0，1之间的任意数值；

S2.3.3 对W(N)以行为单位进行归一化处理；

S2.3.4 将W(N)代入公式Y＝WV，从而求得S的最优估计。

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。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受所述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (4)

1.一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s_j的线性组合，其中M个独立分量s_j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，v_i表示第i张图片向量化后所对应的行向量；i＝1,2,...,P_n，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。

2.根据权利要求1所述的实时反馈更新的车辆检测方法，其特征在于，步骤S1.2所述对采集到的图像进行预处理，具体为：

设步骤S1.1一共采集到N张图片，其中车辆图片有N_P张，非车辆图片有N_N；将车辆图片尺寸修改为20×20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***运行时，随机截取大小为20×20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。

3.根据权利要求2所述的实时反馈更新的车辆检测方法，其特征在于，步骤S1.4所述AdaBoost训练，包括以下步骤：

设定训练集G_x＝{(x₁,z₁),...,(x_N,z_N)},x_i指第i张训练样本图片；z_i∈Z＝{0,1},i＝1,2,...,N，z_i为类别标识，z_i＝1时表示对应的第i个样本为正样本，z_i＝0时表示对应的第i个样本为负样本；

S1.4.1假设每张图片有M个特征值，将训练集G_x中图片x_i的权重w_1,j(x_i)初始化为：

$w_{1,j}\left(x_i\right)=\left\{\begin{array}{c}\frac{1}{2N_p},z_i=1\\ \frac{1}{2N_N},z_i=0\end{array}\right.$

其中， $\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{1,j}=1$

S1.4.2令迭代次数t的初始值为1；

S1.4.3令j＝1；

S1.4.4生成第j个特征的弱分类器：

$h_j\left(x_i\right)=\left\{\begin{array}{c}1,p_i{f}_j\left(x_i\right)<p_i{\mathrm{\&theta;}}_j\\ 0,p_i{f}_j\left(x_i\right)\&GreaterEqual;p_i{\mathrm{\&theta;}}_j\end{array}\right.$

其中h_j(x)表示图像在j个特征下的判断输出；f_j(x_i)表示第j个特征的特征值；θ_j表示j个特征对应的贝叶斯分类器的判断阈值；p_i表示不等号的方向，只能取±1；

S1.4.5归一化第t次迭代的样本权重w_t,j(x_i)：

$w_{t,j}\left(x_i\right)=\frac{w_{t,j}\left(x_i\right)}{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{t,j}\left(x_i\right)}$

计算第t次迭代中每个弱分类器对样本的分类错误率：

$e_{t,j}=\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{w}_{t,j}\left(x_i\right)|h_{t,j}\left(x_i\right)-z_i|$

其中，h_t,j(x_i)表示第t轮第j个独立分量对应的弱分类器；

S1.4.6判断j是否大于M，若是，进行步骤S1.4.7；若否，令j＝j+1，重复步骤S1.4.4～S1.4.6；

S1.4.7选取样本分类错误率最小的弱分类器作为第t轮分类的最优弱分类器，记作h_t(x_i)，对应的最小样本分类错误率记作η_t；

更新样本权重为：其中β_t＝η_t/(1-η_t)；

S1.4.8判断迭代次数t是否大于T，T由用户根据需要确定；若否，令t＝t+1，重复步骤S1.4.3～S1.4.8；若是，进行步骤S1.4.9；

S1.4.9将T个分类器组合获得强分类器：

$H\left(x\right)=\left\{\begin{array}{cc}1& \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(\mathrm{xi}\right)\&GreaterEqual;\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t\\ 0& \underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t{h}_t\left(\mathrm{xi}\right)<\frac{1}{2}\underset{t=1}{\overset{T}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_t\end{array}\right.$

其中α_t＝lnβ_t。

4.根据权利要求1所述的实时反馈更新的车辆检测方法，其特征在于，步骤S2.3所述通过随机梯度法调节，求得矩阵S的最优估计Y，具体包括以下步骤：

S2.3.1根据公式W_i(k+1)＝E|x_iG(W_i ^T(k)x_i)|-E|G(W_i ^T(k)x_i)|W_i(k)对分离矩阵W以行为单位进行迭代处理，其中W_i(k)表示k次迭代后分离矩阵W中与样本集合中的第i张图片x_i相对应的行向量，W_i(k+1)表示k+1次迭代后分离矩阵W中与样本集合中的第i张图片x_i相对应的行向量，E为期望运算符，G为高斯分布运算符；W_i ^T(k)为W_i(k)的转置矩阵；

S2.3.2如果|W_i(k+1)-W_i(k)|≤ξ，则结束迭代，得到分离矩阵W(N)，直接执行S2.3.3，反之重复执行S2.3.1，ξ是0，1之间的任意数值；

S2.3.3对W(N)以行为单位进行归一化处理；

S2.3.4将W(N)代入公式Y＝WV，从而求得S的最优估计。