CN103793716B - 一种基于分流级联的多类别交通标示牌的检测方法 - Google Patents

Abstract

本发明公开了一种基于分流级联的多类别交通标示牌的检测方法，包括以下步骤：将待测图像利用缩放算法生成金字塔图像集合；通过计算MN‑LBP和TMN‑LBP特征生成可供boosting相关算法学习和训练使用的弱分类器；建立包含多种标示牌信息的分流级联分类器结构；利用分流级联分类器结构，在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在标示牌；标定交通标示牌的位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检交通标示牌的位置及大小。本发明有益效果：能够快速实时的对多类别标示牌进行检测，能够检测上百种不同标示牌，无论检测速度还是检测种类都超出了目前已有专利和论文描述的方法。

Description

一种基于分流级联的多类别交通标示牌的检测方法

技术领域

本发明涉及一种基于分流级联的多类别交通标示牌的检测方法。

背景技术

近十年来，基于机器视觉和模式识别的交通标识牌识别(traffic signrecognition(TSR))被广泛的研究和应用在一些智能交通领域，例如：自动驾驶***(autonomous driving)和辅助驾驶***(assisted driving)。通过识别标识牌可以对驾驶员的错误驾驶行为或前面存在的潜在威胁提前报警，保证了驾驶员的行驶安全。交通标识牌检测(traffic sign detection(TSD))，是指在车载摄像机拍摄的图像中检测和定位标识牌图像，是标示牌识别***中的不可或缺的基础部分。然而，交通标示牌问题检测是一个非常具有挑战性的问题，在实际应用中仍然有两种主要难点需要克服：一，标示牌种类的繁多使TSD问题成为一个复杂的多类别物体检测问题，二，检测标示牌需要在大分辨率图像中进行搜索，这是一个非常耗时的过程。

Viola提出的基于boosting算法、级联机制和Haar-like特征的快速检测***，在标示牌检测中得到了较好的应用，然而面对多类别标示牌检测时却难以胜任。在标示牌检测领域，Viola的检测框架已经被成功的应用在多个标示牌检测***中。然而，Bahlmann等基于Viola的框架建立的标示牌检测***只能检测圆形的限速标示牌，而Baró等的***使用三个平行的检测器设计其检测方法，该检测方法只能检测三类标示牌：圆形标示牌，限速牌和三角形标示牌。因此，尽管Viola的检测框架已经成功的应用到部分标示牌检测***中，但是它们只能检测具有相似外表的标示牌，而没有能力将具有不同结构和外表的不同种类的标示牌准确检测。

发明内容

本发明的目的就是为了解决上述问题，提出了一种基于分流级联的多类别交通标示牌的检测方法。本方法能够快速的检测高分辨率图像中的多类别交通标示牌，并且能够达到很高的检测率，鲁棒性好。

为了实现上述目的，本发明采用如下技术方案：

一种基于分流级联的多类别交通标示牌的检测方法，包括以下步骤：

(1)将待测图像利用缩放算法生成金字塔图像集合。

(2)通过计算MN-LBP和TMN-LBP特征生成可供boosting相关算法学习和训练使用的弱分类器；使用上述生成的弱分类器，建立包含多种标示牌信息的分流级联分类器结构。

(3)利用分流级联分类器结构，在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在标示牌。

(4)标定交通标示牌的位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检交通标示牌的位置及大小。

所述步骤(2)中MN-LBP和TMN-LBP特征为：

构建一个3×3的矩形框阵列，共九个矩形框，Sum_i(i＝1,…，8)分别为周围8个矩形框内的像素值之和。

假设：t＝(s(Sum₁-Ave),s(Sum₂-Ave),…,s(Sum₈-Ave)) (1)

其中，t是一个八维向量，Ave是常数；

$s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.---\left(2\right)$

然后，对每一项分析赋予一个权重2ⁱ，公式(1)就可以用一个数据来表示：

$T=\underset{i=1}{\overset{8}{\&Sigma;}}{2}^{i-1}\&CenterDot;s({\mathrm{Sum}}_i-Ave)---\left(3\right)$

其中，T是MN-LBP特征值或旋转45°的TMN-LBP特征值，s(Sum_i-Ave)为公式(1)中t的一维向量，计算方法和公式(1)相同。

所述步骤(2)中建立包含多种标示牌信息的分流级联分类器结构的方法为：

(a)使用boosting算法训练所有的训练样本集，得到对应k个训练样本集的k个特征集：

${\mathrm{\&mu;}}_i=\{f_{i,1},f_{i,2}\&CenterDot;\&CenterDot;\&CenterDot;,f_{i,j},\&CenterDot;\&CenterDot;\&CenterDot;f_{i,N_t}\},(i=1,\&CenterDot;\&CenterDot;\&CenterDot;,k;j=1,\&CenterDot;\&CenterDot;\&CenterDot;,N_t)---\left(4\right)$

其中，i指的是第i个训练样本集，f_i,j是boosting训练方法选出的特征，N_i是选出特征的总数。

(b)寻找不同训练样本集之间的共有特征，并根据这些共有特征建立由粗到精的SCF-tree结构。

(c)根据不同特征集的相似度将不同的样本分配到SFC-tree的恰当节点中。

(d)对SFC-tree结构中每个节点的共有特征进行二次训练和特征提取，建立每个节点的结构。

所述步骤(2)中建立包含多种标示牌信息的分流级联分类器结构的方法为：

根据不同训练样本的相似度，使用人工选择的方法，按照样本的相似度高低进行分类。

所述步骤(c)的方法为：

根据公式(4)所述的k个特征集，则根节点包含所有k个待检目标，根节点分支的任务就是将这k个待检目标分配到它的n个子节点中：

(Ⅰ).设根节点的每一个子节点中的目标个数是k₁和k₂，则φ₁和φ₂为每个子节点的共有特征集合；

${\mathrm{\&phi;}}_1(1,2,...,k_1)={\mathrm{\&mu;}}_1\&cap;{\mathrm{\&mu;}}_2\&cap;\mathrm{...}{\mathrm{\&mu;}}_{k_1}---\left(5\right)$

${\mathrm{\&phi;}}_2(k_1+1,k_1+2,...,k)={\mathrm{\&mu;}}_{k_1+1}\&cap;{\mathrm{\&mu;}}_{k_2+2}\&cap;\mathrm{...}{\mathrm{\&mu;}}_k---\left(6\right)$

其中，μ为对应目标个数的特征集。

(Ⅱ).φ₁和φ₂共有种不同的排列组合，定义函数Ψ(x)为不同组合中虚警率(FA)和检测率(DR)的累加和：

$\mathrm{\&Psi;}({\mathrm{\&phi;}}_1,{\mathrm{\&phi;}}_2)=\underset{f_{i,j}^m\&Element;{\mathrm{\&phi;}}_1}{\&Sigma;}\frac{{\mathrm{FA}}_{i.j}}{{\mathrm{DR}}_{i,j}}+\underset{f_{i,j}^m\&Element;{\mathrm{\&phi;}}_2}{\&Sigma;}\frac{{\mathrm{FA}}_{i.j}}{{\mathrm{DR}}_{i,j}}---\left(7\right)$

其中，DR_i,j是检测率，FA_i,j是虚警率，两者是boosting训练方法选出的特征f_i,j的两个主要参数；FA_i,j/DR_i,j是FA_i,j和DR_i,j比率，是为了寻找具有较低虚警率和较高检测率的特征；将属于φ₁和φ₂的共用特征按照FA_i,j/DR_i,j从小到大进行排列，然后选择最小的m个特征，定义为和

(Ⅲ).定义Ψ_min为寻找Ψ(φ₁,φ₂)的最小值：

Ψ_min(φ_1,min,φ_2,min)＝min(Ψ(φ₁,φ₂)) (8)

(Ⅳ).在Ψ_min(φ_1,min,φ_2,min)取最小值的情况下，根节点中的k个待检目标成功被分到两个子节点中。

所述步骤(2)中建立的分流级联分类器结构具体为：

金字塔形状的树形结构，每一个节点有多个特征级构成；每个特征级包含多个特征或一个特征，多个特征级通过级联的方式构成对应的节点。

每个可分支节点包含多个不同的标示牌，并且这些待检测标示牌共用该节点的特征。

每个可分支节点的特征在检测过程中都能够进行标示牌检测和非标示牌窗口的排除。

分流级联结构叶子节点不再分支，能有针对性的检测某个或某类标示牌。

另外，本发明的交通标示牌检测方法是以缩放图像的方法为例介绍的，也可以替换为利用缩放分类器大小的方法来实现。

本发明的有益效果是：

本发明能够快速的检测高分辨率图像中的多类别交通标示牌，并且能够达到很高的检测率。本发明提出的两种特征：MN-LBP特征和TMN-LBP特征(Tilted MN-LBP)，能够有效的表达不同种类的标示牌，使不同的标示牌在检测过程中使用共有特征成为可能。

本发明使用了一种由粗到精的分流级联检测器(Split-flow cascade tree,SFC-tree)，该检测器能够利用不同标示牌的共有特征由粗到精的进行检测，大大提高了检测速度；本发明使用了包含43种不同标识牌的GTSDB库进行验证实验，实验结果证明本方法能够在1360*800的高分辨率图像检测中达到实时检测，并且检测率能够达到现有算法的较高水平。跟目前标识牌检测领域的已发表的论文及相关资料相比较，本发明算法是第一个不使用颜色信息和显著边缘信息就能够达到实时检测的多类别标识牌检测***，并且对光照、模糊以及部分遮挡具有较好的鲁棒性。

附图说明

图1为本发明MN-LBP特征和TMN-LBP特征示意图；

图2为本发明分流级联分类器结构示意图。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明：

本发明提出的MN-LBP和TMN-LBP是为了在标示牌检测过程中能够有效的表达不同种类的标示牌。MN-LBP和TMN-LBP的基本原理和经典的LBP和MB-LBP类似，是采用八个矩形框内的像素和八个矩形框内的像素和的均值进行对比，得到一个二值序列(0或1)的过程，经典的LBP比较的是八个周围像素点和中间像素点，MB-LBP对比的是八个周围矩形内像素和和中间矩形内的像素和。经典的LBP特征使用的像素级别的特征，应用在基于Boosting方法的目标检测中十分乏力。MB-LBP需要周围矩形跟中心矩形做对比，这大大的局限了MB-LBP特征的分布，往往使其只分布在较为明显的边缘附近。

MN-LBP和TMN-LBP特征克服了这些缺点，并能够很好的表达复杂特征和旋转特征。

如图1所示，为了达到灰度不变性，我们构建一个3×3的矩形框阵列，共九个矩形框，Sum_i(i＝1,…，8)分别为周围八个矩形框内的像素值之和。

t＝(s(Sum₁-Ave),s(Sum₂-Ave),…,s(Sum₈-Ave))

其中，t是一个八维向量，Ave是常数，Ave的值可以是八个周围矩形的均值，也可以是九个矩形框的均值，或者是使用9个矩形框的某一个值来代替，或者是这9个矩形框中某几个值得线性组合等等，还可以在上述这些值的基础上加减一定数值得到。

$s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.$

然后，对每一项分析赋予一个权重2ⁱ，公式(1)就可以用一个数据来表示。

$T=\underset{i=1}{\overset{8}{\&Sigma;}}{2}^{i-1}\&CenterDot;s({\mathrm{Sum}}_i-Ave)$

其中，T是MN-LBP特征值或旋转45°的TMN-LBP特征值，s(Sum_i-Ave)为t的一维向量计算方法与上面s(x)的计算方法相同。

Haar-like特征使用的是基于阈值函数来学习弱分类器。在学习过程中，对每一个Haar-like特征，弱分类器学习决定了最佳阈值的选择。然而，基于阈值的函数也意味着这些带有阈值的弱分类器只能对阈值内的变化鲁棒性好，而不能够表达具有较大的差别的目标特征(目标特征差别越大，也可能意味着他们的阈值范围分布越不同，越难覆盖)。这也是Haar-like特征及其派生特征为什么只能检测具有相似特征的目标的原因。MN-LBP和TMN-LBP使用的弱分类器能够有效的克服这些缺点，并能够表达具有很大不同表观特征的不同目标。设计MN-LBP和TMN-LBP的弱分类器的方法具体为：

对每一个MN-LBP或是TMN-LBP特征，一共有256个不同数值。本文使用具有256个分枝的多分枝树来作为弱分类器，其中每一个分枝和一个数值对应。弱分类器可以定义如下。

$F\left(e_i\right)=\left\{\begin{array}{cc}{a}_0& e_j=0\\ .& .\\ .& .\\ .& .\\ a_j& e_i=j\\ .& .\\ .& .\\ .& .\\ a_{255}& e_i=255\end{array}\right.$

其中，e_i代表MN-LBP或TMN-LBP特征的第i的向量，a_j是需要学习的回归参数。

$a_j=\frac{\underset{i}{\&Sigma;}{w}_i{y}_i\mathrm{\&delta;}\left(e_i\right)}{\underset{i}{\&Sigma;}{w}_i\mathrm{\&delta;}\left(e_i\right)}$

其中，y_i＝+1,-1分别代表正样本和负样本，w_i是boosting学习过程中的权值，并且

$\mathrm{\&delta;}\left(e_i\right)=\left\{\begin{array}{c}1,e_i=j\\ 0,others\end{array}\right.$

在boosting学习过程中，a_j值决定了如何选择弱分类器。因为学习得到的弱分类器拥有256个不同值，所有这些弱分类器能够较大程度的适应不同的目标。

本发明提出的CF.AdaBoost算法是为了寻找不同训练集的公共特征，然后利用这些公共特征去建立一个由粗到精的SCF-tree。CF.AdaBoost算法主要有三个主要步骤：

第一，使用boosting方法对每一个不同的训练集进行训练和特征选择，并将选择的特征建立特征库；

第二，寻找不同训练样本集之间的共有特征，并用这些共有特征确定SFC-tree的结构；

第三，对SFC-tree中每个节点的共有特征进行二次训练和特征提取建立每个节点的结构。

CF.AdaBoost算法的第一步是使用boosting算法训练每一个训练集。尽管传统的AdaBoost方法可以有效的训练和选取特征，但是却非常的耗时。如果直接用AdaBoost方法来训练SFC-tree中数目较大的训练集，耗时更是非常大。在使用传统AdaBoost方法训练过程中，导致耗时的原因主要有两个：一，负样本数目比正样本庞大的多，并且往往占据了大部分的训练时间；二，候选的特征数目庞大，而这些特征中只有非常少的特征是有效的。通过实验发现，这些少量而特征都有一个共性，就是能够对正样本达到接近百分百的检测率，因此我们可以通过增加约束条件在训练直接就尽可能的减少无用的特征，从而达到减少训练时间的目的。

在Pre-boosting过程中，正样本先进行处理。我们设定通过正样本的通过率为χ。只有当一个候选特征能够通过χ的正样本时，它才能够进行下面的boosting迭代过程。

CF.AdaBoost方法的第二步是根据集合论运算方法寻找不同训练样本的共有特征，然后根据不同训练集的相似度将不同的样本分配到SFC-tree的恰当节点中。

将SFC-tree的深度定义为L。SFC-tree的每一个可分支节点都具有相同的功能，那就是将该节点涉及到的不同目标分配到它的子节点中。所以，本文将以根节点为代表对分支方法进行阐述。

已知k个特征集合为：则根节点包含所有k个待检目标，那么根节点分支的任务就是将这k个待检目标分配到它的n个子节点中。因为SFC-tree是设计用来简化多类别目标检测任务和减少运算时间的，n＝2或n＝3常常是最佳选择。此处，n＝2被定为根节点的子节点数目，并且在这种情况下检测时间是最少的。

根节点的每一个子节点中的目标个数是k₁和k₂，为了好描述，假设k为偶数，并用k₁＝k₂＝k/2作为例子来说明。那么，我们可以使用交集运算“∩”对已经选择的特征进行交集运算处理。

φ₁(1,2,…,k/2)＝μ₁∩μ₂∩…μ_k/2

φ₂(k/2+1,k/2+2,…,k)＝μ_k/2+1∩μ_k/2+2∩…μ_k

根据排列组合，φ₁和φ₂一共有中不同的排列组合。为了找到哪一种组合最适合建立SFC-tree，我们定义了函数Ψ(x)：函数Ψ(x)定义为不同组合里虚警率(FA)和检测率(DR)的累加和。

$\mathrm{\&Psi;}({\mathrm{\&phi;}}_1,{\mathrm{\&phi;}}_2)=\underset{f_{i,j}^m\&Element;{\mathrm{\&phi;}}_1}{\&Sigma;}\frac{{\mathrm{FA}}_{i.j}}{{\mathrm{DR}}_{i,j}}+\underset{f_{i,j}^m\&Element;{\mathrm{\&phi;}}_2}{\&Sigma;}\frac{{\mathrm{FA}}_{i.j}}{{\mathrm{DR}}_{i,j}}$

其中，DR_i,j是检测率，FA_i,j是虚警率。FA_i,j/DR_i,j是FA_i,j和DR_i,j比率，是为了寻找具有较低虚警率和较高检测率的特征。将属于φ₁和φ₂的的共用特征按照FA_i,j/DR_i,j从小到大进行排列，然后选择最小的m个特征，定义为和

因为一共有中不同的排列组合，Ψ_min定义为寻找Ψ(φ₁,φ₂)的最小值。

Ψ_min(φ_1,min,φ_2,min)＝min(Ψ(φ₁,φ₂))

然后，在Ψ_min(φ_1,min,φ_2,min)取最小值情况下，根节点中的k个待检目标成功被分到两个子节点中。

和前面描述的寻找根节点的分支方法类似，其他节点也可以采用同样的方法进行分支。但是，因为每个节点都成功分支并建立好SFC-tree后，每个节点仍然有数量巨大的特征，因此仍然需要进一步的训练和选择进行特征提取。

在pre-boosting过程、寻找共有特征和建立SFC-tree后，所有的待检目标已经被分配到SFC-tree中合适的节点中。尽管每个节点中特征的数量已经有了很大的减少，但数量仍然比较大，需要进一步进行特征选择。选用AdaBoost算法对每一个节点进行进一步的特征选择，在每个节点的共有特征集合中寻找最合适的特征来构建对应的节点结构，并建立所有节点的结构。在训练中，因为候选的特征数量已经很少，所有整个训练过程耗时非常少，在CF.AdaBoost的整个训练过程中可以忽略不计。

为了解决目前多类别标示牌检测研究中存在的问题，我们提出了一种级联分流(split-flow cascade,SFC)的树结构。这种结构能够使用一个级联结构来进行多类别检测，并且在检测过程进行分流来构建一个由粗到精(coarse-to-fine)的树结构，称之为一个分流级联树(a split-flow cascade tree,SFC-tree)。

SFC-tree设计的主旨就是：如何有效的利用不同目标的共有特征去构建一个树形结构，使该树形结构能够尽可能的排除non-object的子窗口。本文设计SFC-tree去检测多类别标示牌主要有两个原因：

(1)如果只采用一种级联结构或多个级联机构在高分辨率图像中去快速检测多类别标示牌是非常困难的，因为标示牌的种类很多、各不相同并且需要检测的图像往往是非常大的高分辨率图像。

(2)不同类别的标示牌存在一些共用的特征，其中有一些是显而易见的，而大部分则较难发现。因此，如果这些共用特征都能有效的利用，那么这些不同种类的标示牌就有可能结合成一个能够检测所有不同标示牌的检测器。

如图2所示，SFC-tree是一个由粗到精的金字塔形状的树形结构。可分支的节点是有几个不同的阶段(stage)构成，这些不同阶段和Viola andJones中使用的阶段一样。每一个可分支节点的作用就是检测所涉及到的标示牌，并且尽可能的排除非标示牌窗口。例如，SFC-tree的根节点是一个包含几个stage的可分支节点；在该根节点的分支过程中，不同目标被分配到其不同的子节点中；然后，这些子节点又将其涉及到的不同目标分配到其子节点，直至分支结束。在SFC-tree的末端，叶节点是由许多阶段构成(stage)，每一个叶节点是专门针对某一个检测目标训练得到。因此，提出的SFC-tree能够在每一个阶段都能够有效的排除非目标窗口，并且这种决策部署排他的(non-exclusive)。这些特点提高了整个检测***的检测率和检测速度。

另外，本发明的交通标示牌检测方法是以缩放图像的方法为例介绍的，也可以利用缩放分类器大小的方法来实现，本领域技术人员利用本发明的分流级联分类器结构结合其他常用的方法也在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (4)

1.一种基于分流级联的多类别交通标示牌的检测方法，其特征是，包括以下步骤：

(1)将待测图像利用缩放算法生成金字塔图像集合；

(2)通过计算MN-LBP和TMN-LBP特征生成可供boosting相关算法学习和训练使用的弱分类器；使用上述生成的弱分类器，建立包含多种标示牌信息的分流级联分类器结构；

(3)利用分流级联分类器结构，在金字塔图像集合中以预定大小步进地判定该检测区域内是否存在标示牌；

(4)标定交通标示牌的位置，按所在的金字塔图像及缩小比例，换算到与原始图像中，确定所检交通标示牌的位置及大小；

所述步骤(2)中MN-LBP和TMN-LBP特征为：

构建一个3×3的矩形框阵列，共九个矩形框，Sum_i(i＝1,…，8)分别为周围8个矩形框内的像素值之和；

假设：t＝(s(Sum₁-Ave),s(Sum₂-Ave),…,s(Sum₈-Ave)) (1)

其中，t是一个八维向量，Ave是常数；

$s\left(x\right)=\left\{\begin{array}{c}1,x\&GreaterEqual;0\\ 0,x<0\end{array}\right.---\left(2\right)$

然后，对每一项分析赋予一个权重2ⁱ，公式(1)就可以用一个数据来表示：

$T=\underset{i=1}{\overset{8}{\&Sigma;}}{2}^{i-1}\&CenterDot;s({\mathrm{Sum}}_i-Ave)---\left(3\right)$

其中，T是MN-LBP特征值或旋转45°的TMN-LBP特征值，s(Sum_i-Ave)为公式(1)中t的一维向量，计算方法和公式(1)相同；

所述步骤(2)中建立包含多种标示牌信息的分流级联分类器结构的方法为：

(a)使用boosting算法训练所有的训练样本集，得到对应k个训练样本集的k个特征集：

${\mathrm{\&mu;}}_i=\{f_{i,1},f_{i,2}...,f_{i,j},...f_{i,N_i}\},(i=1,...,k;j=1,...,N_i)---\left(4\right)$

其中，i指的是第i个训练样本集，f_i,j是boosting训练方法选出的特征，N_i是选出特征的总数；

(b)寻找不同训练样本集之间的共有特征，并根据这些共有特征建立由粗到精的SCF-tree结构；

(c)根据不同特征集的相似度将不同的样本分配到SFC-tree的恰当节点中；

(d)对SFC-tree结构中每个节点的共有特征进行二次训练和特征提取，建立每个节点的结构。

2.如权利要求1所述的一种基于分流级联的多类别交通标示牌的检测方法，其特征是，所述步骤(2)中建立包含多种标示牌信息的分流级联分类器结构的方法为：

根据不同训练样本的相似度，使用人工选择的方法，按照样本的相似度高低进行分类。

3.如权利要求1所述的一种基于分流级联的多类别交通标示牌的检测方法，其特征是，所述步骤(c)的方法为：

根据公式(4)所述的k个特征集，则根节点包含所有k个待检目标，根节点分支的任务就是将这k个待检目标分配到它的n个子节点中：

(Ⅰ).设根节点的每一个子节点中的目标个数是k₁和k₂，则φ₁和φ₂为每个子节点的共有特征集合；

${\mathrm{\&phi;}}_1(1,2,...,k_1)={\mathrm{\&mu;}}_1\&cap;{\mathrm{\&mu;}}_2\&cap;...{\mathrm{\&mu;}}_{k_1}---\left(5\right)$

${\mathrm{\&phi;}}_2(k_1+1,k_1+2,...,k)={\mathrm{\&mu;}}_{k_1+1}\&cap;{\mathrm{\&mu;}}_{k_2+2}\&cap;...{\mathrm{\&mu;}}_k---\left(6\right)$

其中，μ为对应目标个数的特征集；

(Ⅱ).φ₁和φ₂共有种不同的排列组合，定义函数Ψ(x)为不同组合中虚警率(FA)和检测率(DR)的累加和：

$\mathrm{\&Psi;}({\mathrm{\&phi;}}_1,{\mathrm{\&phi;}}_2)=\underset{f_{i,j}^m\&Element;{\mathrm{\&phi;}}_1}{\&Sigma;}\frac{{\mathrm{FA}}_{i.j}}{{\mathrm{DR}}_{i,j}}+\underset{f_{i,j}^m\&Element;{\mathrm{\&phi;}}_2}{\&Sigma;}\frac{{\mathrm{FA}}_{i.j}}{{\mathrm{DR}}_{i,j}}---\left(7\right)$

其中，DR_i,j是检测率，FA_i,j是虚警率，两者是boosting训练方法选出的特征f_i,j的两个主要参数；FA_i,j/DR_i,j是FA_i,j和DR_i,j比率，是为了寻找具有较低虚警率和较高检测率的特征；将属于φ₁和φ₂的的共用特征按照FA_i,j/DR_i,j从小到大进行排列，然后选择最小的m个特征，定义为和

(Ⅲ).定义Ψ_min为寻找Ψ(φ₁,φ₂)的最小值：

Ψ_min(φ_1,min,φ_2,min)＝min(Ψ(φ₁,φ₂)) (8)

(Ⅳ).在Ψ_min(φ_1,min,φ_2,min)取最小值的情况下，根节点中的k个待检目标成功被分到两个子节点中。

4.如权利要求1所述的一种基于分流级联的多类别交通标示牌的检测方法，其特征是，所述步骤(2)中建立的分流级联分类器结构具体为：

金字塔形状的树形结构，每一个节点有多个特征级构成；每个特征级包含多个特征或一个特征，多个特征级通过级联的方式构成对应的节点；

每个可分支节点包含多个不同的标示牌，并且这些待检测标示牌共用该节点的特征；

每个可分支节点的特征在检测过程中都能够进行标示牌检测和非标示牌窗口的排除；

分流级联结构叶子节点不再分支，能有针对性的检测某个或某类标示牌。