CN106295636A - 基于多特征融合级联分类器的消防通道车辆检测方法 - Google Patents

Abstract

本发明提出了一种基于多特征融合级联分类器的消防通道车辆检测方法，属于图像处理和机器学习领域；利用显著性检测方法提取消防通道图像中的道路区域，从而消除非车道区域中的物体对检测结果的影响；基于道路区域的灰度值服从正态分布的特点，采用自适应阈值分割车辆底部阴影的方法，提取车辆底部阴影区域；采用基于像素变化率的阴影边缘提取方法得到车辆底部阴影的下边缘，进而根据提取的车辆底部阴影下边缘构建出车辆的感兴趣区域；分别提取车辆感兴趣区域的Haar特征，利用Adaboost算法对融合后的特征值和“积分图”计算的HOG特征值进行训练生成强分类器，最终用训练得到的级联分类器验证车辆感兴趣区域是否为车辆。

Description

基于多特征融合级联分类器的消防通道车辆检测方法

技术领域

本发明涉及一种车辆检测方法，属于图像处理和机器学习领域，尤其是一种基于多特征融合级联分类器的消防通道车辆检测方法。

背景技术

随着人们生活水平的提高，城市小汽车拥有量持续增长，与此同时，城市“乱停车”现象日益突出，车辆占用、堵塞消防通道的现象也越来越普遍。调研表明，每年所发生的重大人员伤亡火灾事故中，有80％以上火灾事故都是由于消防通道被私家车辆占用，而导致消防车辆无法第一时间抵达现场进行救援。基于物联网的消防通道车辆检测***的主要目的是为了有效避免由于消防通道被车辆堵塞而导致重大火灾事故的发生，当车辆占用消防通道时，通过***自动识别车辆，现场报警，同时短信提醒物管人员及时排除车辆占用，***还可以将占用消防通道的车辆信息传送给消防部门，作为处罚和追责依据。本发明提出的消防通道占用车辆检测算法，是消防通道车辆检测***的核心技术，其目标是检测消防通道区域是否存在车辆而不区分是何种车辆，对于保障消防通道的畅通有着重要的意义。

目前常用的车辆检测方法包括背景差分、基于模板等车辆检测方法仅适用于对连续车辆视频帧进行检测，由于这类算法的计算量较大、时间复杂度较高，并在消防通道车辆检测***中存在检测率低和鲁棒性差的问题，考虑了 多种干扰因素(如天气条件的变化和周围环境等)对车辆检测的影响，提出了一种自适应阈值分割车辆底部阴影的方法和基于多特征融合级联分类器的车辆检测方法。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于多特征融合级联分类器的消防通道车辆检测方法。

本发明公开一种基于多特征融合级联分类器的消防通道车辆检测方法，其关键在于，包括如下步骤：

步骤1，利用显著性检测方法提取消防通道道路区域图像；

步骤2，采用自适应阈值分割车辆底部阴影的方法，提取车辆底部阴影区域；

步骤3，采用基于像素变化率的阴影边缘提取方法得到车辆底部阴影的下边缘；

步骤4，在提取的车辆底部阴影下边缘的基础上，构建出车辆的感兴趣区域；

步骤5，分别提取车辆感兴趣区域的特征包括：Haar-like特征、HOG特征、LBP特征；

步骤6，利用基于Fisher准则的多特征融合方法对车辆感兴趣区域的Haar-like特征和LBP特征进行融合；

步骤7，采用Adaboost算法对融合后的特征值和HOG特征值进行训练生成级联分类器，最终用训练得到的级联分类器验证车辆感兴趣区域。

上述技术方案的有益效果为：利用显著性检测方法提取消防通道道路区域 图像，这样不仅可以缩小检测范围，而且能够排除非车道区域中的物体对检测结果的影响，提高检测结果的准确性。

针对现有的车辆检测算法在消防通道车辆检测***中存在检测率低和鲁棒性差的问题，考虑了多种干扰因素(如天气条件的变化和周围环境等)对车辆检测的影响，提出了一种自适应阈值分割车辆底部阴影的方法和基于多特征融合级联分类器的车辆检测方法，该方法能够在不同气候条件下，自适应地完成对消防通道中车辆的检测，与传统的车辆检测方法相比具有更高的检测率和更低的误检率。

所述的基于多特征融合级联分类器的消防通道车辆检测方法，优选的，所述步骤1包括：

步骤1-1，对摄像头采集的彩色RGB消防通道图像，使用加权平均值法将彩色RGB消防通道图像转换为灰度图像；

步骤1-2，对消防通道灰度图像进行中值滤波，增强图像的边缘信息，同时消除噪声的干扰。

步骤1-3，对滤波后的图像进行形态学处理，消除图像中较小的颗粒噪声，以便后续对车辆底部阴影进行分割；

步骤1-4，采取显著性检测方法提取车道区域图像，即利用多层元胞自动机(Multi-layer Cellular Automata，MCA)算法函数提取出道路区域图像。

上述技术方案的有益效果为：不仅可以缩小检测范围，而且能够排除非车道区域中的物体对检测结果的影响，提高检测结果的准确性。

所述的基于多特征融合级联分类器的消防通道车辆检测方法，优选的，所述步骤2包括：

步骤2-1，用4个大小为60像素×60像素的矩形窗口对车道区域灰度值进 行采样，然后统计每个矩形区域的灰度均值和方差，并将四个矩形的灰度均值和方差的平均值作为当前车道区域的灰度均值μ和方差δ²；

步骤2-2，正态变量取值主要在(μ-3δ,μ+3δ)之间，所以选择μ-3δ灰度值作为当前图像道路区域的车辆底部阴影的自适应分割阈值。

上述技术方案的有益效果为：与传统的固定阈值分割车辆底部阴影的方法相比，采用自适应阈值分割车辆底部阴影区域的方法能够很好的提取出不同天气、不同时刻的消防通道车辆底部阴影区域。

所述的基于多特征融合级联分类器的消防通道车辆检测方法，优选的，所述步骤3包括：

对图像进行由下向上的搜索时，如果检测到阴影区域，那么该区域的边缘像素点会出现从亮到黑的跳变，然后利用该像素点的像素变化率，即该像素点的梯度模值与灰度值的比值来判断该像素点是否为车辆底部阴影的边缘点。

上述技术方案的有益效果为：通过上述方法能够较为完整的提取出车辆底部阴影区域的下边缘。

所述的基于多特征融合级联分类器的消防通道车辆检测方法，优选的，所述步骤4包括：

将检测出的车辆底部阴影下边缘的左右边界点分别扩充10个像素点，然后以阴影下边缘的下边界点所在的水平直线作为长方形的宽，其大小即为阴影下边缘的左右边界的宽度，这样就可以构建出长宽比为1.2:1的长方形的车辆感兴趣区域。

上述技术方案的有益效果为：通过上述方法能够很好的根据前面所提取的车辆底部阴影下边缘确定出车辆的感兴趣区域。

所述的基于多特征融合级联分类器的消防通道车辆检测方法，优选的，所 述步骤5包括：

分别对车辆感兴趣区域中的Haar-like特征，HOG特征和LBP特征进行提取。

上述技术方案的有益效果为：提取车辆感兴趣区域中的灰度特征、梯度特征和纹理特征，为后续多特征的融合作准备。

所述的基于多特征融合级联分类器的消防通道车辆检测方法，优选的，所述步骤6包括：

使用Fisher准则将提取的消防通道车辆感兴趣区域的Haar-like特征和LBP特征进行融合，利用融合后的综合特征可以有效的剔除单一特征较强的非车辆区域，降低误检率。

上述技术方案的有益效果为：通过上述融合算法能够较好的将车辆感兴趣区域的灰度特征和纹理特征进行融合，以便于后续的分类器的训练。

所述的基于多特征融合级联分类器的消防通道车辆检测方法，优选的，所述步骤7包括：

采用Adaboost算法对融合后的特征值和HOG特征值进行离线训练生成级联分类器，然后分别提取待测消防通道车辆图像的融合特征和HOG特征作为级联分类器的输出，如果输出结果大于0则判断为车辆，反正则为非车辆。

上述技术方案的有益效果为：基于多特征融合级联分类器的车辆检测方法，在传统的HOG特征的Adaboost分类器中融合了灰度特征以及纹理特征，用这些特征弥补了单特征分类器检测率低的不足，继承了多特征融合高检测率的优点和基于HOG特征的Adaboost分类器对光照具有高鲁棒性的优点，因此该方法在不同气候条件下都有着较高的准确率，即具有更好的准确性和鲁棒性。

所述的基于多特征融合级联分类器的消防通道车辆检测方法，优选的，所述步骤7包括：

步骤7-1，为了提高分类器的性能，选择的正样本中包含了不同角度的车辆，同时背景区域是各种光照条件下的道路图像；负样本中包括树木、建筑、行人等在消防通道场景中可能出现的非车辆干扰因素。训练样本库中包括1500张车辆正样本和3000张负样本，尺寸大小均为128×96；

步骤7-2，分别提取车辆正负样本的Haar-like特征与LBP特征的融合特征值和HOG特征值；

步骤7-3，级联分类器初始化，假设样本训练集中正样本数量为M，负样本数量为N，并设定级联分类器中每层最小检测率为D_min和最大误检率为F_max以及级联分类器总的误检率F，级联分类器初始误检率F₀＝1，级联分类器的层数初始值i＝0；

步骤7-4，训练生成级联分类器中第i层的强分类器，直到该层的检测率大于或者等于D_min；

步骤7-5，计算第i层强分类器的误检率f_i，如果f_i>F_max，则转到步骤7-4；反之则继续执行；

步骤7-6，评估当前级联分类器总的误检率F_i，把分类错误的样本加入到负样本中，如果F_i>F，则令i＝i+1，并转到步骤7-4中训练生成下一层的强分类器；反之则终止整个训练过程，当前得到的级联分类器即为满足要求的级联分类器。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1、采取显著性检测方法提取车道区域图像，不仅可以缩小检测范围，而且能够排除非车道区域中的物体对检测结果的影响，提高检测结果的准确性。

2、针对传统固定阈值分割车辆底部阴影区域方法效果差的问题，采用自适应阈值分割车辆底部阴影区域的方法能够很好的提取出不同天气、不同时刻的消防通道车辆底部阴影区域，为后续准确构建车辆感兴趣区域奠定了基础。

3、使用Fisher准则将提取的消防通道车辆感兴趣区域的Haar-like特征与LBP特征进行融合，利用融合后的综合特征可以有效的剔除单一特征较强的非车辆区域，降低误检率，并作为后续多特征融合级联分类器的输入。

4、基于多特征融合级联分类器的车辆检测方法，在传统的Haar-like特征的Adaboost分类器中融合了灰度特征以及纹理特征，用这些特征弥补了单特征分类器检测率低的不足，继承了多特征融合高检测率的优点和基于HOG特征的Adaboost分类器对光照具有高鲁棒性的优点，因此该方法在不同气候条件下都有着较高的准确率，即具有更好的准确性和鲁棒性。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明的***流程图；

图2A-B是消防通道原始图像和提取的道路区域图像；

图3A-C是自适应阈值分割车辆底部阴影效果图；

图4A-B是提取的车辆底部阴影下边缘图像和车辆感兴趣区域图像；

图5是多特征融合级联分类器中强分类器训练流程图；

图6是多特征融合级联分类器训练流程图；

图7A-7C是不同天气下的部分检测结果效果图；

图8是本发明采用的Haar-like特征示意图。

具体实施方式

为了剔除背景冗余，利用显著性检测从原始图像中获取道路区域。频率调整算法(Frequency-tuned，FT)算法利用LAB空间计算颜色距离，区域对比度算法(RegionContrast,RC)算法基于感知流动性和相近区域的关联性，在RGB空间量化，LAB空间计算距离。单层元胞自动算法(Single-layer Cellular Automata，SCA)算法基于元胞自动机传播机制，依据更新原则同步动态更新显著性[16]。本文在此基础上，利用贝叶斯模型和SCA元胞自动机迭代更新，融合FT和RC显著图，FT增加了RC算法的空间权重，RC算法则在颜色量化上有良好效果，得到最终显著图，即多层元胞自动机(Multi-layer Cellular Automata，MCA)算法。

首先，对元胞自动机定义作以下三点修改：

①用超像素点的显著性值作为模型状态是0到1的连续值。

②邻近区域包括距离相邻的区域和共同边缘，同时认为所有边缘相邻。

③认为邻居之间影响力会变化，与色彩空间的相似度有关系，而并非固定不变。

接着，设定更新原则如下：

S^t+1＝C^*×S^t+(I-C^*)×F^*×S^t (1)

S^t、S^t+1表示第t、t+1阶段的显著性，C^*是置信度矩阵，F^*是影响因子矩阵，I是输入图像。其中：

F^*＝D^-1×F＝D^-1×[f_ij]_N*N (2)

式中，f_ij表示超像素点i对j的影响因子，||c_i,c_j||代表LAB空间中超像素点i、j的欧式距离，δ₃代表相似度权重，NB(i)是元胞i的邻居集合。D＝diag{d₁,d₂,d₃,...,d_N}表示度矩阵，方便影响因子矩阵归一化。

C^*＝diag{c^* ₁,c^* ₂,c^* ₃,...,c^* _N} (4)

式中a、b是固定值，一般取值为0.58、0.3。

然后，根据贝叶斯准则，后验概率归一化如下表示：

变形整理得：

其中P(i∈前景)＝S_i表示像素点i成为前景的可能性，P(i∈背景)＝1-S_i表示成为背景的可能性。二值阈值分割正确分为前景的概率为λ＝P(η_i＝+1|i∈前景)，正确分为背景概率为μ＝P(η_i＝-1|i∈背景)，且两者相等。

最后，推广到M层有：

表示t+1阶段第m张显著图所有元胞的显著值。

图1为本发明公开的一种适用于消防通道场景中的车辆检测方法，包括：

步骤1，利用显著性检测方法提取消防通道道路区域图像；

图2是消防通道原始图像和提取的道路区域图像的对比图。现实情况下，图像设备所采集的消防通道图片中包括车道区域和非车道区域，由于本文重点研究车道区域内的车辆目标检测，所以在检测之前需要对通道图像的车道区域进行提取，这样不仅可以缩小检测范围，而且能够排除非车道区域中的物体对检测结果的影响，提高检测结果的准确性。由于本文研究的消防通道场景的视场角度基本固定，故可采取显著性检测方法提取车道区域图像，即利用多层元胞自动机(Multi-layer Cellular Automata，MCA)算法函数提取出道路区域图像。图2A为消防通道原始图像，图2B为提取的道路区域图像。

步骤2，采用自适应阈值分割车辆底部阴影的方法，提取车辆底部阴影区域；

图3A-3C为采用本发明提出的自适应阈值对实际消防通道中车辆图像的底部阴影进行分割的效果图。一般采用固定灰度阈值分割的方法对车辆底部阴影区域进行提取，但对于消防通道这一复杂场景而言，由于受光照、气候等条件的影响，车道区域灰度值的变化范围较大，无法获得固定的阈值，故本发明采用了自适应阈值的方法分割车辆底部阴影区域。其思想是：首先用4个大小为60像素×60像素的矩形窗口对车道区域灰度值进行采样，然后统计每个矩形区域的灰度均值和方差，并将四个矩形的灰度均值和方差的平均值作为当前车道区域的灰度均值μ和方差δ²，最终根据统计结果确定当前图像车道区域的 车辆底部阴影的固定分割阈值，从而达到自适应阈值进行阴影分割的目的。车道区域的灰度值服从正态分布，因此其像素的灰度值服从均值为μ、方差为δ²的正态分布Γ(μ,δ²)，则图像中像素灰度值的概率密度函数ψ(x)可以表示为：

其中，K为系数因子，取值范围为1到3之间。

已知，正态变量取值主要在(μ-3δ,μ+3δ)之间，因此本发明选择μ-3δ对应灰度值作为车辆底部阴影灰度的自适应阈值。

步骤3，采用基于像素变化率的阴影边缘提取方法得到车辆底部阴影的下边缘；

图4A是提取的车辆底部阴影下边缘效果图，用白色线条将其标出。由于车辆底部阴影的颜色特征比较明显，它与道路其它区域相比颜色更黑，所以在对图像进行由下向上的搜索时，如果检测到阴影区域，那么该区域的边缘像素点会出现从亮到黑的跳变，然后利用该像素点的像素变化率，即该像素点的梯度模值与灰度值的比值来判断该像素点是否为车辆底部阴影的边缘点。

由于车辆底部阴影不完全是一条直线，可能会出现倾斜或者弯曲。通过上述方法所提取的车辆底部阴影下边缘会发生间断，为了完整的检测出底部阴影的下边缘，需要对检测出的底部阴影下边缘进行连接。具体的连接方法如下：对已经检测出的底部阴影下边缘从左到右进行扫描，如果发现某个像素点右边相邻区域5个像素点内发生间断，那么可以将间断用灰度值为255(白色)的像素点进行替代，最终就可以得到完整的车辆底部阴影下边缘。

图4B为最终确定的车辆感兴趣区域。将检测出的车辆底部阴影下边缘的左右边界点分别扩充10个像素点，然后以阴影下边缘的下边界点所在的水平直线作为长方形的宽，其大小即为阴影下边缘的左右边界的宽度，这样就可以 构建出长宽比为1.2:1的长方形的车辆感兴趣区域。

为了更加准确地定位车辆底部阴影可能存在的位置，本文采用基于像素变化率的边缘提取方法对车辆阴影边缘进行提取。由于车辆底部阴影区域比其他区域灰度值小，所以当对消防通道从下向上扫描时，如果检测到阴影区域，那么该区域的边缘像素点会出现从大到小的跳变，然后利用该像素点的像素变化率，即该像素点的梯度模值与灰度值的比值来判断该像素点是否为车辆底部阴影的边缘点。

定义1.像素的邻域像素梯度模型

假设F代表图像中大小为5×5的子区域，H为尺寸大小为5×5的均值掩模，像素点(i,j)的梯度模数学表达式为：

其中，u和v为梯度模邻域的大小。

定义2.像素变化率

假设(i,j)为当前像素点的位置坐标，像素点(i,j)变化率的数学表达式为：

B_ij＝R_ij/G_ij (12)

其中，G_ij为像素点(i,j)的像素值，选取不同的像素变化率阈值，可以得到不同的边缘像素点。

最终以上面提取的车辆底部阴影下边缘为基础，将阴影下边缘的左右边界点分别扩充10个像素点，然后以阴影下边缘的下边界点所在的水平直线作为长方形的宽，其大小即为阴影下边缘的左右边界的宽度，这样就可以构建出长宽比为1.2的长方形的车辆感兴趣区域。

步骤4，在提取的车辆底部阴影下边缘的基础上，构建出车辆的感兴趣区域；

图5是多特征融合级联分类器中强分类器训练流程图，其具体步骤如下：

S1、强分类器初始化，假设样本训练集中正样本数量为M，负样本数量为N，并设定强分类器的最小检测率为D_min和最大误检率为F_max，强分类器初始误检率f＝1；

S2、样本权值初始化，将训练样本集中的所有正负样本赋予相同的权值；

S3、选择具有最小分类错误的特征加入到强分类器，并用临时强分类器对正负样本进行检测，将分类结果分别保存到两个数组中；

S4、将存有正样本特征值的数组按升序排列，使用数组中第[M×(1-D_min)]个元素作为分类器的临时阈值；

S5、统计存有负样本的数组中特征值大于该临时阈值的样本数量N_false，并计算出当前临时强分类器的误检率f＝N_false/N；

S6、更新样本权值，挑选出权值较大的样本形成新的训练样本集；

S7、强分类器终止条件判断，如果f>f_max，则转到S3，反之则终止整个训练过程，当前得到的强分类器即为满足要求的强分类器。

HOG特征描述了图像局部区域在梯度、强度以及梯度方向上的分布情况，进而能够反映出局部图像的外观、形状以及轮廓。

为了提高特征值的计算效率，本文采用积分方向法通过计算图像中各个像素点的梯度值和梯度方向，再将样本集根据梯度方向的不同划分成不同区域。每个像素点的特征用N维向量表示：

p(x，y)＝e_km(x，y) (13)

其中e_k＝(0,…,j_k,…,0)，只有当像素点(x,y)的梯度方向落在第k个区间上时，j_k为1，其他区域j_k为0。积分过程与类似积分图像的计算过程，不同的是将亮度值求和变为了向量求和：

最后把每一个方向的梯度图像对应投影成一个积分直方图。利用积分直方图可以计算图像上任意矩形区域的HOG特征，不论矩形的大小和形状如何，都可以通过4*N次查找获得该矩形的HOG特征，极大地提高了训练和检测的效率。

LBP算子包含结构和统计的思想，结构体现在要求以3*3的窗口作为计算的阈值，通过和周围相邻的8个像素的灰度值比较，得到需要的LBP值，并用其来反映该区域的纹理信息。统计体现在记录一定范围内的LBP码出现的频率，得到频率直方图。LBP算子的编码规则如下：

式中(u,v)指局部邻域里中心像素的坐标，n_c指中心像素的灰度值，n_i指以(u,v)为圆心、R为半径的圆上等间隔分布的N个像素点的灰度值。由式可知，邻域内各像素的差异情况可以用一个N位二进制数表示，得到2^N个不同的二进制数，因此LBP描述子的维数为2^N。

由于LBP特征提取过程非常简单，提取速度很快，在模式识别领域取得了不错的效果。

选用两矩形特征和三矩形特征作为感兴趣区域中车辆的检测特征，如图8所示，其特征值定义为黑色矩形所有像素值的和减去白色区域所有像素值的和。

图8本发明采用的Haar-like特征。

为了提高特征值的计算效率，采用“积分图”[14]能够保证对图像经过一次遍历即可以计算出所有的Haar-like特征值。

假设f(x,y)代表图像，(i,j)为感兴趣区域图像中任意像素点的位置坐标，其左上角所有像素的和即为该像素点“积分图”的值h(i,j)，具体表达式为：

对于感兴趣区域中任何矩阵区域的特征值都可以通过下式(18)计算得到，如图7所示，p₁、p₂、p₃、p₄分别为矩形区域I的四个顶点坐标，则矩形区域I中所有像素的和S_I：

S_I＝h(p₄)+h(p₁)-h(p₂)-h(p₃) (18)

步骤5，分别提取车辆感兴趣区域的几何特征包括：Haar-like特征、HOG特征、LBP特征；

图6是多特征融合级联分类器训练流程图，其具体步骤如下：

P_S1、级联分类器初始化，假设样本训练集中正样本数量为M，负样本数量为N，并设定级联分类器中每层最小检测率为D_min和最大误检率为F_max以及级联分类器总的误检率F，级联分类器初始误检率F₀＝1，级联分类器的层数初始值i＝0；

P_S2、训练生成级联分类器中第i层的强分类器，直到该层的检测率大于或者等于D_min；

P_S3、计算第i层强分类器的误检率f_i，如果f_i>F_max，则转到步骤7-4；反之则继续执行；

P_S4、评估当前级联分类器总的误检率F_i，把分类错误的样本加入到负样 本中，如果F_i>F，则令i＝i+1，并转到步骤7-4中训练生成下一层的强分类器；反之则终止整个训练过程，当前得到的级联分类器即为满足要求的级联分类器。

步骤6，利用基于Fisher准则的多特征融合方法对车辆感兴趣区域的Haar-like特征和LBP特征进行融合；

图7是使用本文提出的基于多特征融合级联分类器的方法进行检测的结果，其中包括了不同天气情况下(光照条件不同)的消防通道车辆检测结果，图7A为晴天检测效果图、图7B为阴天检测效果图、图7C为雨天检测效果图，从图中可以看出，本文算法在不同的天气状况，不同的车道背景下，都能准确的检测出消防通道内是否存在车辆的停放，图中红色方框区域为检测到的车辆。

在特征选择时引入了Haar特征和LBP特征融合后的特征。使用Adaboost算法对HOG特征和融合后的特征进行训练。使用训练得到的级联分类器对待测图像子窗口进行检测，如果待检测子窗口被级联分类器中任何一个分类器拒绝，则直接将筛选掉，不再进行后续分类器的检测。只有通过级联结构中所有分类器的筛选，才判定为车辆。先通过HOG特征分类器对目标图像进行粗略检测，将通过的检测结果再输入融合分类器进行二次检测，可以很好的解决单一特征检测遗漏等问题。

弱分类器定义

对于每一个HOG特征和融合特征，都可以生成一个弱分类器，其定义如下：

其中，x为待检测子窗口；f_j(x)是第j个特征所对应子窗口的特征值； p_j∈{-1,1}，表示分类方向；θ_j是分类器的阈值，将所有样本的特征值进行由小到大排序，通过对排序后的特征值从头到尾进行扫描，搜索最小误差对应的值作为分类器的阈值；h_j(x)即为由特征f_j所构成的分类器，α和β分别代表弱分类器分类结果的置信度，其取值范围是介于[-1,1]之间的实数。当它们的取值大于零时，表示当前测试样本有车辆存在。

强分类器训练

多特征级联分类器中强分类器的训练过程为：首先为所有的训练样本赋予相同的权值，然后对训练样本集进行T轮训练。每轮训练结束后，分别调整样本的权值，削弱正确分类的样本的权值，提升错误分类的样本的权值。经过T轮训练后，得到T个弱分类器，将弱分类器按照一定的权值组合成强分类器，分类效果越好的弱分类器其所对应的权值越高[18]。具体的步骤如下：

给定训练样本(x₁,y₁),···,(x_n,y_n)，其中x_i为输入的训练样本向量；y_i为分类标识，y_i∈[-1,1]，i＝1,2,···,n，1和-1分别代表正负样本。

样本权值初始化

其中，l为训练样本集中正样本的个数，m为训练样本集中负样本的个数。

对于t＝1,2,···,T(T为训练次数)，其中弱分类器的值g_t,j(x)＝P(y＝1|x)-P(y＝-1|x)，1≤j≤k，其含义是样本x判断为正样本的概率与判断为负样本的概率的差值

①样本权值归一化：

②对于每一个特征j，得到对应的弱分类器g_t,j∈[-1,1]，其中1≤j≤k；

③计算出该分类器g_t,j的分类误差

④将分类误差最小的弱分类器g_t加入到强分类器中，G(x)←G(x)+g_t(x)，式中G(x)代表强分类器；

⑤更新样本权值，令ω_t,i←ω_t,iexp[-y_ig_t,i(x_i)]，i＝1,2,···,n，并对更新后的样本权值进行归一化处理

(2)生成强分类器

由上式可知，最终训练生成的强分类器其实是一个符号函数，当符号函数的输出大于零时，表示有车辆。

多特征融合级联分类器训练

本文提出的多特征融合级联分类器的训练步骤如下：

1设定级联分类器中每层最小检测率为D_min和最大误检率为F_max以及级联分类器总的误检率F，级联分类器初始误检率F₀＝1，级联分类器的层数初始值λ＝0；

2训练生成级联分类器中第λ层的强分类器，直到该层的检测率大于或者等于D_min；

3计算第i层强分类器的误检率f_λ，如果f_λ>F_max，则转到步骤2○；反之则继续执行；

4评估当前级联分类器总的误检率F_λ，把分类错误的样本加入到负样本中，如果F_λ>F，则令λ＝λ+1，并转到步骤(2)中训练生成下一层的强分类器；反之则终止整个训练过程，当前得到的级联分类器即为满足要求的级联分类器。

步骤7，采用Adaboost算法对融合后的特征值和HOG特征值进行训练生成级联分类器，最终用训练得到的级联分类器验证车辆感兴趣区域。

因此，本发明将多特征融合算法与Adaboost算法相结合，提出了一种基于多特征融合级联分类器的车辆检测方法，在传统的HOG特征的Adaboost分类器中融合了灰度特征以及纹理特征，用这些特征弥补了单特征分类器检测率低的不足，并继承了多特征融合高检测率的优点和基于HOG特征的Adaboost分类器对光照具有高鲁棒性的优点，具有更好的准确性和光照鲁棒性。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (9)

1.一种基于多特征融合级联分类器的消防通道车辆检测方法，其特征在于，包括如下步骤：

步骤1，利用显著性检测方法提取消防通道道路区域图像；

步骤2，采用自适应阈值分割车辆底部阴影的方法，提取车辆底部阴影区域；

步骤3，采用基于像素变化率的阴影边缘提取方法得到车辆底部阴影的下边缘；

步骤4，在提取的车辆底部阴影下边缘的基础上，构建出车辆的感兴趣区域；

步骤5，分别提取车辆感兴趣区域的特征包括：Haar-like特征、HOG特征、LBP特征；

步骤6，利用基于Fisher准则的多特征融合方法对车辆感兴趣区域的Haar-like特征和LBP特征进行融合；

步骤7，采用Adaboost算法对融合后的特征值和HOG特征值进行训练生成级联分类器，最终用训练得到的级联分类器验证车辆感兴趣区域。

2.根据权利要求1所述的基于多特征融合级联分类器的消防通道车辆检测方法，其特征在于，所述步骤1包括：

步骤1-1，对摄像头采集的彩色RGB消防通道图像，使用加权平均值法将彩色RGB消防通道图像转换为灰度图像；

步骤1-2，对消防通道灰度图像进行中值滤波，增强图像的边缘信息，同时消除噪声的干扰。

步骤1-3，对滤波后的图像进行形态学处理，消除图像中较小的颗粒噪声，以便后续对车辆底部阴影进行分割；

步骤1-4，采取显著性检测方法提取车道区域图像，即利用多层元胞自动机(MCA)算法函数提取出道路区域图像。

3.根据权利要求1所述的基于多特征融合级联分类器的消防通道车辆检测方法，其特征在于，所述步骤2包括：

步骤2-1，用4个大小为60像素×60像素的矩形窗口对车道区域灰度值进行采样，然后统计每个矩形区域的灰度均值和方差，并将四个矩形的灰度均值和方差的平均值作为当前车道区域的灰度均值μ和方差δ²；

步骤2-2，正态变量取值主要在(μ-3δ,μ+3δ)之间，所以选择μ-3δ灰度值作为当前图像道路区域的车辆底部阴影的自适应分割阈值。

4.根据权利要求1所述的基于多特征融合级联分类器的消防通道车辆检测方法，其特征在于，所述步骤3包括：

对图像进行由下向上的搜索时，如果检测到阴影区域，那么该区域的边缘像素点会出现从亮到黑的跳变，然后利用该像素点的像素变化率，即该像素点的梯度模值与灰度值的比值来判断该像素点是否为车辆底部阴影的边缘点。

5.根据权利要求1所述的基于多特征融合级联分类器的消防通道车辆检测方法，其特征在于，所述步骤4包括：

将检测出的车辆底部阴影下边缘的左右边界点分别扩充10个像素点，然后以阴影下边缘的下边界点所在的水平直线作为长方形的宽，其大小即为阴影下边缘的左右边界的宽度，这样就可以构建出长宽比为1.2:1的长方形的车辆感兴趣区域。

6.根据权利要求1所述的基于多特征融合级联分类器的消防通道车辆检测方法，其特征在于，所述步骤5包括：

分别对车辆感兴趣区域中的Haar-like特征，HOG特征和LBP特征进行提取。

7.根据权利要求1所述的基于多特征融合级联分类器的消防通道车辆检测方法，其特征在于，所述步骤6包括：

使用Fisher准则将提取的消防通道车辆感兴趣区域的Haar-like特征和LBP特征进行融合，利用融合后的综合特征可以有效的剔除单一特征较强的非车辆区域，降低误检率。

8.根据权利要求1所述的基于多特征融合级联分类器的消防通道车辆检测方法，其特征在于，所述步骤7包括：

采用Adaboost算法对融合后的特征值和HOG特征值进行离线训练生成级联分类器，然后分别提取待测消防通道车辆图像的融合特征和HOG特征作为级联分类器的输出，如果输出结果大于0则判断为车辆，反正则为非车辆。

9.根据权利要求8所述的基于多特征融合级联分类器的消防通道车辆检测方法，其特征在于，所述步骤7包括：

步骤7-1，为了提高分类器的性能，选择的正样本中包含了不同角度的车辆，同时背景区域是各种光照条件下的道路图像；负样本中包括树木、建筑、行人等在消防通道场景中可能出现的非车辆干扰因素。训练样本库中包括1500张车辆正样本和3000张负样本，尺寸大小均为128×96；

步骤7-2，分别提取车辆正负样本的Haar-like特征与LBP特征的融合特征值和HOG特征值；

步骤7-3，级联分类器初始化，假设样本训练集中正样本数量为M，负样本数量为N，并设定级联分类器中每层最小检测率为D_min和最大误检率为F_max以及级联分类器总的误检率F，级联分类器初始误检率F₀＝1，级联分类器的层数初始值i＝0；

步骤7-4，训练生成级联分类器中第i层的强分类器，直到该层的检测率大于或者等于D_min；

步骤7-5，计算第i层强分类器的误检率f_i，如果f_i>F_max，则转到步骤7-4；反之则继续执行；

步骤7-6，评估当前级联分类器总的误检率F_i，把分类错误的样本加入到负样本中，如果F_i>F，则令i＝i+1，并转到步骤7-4中训练生成下一层的强分类器；反之则终止整个训练过程，当前得到的级联分类器即为满足要求的级联分类器。