CN107133597A - 一种日间前方车辆检测方法 - Google Patents

一种日间前方车辆检测方法 Download PDF

Info

Publication number
CN107133597A
CN107133597A CN201710327872.2A CN201710327872A CN107133597A CN 107133597 A CN107133597 A CN 107133597A CN 201710327872 A CN201710327872 A CN 201710327872A CN 107133597 A CN107133597 A CN 107133597A
Authority
CN
China
Prior art keywords
sample
training
fenton oxidation
daytime
vehicle
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Withdrawn
Application number
CN201710327872.2A
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanning Lehongpo Technology Co Ltd
Original Assignee
Nanning Lehongpo Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nanning Lehongpo Technology Co Ltd filed Critical Nanning Lehongpo Technology Co Ltd
Priority to CN201710327872.2A priority Critical patent/CN107133597A/zh
Publication of CN107133597A publication Critical patent/CN107133597A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种日间前方车辆检测方法，包括以下步骤：S1：通过摄像头获取车辆前方的视频图像，对视频图像进行预处理；S2：离线训练：对大量的日间车辆正、负样本图片通过积分图提取类Haar特征，基于Adaboost算法选取有效的类Haar特征进行训练，得到强分类器；S3：在线识别：对测试样本提取类Haar特征，并将特征输入到AdaBoost分类器进行车辆识别。本发明在提取类Haar特征时，积分图的使用有效地提高了训练速度和检测速度，可以快速、有效地对车辆进行识别。

Description

一种日间前方车辆检测方法
技术领域
本发明具体涉及一种日间前方车辆检测方法。
背景技术
车辆追尾在交通事故中占有很大比例，为了有效地避免车辆发生碰撞，前方车辆检测技术已成为智能和安全辅助驾驶***领域的重要研究方向。前方车辆检测***通过传感器为行驶车辆提供前方环境信息。目前采用的传感主要有机器视觉、毫米波雷达、激光雷达和红外等传感器。相对于其他传感器，视觉传感器具有信息获取量大的显著特征。因此，机器视觉仍是实现前方车辆检测的主要传感器。
基于视觉的车辆识别方法一般可以分为基于特征、基于光流场、基于模型和基于机器学习4种。基于特征的车辆检测方法主要是根据车辆的对称性、阴影、边缘等特征进行车辆检测，为得到确切结果，通常将阴影、对称性和边缘特征结合起来。光流法主要通过摄像机运动、前方障碍物运动或二者相对运动的瞬时速度场实现，但该方法对噪声、光线变化敏感，计算量大。基于模型的方法首先建立已知车辆精准的二维或三维模型，然后与待检测图像进行匹配，该方法对车辆模型过分依赖。机器学习主要利用从数据里提取的规则或模式将数据转化为信息，对数据进行分类识别。基于SVM或神经网络的机器学习方法对车辆检测时运算量大、耗时长，识别性能有待进一步提高。
发明内容
本发明要解决的技术问题是提供一种日间前方车辆检测方法。
一种日间前方车辆检测方法，包括以下步骤：
S1：通过摄像头获取车辆前方的视频图像，对视频图像进行预处理，包括灰度化处理处理和归一化处理为20×20灰度图；
S2：离线训练：对大量的日间车辆正、负样本图片通过积分图提取类Haar特征，基于Adaboost算法选取有效的类Haar特征进行训练，得到强分类器；
S3：在线识别：对测试样本提取类Haar特征，并将特征输入到AdaBoost分类器进行车辆识别。
进一步的，离线训练的具体过程如下：
1）训练样本选择：训练样本分为正样本和负样本，正样本为日间车辆样本图片，负样本为其他任意样本图片；选用正样本1000张，负样本3000张，对样本进行灰度化处理，归一化处理为20×20灰度图，构成训练样本集；
2）利用积分图在图像上计算任意矩形区域内的像素和，从而求得矩形值；在点(x,y)处从左到右的像素总和为：
；
式中：为在点的积分图像的像素和；为点处的灰度值；借助积分图像可以快速计算出类Haar特征值；
3）基于Adaboost分类器训练：
①样本集：，其中为输入的训练样本向量；为类别标签，；0和1分别代表负样本和正样本，假设样本集中共有l个正样本，m个负样本，l+m=n，每个样本共有k个类Haar特征值；
②初始化权重：
当时为负样本，；当=1时为正样本，；
③对于t=1,2,…,T(T为训练次数，决定最终弱分类器的个数)：
权重归一化：；
对于特征j，按给定样本权重训练弱分类器，并计算其相对于当前权重的误差：
式中, 为弱分类器的值；为第j个特征的特征值；为阈值；，表示分类方向；选择本轮训练中具有误差的弱分类器加入到强分类器中去，；
更新每个样本所对应的权重：
，
式中，；若样本被正确分类，则；否则，；
④最终的强分类器为：
；式中，。
本发明的有益效果是：
本发明在提取类Haar特征时，积分图的使用有效地提高了训练速度和检测速度，可以快速、有效地对车辆进行识别。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
一种日间前方车辆检测方法，包括以下步骤：
S1：通过摄像头获取车辆前方的视频图像，对视频图像进行预处理，包括灰度化处理处理和归一化处理为20×20灰度图；
S2：离线训练：对大量的日间车辆正、负样本图片通过积分图提取类Haar特征，基于Adaboost算法选取有效的类Haar特征进行训练，得到强分类器；
S3：在线识别：对测试样本提取类Haar特征，并将特征输入到AdaBoost分类器进行车辆识别。
离线训练的具体过程如下：
1）训练样本选择：训练样本分为正样本和负样本，正样本为日间车辆样本图片，负样本为其他任意样本图片；选用正样本1000张，负样本3000张，对样本进行灰度化处理，归一化处理为20×20灰度图，构成训练样本集；
2）利用积分图在图像上计算任意矩形区域内的像素和，从而求得矩形值；在点(x,y)处从左到右的像素总和为：
；
式中：为在点的积分图像的像素和；为点处的灰度值；借助积分图像可以快速计算出类Haar特征值；
3）基于Adaboost分类器训练：
①样本集：，其中为输入的训练样本向量；为类别标签，；0和1分别代表负样本和正样本，假设样本集中共有l个正样本，m个负样本，l+m=n，每个样本共有k个类Haar特征值；
②初始化权重：
当时为负样本，；当=1时为正样本，；
③对于t=1,2,…,T(T为训练次数，决定最终弱分类器的个数)：
权重归一化：；
对于特征j，按给定样本权重训练弱分类器，并计算其相对于当前权重的误差：
式中, 为弱分类器的值；为第j个特征的特征值；为阈值；，表示分类方向；选择本轮训练中具有误差的弱分类器加入到强分类器中去，；
更新每个样本所对应的权重：
，
式中，；若样本被正确分类，则；否则，；
④最终的强分类器为：
；式中，。

Claims (2)

1.一种日间前方车辆检测方法，其特征在于，包括以下步骤：
S1：通过摄像头获取车辆前方的视频图像，对视频图像进行预处理，包括灰度化处理处理和归一化处理为20×20灰度图；
S2：离线训练：对大量的日间车辆正、负样本图片通过积分图提取类Haar特征，基于Adaboost算法选取有效的类Haar特征进行训练，得到强分类器；
S3：在线识别：对测试样本提取类Haar特征，并将特征输入到AdaBoost分类器进行车辆识别。
2.根据权利要求1所述的日间前方车辆检测方法，其特征在于，离线训练的具体过程如下：
1）训练样本选择：训练样本分为正样本和负样本，正样本为日间车辆样本图片，负样本为其他任意样本图片；选用正样本1000张，负样本3000张，对样本进行灰度化处理，归一化处理为20×20灰度图，构成训练样本集；
2）利用积分图在图像上计算任意矩形区域内的像素和，从而求得矩形值；在点(x,y)处从左到右的像素总和为：
；
式中：为在点的积分图像的像素和；为点处的灰度值；借助积分图像可以快速计算出类Haar特征值；
3）基于Adaboost分类器训练：
①样本集：，其中为输入的训练样本向量；为类别标签，；0和1分别代表负样本和正样本，假设样本集中共有l个正样本，m个负样本，l+m=n，每个样本共有k个类Haar特征值；
②初始化权重：
当时为负样本，；当=1时为正样本，；
③对于t=1,2,…,T(T为训练次数，决定最终弱分类器的个数)：
权重归一化：；
对于特征j，按给定样本权重训练弱分类器，并计算其相对于当前权重的误差：
式中, 为弱分类器的值；为第j个特征的特征值；为阈值；，表示分类方向；选择本轮训练中具有误差的弱分类器加入到强分类器中去，；
更新每个样本所对应的权重：
，
式中，；若样本被正确分类，则；否则，；
④最终的强分类器为：
；式中，。
CN201710327872.2A 2017-05-11 2017-05-11 一种日间前方车辆检测方法 Withdrawn CN107133597A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710327872.2A CN107133597A (zh) 2017-05-11 2017-05-11 一种日间前方车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710327872.2A CN107133597A (zh) 2017-05-11 2017-05-11 一种日间前方车辆检测方法

Publications (1)

Publication Number Publication Date
CN107133597A true CN107133597A (zh) 2017-09-05

Family

ID=59731481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710327872.2A Withdrawn CN107133597A (zh) 2017-05-11 2017-05-11 一种日间前方车辆检测方法

Country Status (1)

Country Link
CN (1) CN107133597A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241916A (zh) * 2018-09-12 2019-01-18 四川长虹电器股份有限公司 一种基于智能手机的行人步行安全检测的***及方法
CN110047319A (zh) * 2019-04-15 2019-07-23 深圳壹账通智能科技有限公司 停车场车位导航方法、电子装置及存储介质
CN111553388A (zh) * 2020-04-07 2020-08-18 哈尔滨工程大学 一种基于在线AdaBoost的垃圾邮件检测方法
CN112990002A (zh) * 2021-03-12 2021-06-18 吉林大学 下坡路上交通信号灯识别方法、***及计算机可读介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102685516A (zh) * 2011-03-07 2012-09-19 李慧盈 立体视觉主动安全辅助驾驶方法
CN103269908A (zh) * 2010-12-27 2013-08-28 丰田自动车株式会社 图像提供设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103269908A (zh) * 2010-12-27 2013-08-28 丰田自动车株式会社 图像提供设备
CN102685516A (zh) * 2011-03-07 2012-09-19 李慧盈 立体视觉主动安全辅助驾驶方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金立生 等: ""基于Adaboost算法的日间前方车辆检测"", 《吉林大学学报（工学版）》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109241916A (zh) * 2018-09-12 2019-01-18 四川长虹电器股份有限公司 一种基于智能手机的行人步行安全检测的***及方法
CN110047319A (zh) * 2019-04-15 2019-07-23 深圳壹账通智能科技有限公司 停车场车位导航方法、电子装置及存储介质
CN111553388A (zh) * 2020-04-07 2020-08-18 哈尔滨工程大学 一种基于在线AdaBoost的垃圾邮件检测方法
CN112990002A (zh) * 2021-03-12 2021-06-18 吉林大学 下坡路上交通信号灯识别方法、***及计算机可读介质

Similar Documents

Publication Publication Date Title
US8773535B2 (en) Adaptation for clear path detection using reliable local model updating
CN104573646B (zh) 基于激光雷达和双目相机的车前行人检测方法及***
US8681222B2 (en) Adaptation for clear path detection with additional classifiers
CN107133597A (zh) 一种日间前方车辆检测方法
Wali et al. Comparative survey on traffic sign detection and recognition: a review
US20190392192A1 (en) Three dimensional (3d) object detection
CN107463890A (zh) 一种基于单目前视相机的前车检测与跟踪方法
Monteiro et al. Tracking and classification of dynamic obstacles using laser range finder and vision
CN112381870B (zh) 一种基于双目视觉的船舶识别与航速测量***及方法
CN108960074B (zh) 基于深度学习的小尺寸行人目标检测方法
Romera et al. A Real-Time Multi-scale Vehicle Detection and Tracking Approach for Smartphones.
Fan et al. Traffic sign detection and classification for Advanced Driver Assistant Systems
US20070223785A1 (en) Image processor and method
Al-refai et al. Road object detection using Yolov3 and Kitti dataset
CN108734123A (zh) 高速公路标志识别方法、电子设备、存储介质及***
Zhang et al. Moving pedestrian detection based on motion segmentation
Kim et al. Road surface marking detection for sensor fusion-based positioning system
CN105740783B (zh) 基于姿态检测与衣帽特征的交警检测方法和***
Kurnianggoro et al. Visual perception of traffic sign for autonomous vehicle using k-nearest cluster neighbor classifier
Zakaria et al. A novel vehicle detection system
Henry et al. Lane Detection and Distance Estimation Using Computer Vision Techniques
Chincholkar et al. TRAFFIC SIGN BOARD DETECTION AND RECOGNITION FOR AUTONOMOUS VEHICLES AND DRIVER ASSISTANCE SYSTEMS.
Kim et al. Stereo vision-based improving cascade classifier learning for vehicle detection
Mesmakhosroshahi et al. Stereo based region of interest generation for pedestrian detection in driver assistance systems
Ajay et al. Application of Image Processing Techniques for Pothole Detection

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20170905