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 PDFInfo
- 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- Withdrawn
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
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,。
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)
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)
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 |
-
2017
- 2017-05-11 CN CN201710327872.2A patent/CN107133597A/zh not_active Withdrawn
Patent Citations (2)
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)
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)
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 |