CN109977862A - 一种车位限位器的识别方法 - Google Patents

一种车位限位器的识别方法 Download PDF

Info

Publication number
CN109977862A
CN109977862A CN201910230748.3A CN201910230748A CN109977862A CN 109977862 A CN109977862 A CN 109977862A CN 201910230748 A CN201910230748 A CN 201910230748A CN 109977862 A CN109977862 A CN 109977862A
Authority
CN
China
Prior art keywords
limiter
sample
gradient
channel
parking stall
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.)
Granted
Application number
CN201910230748.3A
Other languages
English (en)
Other versions
CN109977862B (zh
Inventor
张会朋
杨波
刘春霞
钱磊
侯欢欢
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.)
Beijing Yin Wu Automotive Technology Co Ltd
Original Assignee
Beijing Yin Wu Automotive 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 Beijing Yin Wu Automotive Technology Co Ltd filed Critical Beijing Yin Wu Automotive Technology Co Ltd
Priority to CN201910230748.3A priority Critical patent/CN109977862B/zh
Publication of CN109977862A publication Critical patent/CN109977862A/zh
Application granted granted Critical
Publication of CN109977862B publication Critical patent/CN109977862B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (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)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了一种车位限位器的识别方法，其通过识别车位限位器来修正车位位置，实现对车位的精确定位，包括以下步骤：步骤1：实时采集图像，构造特征金字塔，计算通道特征；步骤2：采集限位器样本，使用Adaboost训练限位器样本，得到强分类器；步骤3：将步骤1得到的通道特征输入到步骤2的强分类器中进行分类检测，输出限位器的位置信息。

Description

一种车位限位器的识别方法
技术领域
本发明涉及图像处理技术和智能交通领域，具体涉及一种车位限位器的识别方法。
背景技术
车位限位器为车位后端的挡车器，用以停车限位；限位器一般离车位后端1.2米保证停车时车辆不会发生碰撞，同时又不影响打开车辆后备箱。随着汽车辅助驾驶技术的不断发展，自动泊车技术成为汽车辅助驾驶***的关键技术之一，如何提高泊车过程中车位位置的定位精度是当前研究的热点。
发明内容
针对上述问题，本发明提供了一种车位限位器的识别方法，其通过识别车位限位器来修正车位位置，实现对车位的精确定位。
其技术方案是这样的：一种车位限位器的识别方法，其特征在于，包括以下步骤：
步骤1：实时采集图像，构造特征金字塔，计算通道特征；
步骤2：采集限位器样本，使用Adaboost训练限位器样本，得到强分类器；
步骤3：将步骤1得到的通道特征输入到步骤2的强分类器中进行分类检测，输出限位器的位置信息。
具体的，包括以下步骤：
步骤101：实时采集图像：使用车辆后置鱼眼摄像头作为图像采集设备，实时采集图像；
步骤102：划分感兴趣区域：对步骤101中采集得到的图像进行分析，在采集得到的图像中划分感兴趣区域，用于作为需要检测的限位器分布的区域；
步骤103：构造特征金字塔：遍历步骤102得到的感兴趣区域，送入限位器检测器，在限位器检测器中，基于快速特征金字塔方法构建特征金字塔，计算图像特征；
步骤104：通道特征提取和计算：在步骤103得到的图像特征中提取通道特征，包括梯度幅值、梯度方向直方图、颜色通道；
步骤105：通道特征聚合：将步骤104得到的通道特征进行聚合；
步骤201：限位器样本抽取：采集限位器样本，抽取限位器正样本和限位器负样本；
步骤202：计算样本通道特征：提取和计算限位器正样本和限位器负样本的通道特征；
步骤203：Adaboost离线训练：对步骤202得到的限位器样本的通道特征进行Adaboost离线训练，得到Adaboost级联强分类器；
步骤300：将步骤105的通道特征输入到Adaboost级联强分类器中进行分类检测，使用滑窗搜索的方法得到检测框，应用非极大值抑制(non-maximal suppression,NMS)方法得到最终的检测框以及限位器的位置坐标，输出限位器的位置信息。
进一步的，在步骤103中，在每个Octave重采样图像计算特征，每个Octave之间的尺度对应的特征使用如下公式进行估计：
其中，R(C,s)表示图像C使用尺度s重采样，λΩ是每个通道函数对应的系数；
进一步的，在步骤103中，建立快速特征金字塔的具体步骤为：
P1：创建图像的多尺度图像金字塔；
P2：根据Cs＝R(C,s)计算每个Octave的第一层聚合通道特征，式中s表示对应的Octave即
P3：每个Octave的其他层则根据以下公式进行估计：
式中：Cs'＝Ω(Is')，Cs'为图像Is'的特征，则表示距离s组最近的一层。
进一步的，在步骤104中，先对步骤103得到的不同尺度的特征图进行特征提取前，用[1 2 1]/4滤波器进行平滑，其中[1 2 1]表示1x3的矩阵。
进一步的，在步骤104中，提取的通道特征包括1通道梯度幅度，6通道梯度方向直方图，3通道颜色特征，对于颜色特征，将RGB输入图像的像素值转换为LUV格式；梯度方向直方图通道特征的方向分别为30°、60°、90°、120°、150°、180°，计算梯度幅值通道特征和梯度方向直方图通道特，用[-1 0 1]度算子对原图像做卷积运算，得到x方向的梯度分量，然后用[-1 0 1]T梯度算子对原图像做卷积运算，得到y方向的梯度分量，[-1 0 1]T和[-1 0 1]表示1x3的卷积核，然后再用以下公式计算该像素点的梯度大小和方向：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
式中Gx(x,y),Gy(x,y),H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：
随后，对梯度幅值进行归一化。
进一步的，在步骤201中：限位器正样本为含有限位器的车位视频帧，对图片中限位器进行标注，设置标注框，制作标签文件，标签文件包括目标的类别和位置坐标；
限位器负样本为不含有限位器的车位视频帧，在采集限位器负样本时，设定限位器模型维度和围绕目标边缘扩展的维度，将标注框按照设定的维度比例进行统一，然后再进行设定比例维度的扩展，第一次抽取负样本时，将原始图片划分成一个个的网格，如果某一个网格与限位器的标注框的IoU<0.45，则认为该网格为限位器负样本；第二次抽取的时候，将之前错误分类的样本作为负样本，按照样本大小重复抽取相应的次数后结束，其中，错误分类的样本为不包含或者包含部分限位器的样本被当成了正样本的样本，IoU为Intersection over Union，表示为如下公式：
表示测量真实框和预测框的交叠率。
进一步的，在步骤202中，提取的限位器样本的通道特征包括1通道梯度幅度，6通道梯度方向直方图，3通道颜色特征，对于颜色特征，将RGB输入图像的像素值转换为LUV格式；梯度方向直方图通道特征的方向分别为30°、60°、90°、120°、150°、180°，计算梯度幅值通道特征和梯度方向直方图通道特，用[-1 0 1]梯度算子对原图像做卷积运算，得到x方向的梯度分量，然后用[-1 0 1]T梯度算子对原图像做卷积运算，得到y方向的梯度分量，然后再用以下公式计算该像素点的梯度大小和方向：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
式中Gx(x,y),Gy(x,y),H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：
随后，对梯度幅值进行归一化。
进一步的，在步骤203中，Adaboost离线训练的步骤如下：
S1：初始化训练数据的权值分布，设定有N个样本，则每一个训练样本最开始时都被赋予相同的权重1/N；
S2：训练弱分类器，在步骤S1的样本分布下训练出一弱分类器，对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，从而得到一个新的样本分布，在新的样本分布下，再次对样本进行训练，得到另一个弱分类器，依次类推，经过M次迭代，得到M个弱分类器；
S3：将各个训练得到的弱分类器组合成强分类器,加大分类误差率小的弱分类器的权重，降低分类误差率大的弱分类器的权重，把M个弱分类器按权重叠加起来，得到强分类器。
进一步的，在步骤203中，在Adaboost离线训练时，样本的采集包含的场景：晴天，阴天，逆光，轻度雨、雪、雾、霾，样本数量为8000。
进一步的，按照预先设定的步长4个像素点对每个尺度上的聚合通道特征进行滑窗获得检测块，并用Hash标记检测框在每个通道下的相对位置，将检测块送入训练得到的Adaboost级联强分类器进行分类检测得到检测框，利用非极大值抑制对分类得分进行重排序，去除重叠的检测框，得到最终的检测框以及限位器的位置坐标，然后输出限位器的位置信息。
进一步的，在步骤300中，Adaboost级联强分类器以多个弱分类器的加权线性和作为最终输出，表示为如下公式：
其中，Sign函数是取符号函数，取值为正代表是目标类别，否则是其他类别，fm(x)代表弱分类器，cm表示弱分类器在强分类器中所占比重，m＝1,2,...,M表示迭代的第多少轮。
本发明的车位限位器的识别方法，使用车载摄像头实现输出车位限位器的准确坐标信息，并根据限位器的位置修正泊车过程中车位的位置，实现对车位的精确定位；本发明基于高级驾驶辅助***ADAS对限位器识别速度的实时性要求，采用机器学习的方法，融合图像的LUV特征、梯度幅值、方向梯度直方图等，并使用Adaboost分类器训练和检测限位器，输出限位器的准确位置信息；本发明增加限位器样本的数量和场景，提高识别精度和泛化能力；相较于传统的机器学习方法，融合了图像的10个通道特征：LUV、梯度幅值和方向梯度直方图，使用octave间隔计算图像特征，使用octave进行估计的运算量是直接计算图像特征运算量的1/3。
附图说明
图1为本发明的实施例中的车位限位器的识别方法的流程图。
具体实施方式
具体实施例：见图1，本发明的一种车位限位器的识别方法，包括以下步骤：
步骤101：实时采集图像：使用车辆后置鱼眼摄像头作为图像采集设备，实时采集图像。
步骤102：划分感兴趣区域：对步骤101中采集得到的图像进行分析，在采集得到的图像中划分感兴趣区域，用于作为需要检测的限位器分布的区域。
步骤103：构造特征金字塔：遍历步骤102得到的感兴趣区域，送入限位器检测器，在限位器检测器中，基于快速特征金字塔方法构建特征金字塔，计算图像特征，具体的，在每个Octave重采样图像计算特征，每个Octave之间的尺度对应的特征使用如下公式进行估计：
其中，R(C,s)表示图像C使用尺度s重采样，λΩ是每个通道函数对应的系数；
具体的，建立快速特征金字塔的具体步骤为：
P1：创建图像的多尺度图像金字塔；
P2：根据Cs＝R(C,s)计算每个Octave的第一层聚合通道特征，式中s表示对应的Octave即
P3：每个Octave的其他层则根据以下公式进行估计：
式中：Cs'＝Ω(Is')，Cs'为图像Is'的特征，则表示距离s组最近的一层。
步骤104：通道特征提取和计算：在步骤103得到的图像特征中提取通道特征，包括梯度幅值、梯度方向直方图、颜色通道，具体的，先对步骤103得到的不同尺度的特征图进行特征提取前，用[1 2 1]/4滤波器进行平滑，其中[1 2 1]表示1x3的矩阵；
提取的通道特征包括1通道梯度幅度，6通道梯度方向直方图，3通道颜色特征，对于颜色特征，将RGB输入图像的像素值转换为LUV格式；梯度方向直方图通道特征的方向分别为30°、60°、90°、120°、150°、180°，计算梯度幅值通道特征和梯度方向直方图通道特，用[-1 0 1]度算子对原图像做卷积运算，得到x方向的梯度分量，然后用[-1 0 1]T梯度算子对原图像做卷积运算，得到y方向的梯度分量，[-1 0 1]T和[-1 0 1]表示1x3的卷积核，然后再用以下公式计算该像素点的梯度大小和方向：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
式中Gx(x,y),Gy(x,y),H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：
随后，对梯度幅值进行归一化。
步骤105：通道特征聚合：将步骤104得到的通道特征进行聚合。
步骤201：限位器样本抽取：采集限位器样本，抽取限位器正样本和限位器负样本，
具体的，限位器正样本为含有限位器的车位视频帧，对图片中限位器进行标注，设置标注框，制作标签文件，标签文件包括目标的类别和位置坐标；
限位器负样本为不含有限位器的车位视频帧，在采集限位器负样本时，设定限位器模型维度和围绕目标边缘扩展的维度，将标注框按照设定的维度比例进行统一，然后再进行设定比例维度的扩展，第一次抽取负样本时，将原始图片划分成一个个的网格，如果某一个网格与限位器的标注框的IoU<0.45，则认为该网格为限位器负样本；第二次抽取的时候，将之前错误分类的样本作为负样本，按照样本大小重复抽取相应的次数后结束，其中，错误分类的样本为不包含或者包含部分限位器的样本被当成了正样本的样本，IoU为Intersection over Union，表示为如下公式：
表示测量真实框和预测框的交叠率。
步骤202：计算样本通道特征：提取和计算限位器正样本和限位器负样本的通道特征，具体的，提取的限位器样本的通道特征包括1通道梯度幅度，6通道梯度方向直方图，3通道颜色特征，对于颜色特征，将RGB输入图像的像素值转换为LUV格式；梯度方向直方图通道特征的方向分别为30°、60°、90°、120°、150°、180°，计算梯度幅值通道特征和梯度方向直方图通道特，用[-1 0 1]梯度算子对原图像做卷积运算，得到x方向的梯度分量，然后用[-1 01]T梯度算子对原图像做卷积运算，得到y方向的梯度分量，然后再用以下公式计算该像素点的梯度大小和方向：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
式中Gx(x,y),Gy(x,y),H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：
随后，对梯度幅值进行归一化。
步骤203：Adaboost离线训练：对步骤202得到的限位器样本的通道特征进行Adaboost离线训练，得到Adaboost级联强分类器，具体的，在Adaboost离线训练时，样本的采集包含的场景：晴天，阴天，逆光，轻度雨、雪、雾、霾，样本数量为8000，Adaboost离线训练的步骤如下：
S1：初始化训练数据的权值分布，设定有N个样本，则每一个训练样本最开始时都被赋予相同的权重1/N；
S2：训练弱分类器，在步骤S1的样本分布下训练出一弱分类器，对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，从而得到一个新的样本分布，在新的样本分布下，再次对样本进行训练，得到另一个弱分类器，依次类推，经过M次迭代，得到M个弱分类器；
S3：将各个训练得到的弱分类器组合成强分类器,加大分类误差率小的弱分类器的权重，降低分类误差率大的弱分类器的权重，把M个弱分类器按权重叠加起来，得到强分类器；
步骤300：将步骤105的通道特征输入到Adaboost级联强分类器中进行分类检测，使用滑窗搜索的方法得到检测框，应用非极大值抑制(non-maximal suppression,NMS)方法得到最终的检测框以及限位器的位置坐标，输出限位器的位置信息，具体的，按照预先设定的步长4个像素点对每个尺度上的聚合通道特征进行滑窗获得检测块，并用Hash标记检测框在每个通道下的相对位置，将检测块送入训练得到的Adaboost级联强分类器进行分类检测得到检测框，利用非极大值抑制对分类得分进行重排序，去除重叠的检测框，得到最终的检测框以及限位器的位置坐标，然后输出限位器的位置信息。
Adaboost级联强分类器以多个弱分类器的加权线性和作为最终输出，表示为如下公式：
其中，Sign函数是取符号函数，取值为正代表是目标类别，否则是其他类别，fm(x)代表弱分类器，cm表示弱分类器在强分类器中所占比重，m＝1,2,...,M表示迭代的第多少轮。
本发明的车位限位器的识别方法，使用车载摄像头实现输出车位限位器的准确坐标信息，并根据限位器的位置修正泊车过程中车位的位置，实现对车位的精确定位；本发明基于高级驾驶辅助***ADAS对限位器识别速度的实时性要求，采用机器学习的方法，融合图像的LUV特征、梯度幅值、方向梯度直方图等，并使用Adaboost分类器训练和检测限位器，输出限位器的准确位置信息；本发明增加限位器样本的数量和场景，提高识别精度和泛化能力；相较于传统的机器学习方法，融合了图像的10个通道特征：LUV、梯度幅值和方向梯度直方图，使用octave间隔计算图像特征，使用octave进行估计的运算量是直接计算图像特征运算量的1/3。

Claims (12)

1.一种车位限位器的识别方法，其特征在于，包括以下步骤：
步骤1：实时采集图像，构造特征金字塔，计算通道特征；
步骤2：采集限位器样本，使用Adaboost训练限位器样本，得到强分类器；
步骤3：将步骤1得到的通道特征输入到步骤2的强分类器中进行分类检测，输出限位器的位置信息。
2.根据权利要求1所述的一种车位限位器的识别方法，其特征在于，包括以下步骤：
步骤101：实时采集图像：使用车辆后置鱼眼摄像头作为图像采集设备，实时采集图像；
步骤102：划分感兴趣区域：对步骤101中采集得到的图像进行分析，在采集得到的图像中划分感兴趣区域，用于作为需要检测的限位器分布的区域；
步骤103：构造特征金字塔：遍历步骤102得到的感兴趣区域，送入限位器检测器，在限位器检测器中，基于快速特征金字塔方法构建特征金字塔，计算图像特征；
步骤104：通道特征提取和计算：在步骤103得到的图像特征中提取通道特征，包括梯度幅值、梯度方向直方图、颜色通道；
步骤105：通道特征聚合：将步骤104得到的通道特征进行聚合；
步骤201：限位器样本抽取：采集限位器样本，抽取限位器正样本和限位器负样本；
步骤202：计算样本通道特征：提取和计算限位器正样本和限位器负样本的通道特征；
步骤203：Adaboost离线训练：对步骤202得到的限位器样本的通道特征进行Adaboost离线训练，得到Adaboost级联强分类器；
步骤300：将步骤105的通道特征输入到Adaboost级联强分类器中进行分类检测，使用滑窗搜索的方法得到检测框，应用非极大值抑制方法得到最终的检测框以及限位器的位置坐标，输出限位器的位置信息。
3.根据权利要求2所述的一种车位限位器的识别方法，其特征在于：在步骤103中，在每个Octave重采样图像计算特征，每个Octave之间的尺度对应的特征使用如下公式进行估计：
其中，R(C,s)表示图像C使用尺度s重采样，λΩ是每个通道函数对应的系数。
4.根据权利要求3所述的一种车位限位器的识别方法，其特征在于：在步骤103中，建立快速特征金字塔的具体步骤为：
P1：创建图像的多尺度图像金字塔；
P2：根据Cs＝R(C,s)计算每个Octave的第一层聚合通道特征，式中s表示对应的Octave即
P3：每个Octave的其他层则根据以下公式进行估计：
式中：Cs'＝Ω(Is')，Cs'为图像Is'的特征，则表示距离s组最近的一层。
5.根据权利要求4所述的一种车位限位器的识别方法，其特征在于：在步骤104中，先对步骤103得到的不同尺度的特征图进行特征提取前，用[1 2 1]/4滤波器进行平滑，其中[12 1]表示1x3的矩阵。
6.根据权利要求5所述的一种车位限位器的识别方法，其特征在于：在步骤104中，提取的通道特征包括1通道梯度幅度，6通道梯度方向直方图，3通道颜色特征，对于颜色特征，将RGB输入图像的像素值转换为LUV格式；梯度方向直方图通道特征的方向分别为30°、60°、90°、120°、150°、180°，计算梯度幅值通道特征和梯度方向直方图通道特，用[-1 0 1]度算子对原图像做卷积运算，得到x方向的梯度分量，然后用[-1 0 1]T梯度算子对原图像做卷积运算，得到y方向的梯度分量，[-1 0 1]T和[-1 0 1]表示1x3的卷积核，然后再用以下公式计算该像素点的梯度大小和方向：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
式中Gx(x,y),Gy(x,y),H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：
随后，对梯度幅值进行归一化。
7.根据权利要求6所述的一种车位限位器的识别方法，其特征在于：在步骤201中：限位器正样本为含有限位器的车位视频帧，对图片中限位器进行标注，设置标注框，制作标签文件，标签文件包括目标的类别和位置坐标；
限位器负样本为不含有限位器的车位视频帧，在采集限位器负样本时，设定限位器模型维度和围绕目标边缘扩展的维度，将标注框按照设定的维度比例进行统一，然后再进行设定比例维度的扩展，第一次抽取负样本时，将原始图片划分成一个个的网格，如果某一个网格与限位器的标注框的IoU<0.45，则认为该网格为限位器负样本；第二次抽取的时候，将之前错误分类的样本作为负样本，按照样本大小重复抽取相应的次数后结束，其中，错误分类的样本为不包含或者包含部分限位器的样本被当成了正样本的样本，IoU为Intersection over Union，表示为如下公式：
表示测量真实框和预测框的交叠率。
8.根据权利要求7所述的一种车位限位器的识别方法，其特征在于：在步骤202中，提取的限位器样本的通道特征包括1通道梯度幅度，6通道梯度方向直方图，3通道颜色特征，对于颜色特征，将RGB输入图像的像素值转换为LUV格式；梯度方向直方图通道特征的方向分别为30°、60°、90°、120°、150°、180°，计算梯度幅值通道特征和梯度方向直方图通道特，用[-1 0 1]梯度算子对原图像做卷积运算，得到x方向的梯度分量，然后用[-1 0 1]T梯度算子对原图像做卷积运算，得到y方向的梯度分量，然后再用以下公式计算该像素点的梯度大小和方向：
Gx(x,y)＝H(x+1,y)-H(x-1,y)
Gy(x,y)＝H(x,y+1)-H(x,y-1)
式中Gx(x,y),Gy(x,y),H(x,y)分别表示输入图像中像素点(x,y)处的水平方向梯度、垂直方向梯度和像素值，像素点(x,y)处的梯度幅值和梯度方向分别为：
随后，对梯度幅值进行归一化。
9.根据权利要求8所述的一种车位限位器的识别方法，其特征在于：在步骤203中，样本的采集包含的场景：晴天，阴天，逆光，轻度雨、雪、雾、霾，样本数量为8000。
10.根据权利要求9所述的一种车位限位器的识别方法，其特征在于：在步骤203中，Adaboost离线训练的步骤如下：
S1：初始化训练数据的权值分布，设定有N个样本，则每一个训练样本最开始时都被赋予相同的权重1/N；
S2：训练弱分类器，在步骤S1的样本分布下训练出一弱分类器，对于分类错误的样本，加大其对应的权重；而对于分类正确的样本，降低其权重，从而得到一个新的样本分布，在新的样本分布下，再次对样本进行训练，得到另一个弱分类器，依次类推，经过M次迭代，得到M个弱分类器；
S3：将各个训练得到的弱分类器组合成强分类器,加大分类误差率小的弱分类器的权重，降低分类误差率大的弱分类器的权重，把M个弱分类器按权重叠加起来，得到强分类器。
11.根据权利要求10所述的一种车位限位器的识别方法，其特征在于：按照预先设定的步长4个像素点对每个尺度上的聚合通道特征进行滑窗获得检测块，并用Hash标记检测框在每个通道下的相对位置，将检测块送入训练得到的Adaboost级联强分类器进行分类检测得到检测框，利用非极大值抑制对分类得分进行重排序，去除重叠的检测框，得到最终的检测框以及限位器的位置坐标，然后输出限位器的位置信息。
12.根据权利要求11所述的一种车位限位器的识别方法，其特征在于：在步骤300中，Adaboost级联强分类器以多个弱分类器的加权线性和作为最终输出，表示为如下公式：
其中，Sign函数是取符号函数，取值为正代表是目标类别，否则是其他类别，fm(x)代表弱分类器，cm表示弱分类器在强分类器中所占比重，m＝1,2,...,M表示迭代的第多少轮。
CN201910230748.3A 2019-03-26 2019-03-26 一种车位限位器的识别方法 Active CN109977862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910230748.3A CN109977862B (zh) 2019-03-26 2019-03-26 一种车位限位器的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910230748.3A CN109977862B (zh) 2019-03-26 2019-03-26 一种车位限位器的识别方法

Publications (2)

Publication Number Publication Date
CN109977862A true CN109977862A (zh) 2019-07-05
CN109977862B CN109977862B (zh) 2021-10-15

Family

ID=67080541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910230748.3A Active CN109977862B (zh) 2019-03-26 2019-03-26 一种车位限位器的识别方法

Country Status (1)

Country Link
CN (1) CN109977862B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215042A (zh) * 2019-07-11 2021-01-12 广州汽车集团股份有限公司 一种车位限位器识别方法及其***、计算机设备
CN112562412A (zh) * 2020-12-07 2021-03-26 广州小鹏自动驾驶科技有限公司 一种数据处理的方法和装置
CN113264037A (zh) * 2021-06-18 2021-08-17 安徽江淮汽车集团股份有限公司 应用于自动泊车的障碍物识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657225A (zh) * 2017-09-22 2018-02-02 电子科技大学 一种基于聚合通道特征的行人检测方法
CN108875911A (zh) * 2018-05-25 2018-11-23 同济大学 一种泊车位检测方法
CN109359577A (zh) * 2018-10-08 2019-02-19 福州大学 一种基于机器学习的复杂背景下人数检测***

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107657225A (zh) * 2017-09-22 2018-02-02 电子科技大学 一种基于聚合通道特征的行人检测方法
CN108875911A (zh) * 2018-05-25 2018-11-23 同济大学 一种泊车位检测方法
CN109359577A (zh) * 2018-10-08 2019-02-19 福州大学 一种基于机器学习的复杂背景下人数检测***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
AN ZHAO ET AL.: "An Effective Method Based on ACF for Aircraft Detection in Remote Sensing Images", 《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》 *
李琳,张涛: "结合改进聚合通道特征和灰度共生矩阵的俯视行人检测算法", 《计算机应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112215042A (zh) * 2019-07-11 2021-01-12 广州汽车集团股份有限公司 一种车位限位器识别方法及其***、计算机设备
CN112562412A (zh) * 2020-12-07 2021-03-26 广州小鹏自动驾驶科技有限公司 一种数据处理的方法和装置
CN112562412B (zh) * 2020-12-07 2022-03-11 广州小鹏自动驾驶科技有限公司 一种数据处理的方法和装置
CN113264037A (zh) * 2021-06-18 2021-08-17 安徽江淮汽车集团股份有限公司 应用于自动泊车的障碍物识别方法

Also Published As

Publication number Publication date
CN109977862B (zh) 2021-10-15

Similar Documents

Publication Publication Date Title
CN108830188B (zh) 基于深度学习的车辆检测方法
CN110069986B (zh) 一种基于混合模型的交通信号灯识别方法及***
CN105046196B (zh) 基于级联卷积神经网络的前车车辆信息结构化输出方法
CN109101924B (zh) 一种基于机器学习的路面交通标志识别方法
CN109657632B (zh) 一种车道线检测识别方法
CN111325146B (zh) 一种货车车型和轴型识别方法和***
CN108009518A (zh) 一种基于快速二分卷积神经网络的层次化交通标识识别方法
CN107273832B (zh) 基于积分通道特征与卷积神经网络的车牌识别方法及***
Zhang et al. Study on traffic sign recognition by optimized Lenet-5 algorithm
CN105354568A (zh) 基于卷积神经网络的车标识别方法
CN105551264A (zh) 一种基于车牌特征匹配的车速检测方法
CN106610969A (zh) 基于多模态信息的视频内容审查***及方法
CN104463241A (zh) 一种智能交通监控***中的车辆类型识别方法
CN104778721A (zh) 一种双目图像中显著性目标的距离测量方法
CN105404857A (zh) 一种基于红外的夜间智能车前方行人检测方法
CN108052904B (zh) 车道线的获取方法及装置
CN106650731A (zh) 一种鲁棒的车牌、车标识别方法
CN101944178B (zh) 用于智能监控的显著区域提取方法
CN104156734A (zh) 一种基于随机蕨分类器的全自主在线学习方法
CN109977862A (zh) 一种车位限位器的识别方法
CN110619279A (zh) 一种基于跟踪的路面交通标志实例分割方法
CN109949593A (zh) 一种基于路口先验知识的交通信号灯识别方法及***
CN111915583B (zh) 复杂场景中基于车载红外热像仪的车辆和行人检测方法
CN106203237A (zh) 集装箱拖车编号的识别方法和装置
CN107480585A (zh) 基于dpm算法的目标检测方法

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
GR01 Patent grant
GR01 Patent grant