一種基於多模態傳感器數據自動獲取車輛訓練樣本方法
2023-05-30 21:32:36
專利名稱：一種基於多模態傳感器數據自動獲取車輛訓練樣本方法
技術領域：
本發明涉及計算機視覺、機器人以及機器學習技術領域，尤其涉及一種基於多模態傳感器數據自動獲取車輛訓練樣本方法。
背景技術：
車輛檢測是汽車安全輔助駕駛(ADAS)領域的一個重要問題。在車輛檢測領域已經有了大量的相關研究，研究證明，使用雷射、雷達、單目/立體相機以及多傳感器融合均能對車輛進行檢測。由於單目相機成本低，而且標定問題簡單，基於單目視覺的檢測方法在計算機視覺以及機器人領域有廣泛的研究。使用視覺傳感器時，車輛的本身表觀以及車輛在不同角度的表觀有很大不同，給檢測帶來很大的困難。近期越來越多的研究人員嘗試使用機器學 習的方法檢測車輛。這些方法中，檢測器是預先使用一系列的樣本圖片訓練出來的。有很多的數據集開放用於訓練檢測器。PASCAL提供了很多標準化的數據集用於物體檢測。其中nuc數據集是專門用於車輛檢測識別的數據集，包括550張解析度為100X40的車輛圖片作為訓練正樣本，而且包含兩個測試集170張和訓練正樣本相同解析度的均一尺度的車輛，和108張包含139輛多尺度車輛的圖片。很多研究中都使用此數據集來說明研究結果。然而，UIUC數據集中的車輛全部為側面視角的圖像，在道路車輛檢測中，所檢測的車輛多數為前面或者後面的視角，所以此數據集並不適用。另外一個缺點是UIUC數據集中圖片均為黑白圖片，使用此數據集對檢測器的特徵空間有很大限制。與nuc數據集不同，MIT的數據集包括516張正樣本圖片，解析度為128 X 128,全部為前方或者後方的視角。對現在表現良好的方法，訓練樣本是影響其表現的重要因素。為了研究建立多視角的車輛檢測器，USC的研究人員建立了多視角的車輛樣本圖像以及測試圖像的數據集。數據集包括1028張解析度為128X64的來自各個角度的車輛正樣本圖像，並且有196張測試圖像工包含410個不同尺度不同角度的車輛。然而，此數據集中所有的樣本均不包含車輛的位姿信息，通常訓練數據根據訓練需求需要手工進行標註分類，這對樣本的數量、表現都有很大限制。這成為限制算法發展的一個瓶頸。檢測器的表現，對環境的變化通常缺乏穩定性。
發明內容
本發明的目的在於提供一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，涉及一個自動生成多角度車輛樣本圖像並且包含位姿信息的方法。本發明公開了一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，包括以下步驟
基於雷射、定位數據的車輛檢測步驟根據雷射數據的距離、角度和雷射傳感器標定參數，得到相對於數據採集車輛的二維坐標，以描述物體水平的輪廓信息；通過形狀的分析，以及移動物體的檢測追蹤，提取出候選車輛相對於數據採集車輛的位置方向等參數的時序列；視覺圖像樣本提取步驟根據候選車輛在每一時刻的位置方向，根據雷射傳感器和圖像採集設備之間的幾何關係，將該候選車輛投射到圖像中，產生感興趣區域，並使用檢測器來修正感興趣區域，對每一輛候選車輛，根據其位置方向等參數計算該候選車輛相對於攝像機的相對視角，去除視角相近的圖像幀樣本，自動地提取該候選車輛在不同視角下的樣本圖片。進一步，作為一種優選，所述基於雷射、定位數據的車輛檢測步驟進一步包括數據融合將來自於各個雷射傳感器的相同或者臨近時間的數據融合；聚類將來自於各個雷射傳感器的數據，根據相鄰兩點間的距離，進行聚類； 標註將聚類區分為靜止物體、移動物體或者不確定三種類型；地圖生成生成描述數據採集車輛移動軌跡周圍靜態環境的地圖；檢測在當前的進行分類後的雷射融合數據中找到候選車輛；追蹤關聯檢測結果和之前的追蹤結果，更新追蹤狀態和車體、運動參數；驗證通過追蹤物體的運動和形狀信息來對其進行驗證。進一步，作為一種優選，所述視覺圖像樣本提取步驟進一步包括基於雷射數據的感興趣區域提取根據候選車輛在每一時刻的位置方向，根據雷射傳感器和圖像採集設備之間的幾何關係，將該候選車輛投射到圖像中，提取包含候選車輛的感興趣區域；基於圖像技術的感興趣區域修正使用基於圖像的檢測方法，對感興趣區域進行修正，找到其中的候選車輛；車輛樣本圖像提取和去重根據修正結果，去除視角相近的圖像幀樣本，自動地提取候選車輛在不同視角下的樣本圖片。進一步，作為一種優選，所述多模態傳感器包括多視角雷射傳感器、多視角圖像採集設備和定位系統；所述多視角雷射傳感器、多視角圖像採集設備用來監測數據採集車輛四周環境，構成多個觀測角度上的覆蓋。進一步，作為一種優選，所述定位系統用於測量車輛的6自由度的位姿。進一步，作為一種優選，修正感興趣區域所用檢測器採用基於圖像的檢測方法。進一步，作為一種優選，所述追蹤具體為對於那些沒有找到可關聯追蹤結果的檢測結果，視為新的追蹤車輛；而那些沒有關聯到檢測結果的追蹤車輛，則認為其消失在車輛的監測範圍，從追蹤結果中去除。進一步，作為一種優選，所述驗證具體為如果某追蹤物體在一段時間內沒有運動，則視為靜止的並將其融入地圖信息中；如果追蹤物體的運動和形狀信息在短時間內發生了不規律的變化，則去掉此結果；只有那些運動和形狀正常變化的追蹤結果才被視為候選車輛。進一步，作為一種優選，所述感興趣區域的修正具體為根據感興趣區域中候選車輛的位姿，選擇基於特定位姿車輛訓練的檢測器對其進行修正。
進一步，作為一種優選，所述去除重複樣本具體為根據被追蹤車輛相對於數據採集車輛的運動方向和車頭朝向，對表觀相同或相近的樣本圖像進行篩選。本發明通過多模態傳感器數據 ，自動生成多角度車輛樣本圖像並且包含位姿信息，能夠有效避免人工操作，給檢測算法的研究提供了更多的自由，更少的限制。而且，自動生成訓練樣本使在線訓練成為可能，使得能夠自動的改善分類器以適應光照等環境的變化。本發明是全自動不需要人工幹預，能得到大量的車輛樣本，使訓練集更加豐富，並且得到的訓練圖片含有車輛的位姿信息，方便訓練基於不同位姿的分類器。
當結合附圖考慮時，通過參照下面的詳細描述，能夠更完整更好地理解本發明以及容易得知其中許多伴隨的優點，但此處所說明的附圖用來提供對本發明的進一步理解，構成本發明的一部分，本發明的示意性實施例及其說明用於解釋本發明，並不構成對本發明的不當限定，其中圖I是本發明實施例流程圖；圖2是基於雷射、定位數據的車輛檢測步驟實施例流程圖；圖3是視覺圖像樣本提取實施例流程圖。
具體實施例方式參照圖I至圖3對本發明的實施例進行說明。為使上述目的、特徵和優點能夠更加明顯易懂，下面結合附圖和具體實施方式
對本發明作進一步詳細的說明。如圖I所示，一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，包括以下步驟SI、基於雷射、定位數據的車輛檢測步驟根據雷射數據的距離、角度和雷射傳感器標定參數，得到相對於數據採集車輛的二維坐標，以描述物體水平的輪廓信息；通過形狀的分析，以及移動物體的檢測追蹤，提取出候選車輛；S2、視覺圖像樣本提取步驟根據候選車輛在每一時刻的位置方向，根據雷射傳感器和圖像採集設備之間的幾何關係，將該候選車輛投射到圖像中，產生感興趣區域，並使用檢測器來修正感興趣區域，對每一輛候選車輛，根據其位置方向等參數計算該候選車輛相對於攝像機的相對視角，去除視角相近的圖像幀樣本，自動地提取該候選車輛在不同視角下的樣本圖片。本發明是建立一個自動生成車輛樣本數據集用於訓練視覺車輛檢測器訓練的系統。數據集包括多角度的車輛樣本圖像，各個圖像都包括其位姿信息，這樣對不同角度車輛的車輛檢測器的訓練成為可能。多模態傳感器包括雷射傳感器、圖像採集設備和定位系統。雷射傳感器包括雷射掃描儀、雷射測距儀等，圖像採集設備可以使用攝像頭，也可以使用集成了單個或者多個攝像頭的相機系統。定位系統以能獲取裝載了該系統設備的物體的位置信息為目的，如GPS全球衛星定位系統、伽利略衛星定位系統、北鬥衛星定位系統等。
各傳感器共同對數據採集車輛的四周形成多視角範圍的覆蓋，根據實際需要和數據採集平臺限制，可選擇不同的傳感器架設來實現覆蓋不同視角範圍的檢測。傳感器系統本發明公開了一個車載傳感器系統。系統包括三種傳感器雷射掃描儀、視頻攝像機和GPS/MU。GPS/MU是工業設備用於測量車輛的6自由度的位姿(三維位置和角度)。雷射和攝像機都是用來監測車輛四周環境的，每種傳感器都能構成全方位的覆蓋。三個Hokuyo UTM-30LX雷射掃描儀安裝在車輛的前左、前右、後中，構成水平全方位的覆蓋，然而Hokuyo UTM-30LX雷射掃描儀的監測距離比較短，通常在室外交通環境中只能達到25m，所以在前向正中使用SICK LMS291雷射來覆蓋監測一個半徑達45m的半圓區域。全方位的視頻傳感器的覆蓋可以使用多個攝像頭來實現，這裡使用集成了多個相機的Ladybug攝像機，採集結果融合了 6個攝像頭的圖片，構成全景圖像。為了減少遮擋，Ladybug攝像機架設在車輛的頂部。使用兩個經過同步時間的計算機採集傳感器數據一個用於雷射掃描儀數據和GPS/IMU數據的採集，另一個用於Ladybug視頻數據採集。對於每幀數據，給予記錄 時計算機的時間作為時間戳。數據傳輸過程中的延時視為一個恆定值，可以事先測試得到。傳感器標定之後，所有的雷射掃描儀數據通過轉化傳輸到同一坐標下，此處為數據採集車輛的局部坐標，雷射數據的處理結果投射到全景圖像上來提取圖像樣本圖片。處理流程如圖I所示，本發明包括二個步驟SI、基於雷射、定位數據的車輛檢測；S2、視覺樣本圖片提取。雷射掃描儀能夠直接測量物體的距離值。根據角度和傳感器標定參數，能夠得到相對於車輛的二維坐標，以描述物體水平的輪廓信息。通過形狀的分析，以及移動物體的檢測追蹤，能夠很快的提取出候選車輛相對於數據採集車輛的位置方向等參數的時序列。根據雷射和攝像機之間的幾何關係，這些候選車輛再被投射到全景圖像中，產生感興趣區域，這種感興趣區域同時包含當前時刻車輛的位姿信息。然而，雷射在物體上掃描得到的點是稀疏的，而且在特殊顏色材料上會產生反射失敗。特別是在動態的交通環境中，有很多的遮擋存在，對周圍車輛的觀測可能只是局部的。這就給雷射數據處理帶來了很大挑戰，處理結果存在一些錯誤。不同於雷射數據，視頻圖像數據包含豐富的信息，能夠用來修正根據雷射處理結果提供的感興趣區域。在本發明中，使用基於HOG特徵的檢測器來修正感興趣區域。此外，在對候選車輛的追蹤過程中，其在圖像中的表觀變化是很緩慢的。在全部的圖像中提取車輛圖像時會產生大量的視角相近圖像，需要一個挑選不同位姿車輛圖片的過程。如圖2所示，所述基於雷射、定位數據的車輛檢測步驟進一步包括SI I、數據融合將來自於各個雷射掃描儀的相同或者臨近時間的數據融合；S12、聚類將來自於各個雷射傳感器的數據，根據相鄰兩點間的距離，進行聚類；S13、標註將聚類區分為靜止物體、移動物體或者不確定三種類型；S14、地圖生成生成描述數據採集車輛移動軌跡周圍靜態環境的地圖；S15、檢測在當前的進行分類後的雷射融合數據中找到候選車輛；
S16、追蹤關聯檢測結果和之前的追蹤結果，更新追蹤狀態和車體、運動參數；S17、驗證通過追蹤物體的運動和形狀信息來對其進行驗證。以下具體說明上述工作過程。SI、基於雷射、定位數據的車輛檢測本發明中，公開一個基於多個單線雷射掃描儀數據及定位數據進行道路車輛檢測追蹤的方法，根據雷射數據的距離、角度和雷射傳感器標定參數，得到相對於數據採集車輛的二維坐標，以描述物體水平的輪廓信息；通過形狀的分析，以及移動物體的檢測追蹤，提取出候選車輛相對於數據採集車輛的位置方向等參數的時序列。該數據為S2視覺樣本圖片提取提供每一時刻候選車輛相對於數據採集車輛的位置方向等參數。基於雷射掃描儀數據及定位數據的車輛檢測框架如圖2所示，下面對各個模塊進行介紹。S11、數據融合將來自於各個雷射掃描儀的相同或者臨近時間的數據融合，為了 減少使用內存，同時還要保存數據的角度信息，融合後的數據按序列記錄來自不同雷射傳感器的距離數據。每個距離數據根據其次序獲得角度信息，同時按照雷射之間的標定參數，能夠轉化為相對於數據採集車輛的二維坐標(雷射點)。融合後的雷射數據能夠描述從數據採集車輛視角觀看的物體的輪廓信息。S12、聚類將來自於各個雷射傳感器的數據，根據相鄰兩點間的距離，進行聚類。這裡使用兩點間的歐式距離，同時考慮了角度的間隔。如果距離大於給定閾值，則產生新的聚類。一個聚類可以是做是對一個物體的觀測，可能是移動也可能是靜止的，此處的聚類只在相同雷射傳感器數據中進行。S13、標註將聚類區分為靜止物體、移動物體或者不確定三種類型。首先根據數據採集車輛的GPS/MU記錄的位置信息，將各聚類投射到全局的坐標系中。對於各聚類，如果它能夠和上一幀的靜止的環境的預期估計匹配上，則可以認為是靜止的，如果和某移動物體的預期估計匹配，則視為移動的，否則認為是不確定的。而且還可以根據先驗知識對聚類補充分類，如車輛的大小、道路幾何信息等。分類後的雷射數據將在地圖生成和移動物體檢測模塊中應用。S14、地圖生成生成描述數據採集車輛移動軌跡周圍靜態環境的地圖。地圖用網格來描述，各個網格的數值表示網格被物體佔有的概率。S15、檢測在當前的進行分類後的雷射融合數據中找到候選車輛。這裡局部觀測的和重合的觀測值是檢測中的兩個困難部分。為了提高特徵參數估計的準確性，並減少錯誤檢測，將聚類結果進行合併是很有必要的。在本發明中，簡單的用車輛的輪廓方框定義了車輛的模型，並且開發了聚類合併和模型估計的算法。此外，對於之前檢測追蹤結果的預期估計能夠幫助減少聚類合併中的錯誤，特別是對那些在同一車輛上但並不連續的聚類。S16、追蹤關聯檢測結果和之前的追蹤結果，更新追蹤狀態和車體、運動參數。對於那些沒有找到可關聯追蹤結果的檢測結果，視為新的追蹤車輛。而那些沒有關聯到檢測結果的追蹤車輛，則認為其消失在車輛的監測範圍，從追蹤結果中去除。S17、驗證通過追蹤物體的運動和形狀信息來對其進行驗證。如果某追蹤物體在一段時間內沒有運動，則視為靜止的並將其融入地圖信息中。如果追蹤物體的運動和形狀信息在短時間內發生了不規律的變化，則去掉此結果。只有那些運動和形狀正常變化的追蹤結果才被視為候選車輛。
如圖3所示，所述視覺圖像樣本提取步驟進一步包括S2、視覺樣本圖片提取本發明中，公開一個視覺樣本圖片提取方法，通過利用S I所獲取候選車輛相對於數據採集車輛的位置方向等參數的時序列，根據候選車輛在每一時刻的位置方向，根據雷射傳感器和圖像採集設備之間的幾何關係，將候選車輛投射到圖像中，產生感興趣區域，使用檢測器來修正感興趣區域，對每輛候選車輛，根據其位置方向等參數計算該候選車輛相對於攝像機的相對視角，去除視角相近的圖像幀樣本，自動地提取該候選車輛在不同視角下的樣本圖片。視覺樣本圖片提取框架如圖3所示，下面對各個模塊進行介紹。S21、基於雷射數據的感興趣區域提取根據候選車輛在每一時刻的位置方向，根據雷射傳感器和圖像採集設備之間的幾何關係，將該候選車輛投射到圖像中，提取包含候選車輛的感興趣區域； S22、基於圖像技術的感興趣區域修正使用基於圖像的檢測方法，對感興趣區域進行修正，找到其中的車輛；S23、車輛樣本圖像提取和去重根據修正結果，去除視角相近的圖像幀樣本，自動地提取車輛在不同視角下的樣本圖片。以下具體說明上述工作過程。S2、視覺圖像樣本提取使用對雷射數據處理得到的候選車輛，在視頻圖像數據中提取車輛樣本圖片的流程如圖3所不。S21、基於雷射數據的感興趣區域提取雷射數據處理得到的候選車輛包括車輛的位置、大小、運動信息，根據雷射掃描儀和攝像機之間的標定關係，將候選車輛投射到對應時間的圖像中，得到包含候選車輛的感興趣區域，同時根據對應的運動信息得到感興趣區域中候選車輛的位姿信息。由於動態交通環境中雷射數據的處理存在很大困難，感興趣區域通常含有錯誤，需要進行修正。S22、基於圖像技術的感興趣區域修正在本發明中，使用的是集成了 6個攝像頭的Ladybug全景相機系統監測車輛四周環境，產生的全景圖像在幾何上存在一定的畸變。在各個感興趣區域上的幾何畸變需要提前消除，通過將感興趣區域上的像素點投射到其在球體坐標系中的切面上，能夠有效的去除畸變。由於感興趣區域中車輛的位姿是已知的，所以可以基於不同位姿角度對感興趣區域進行修正。使用基於HOG特徵的檢測器來修正感興趣區域。使用USC多角度車輛數據集訓練不同角度車輛的分類器，訓練數據手工進行分類。每類選取200張圖片作為正樣本，訓練得到4個分類器。在感興趣區域上進行車輛的檢測，選取得分最高並且高於給定閾值的檢測車輛，作為樣本圖片。S23、車輛樣本提取和去重候選車輛的追蹤過程中，其在圖片中的表現變化非常緩慢。同一車輛在圖像中的表現通常要在很多幀之後才有較大的區別。而且，在道路上行駛時，車輛之間相對靜止的情況常有發生，這樣車輛的表現會在很長時間內沒有變化。需要對表現相同或者相近的車輛圖片進行篩選。車輛相對數據採集車輛的運動方向和其車頭朝向是對候選車輛在圖片中表現影響最大的因素，對於每個車輛，其在各個時刻的相對於數據採集車輛的運動方向a和車頭朝向P都能夠計算得到。將這兩個角度離散為10° X 10°的角度柵格，在每個角度柵格內對同一車輛提取修正過程中得分最高的圖像作為樣本。而且，根據這兩個角度的差值來 確定車輛在樣本圖片中的位姿，將樣本圖片分為8個類別。如上所述，對本發明的實施例進行了詳細地說明，但是只要實質上沒有脫離本發明的發明點及效果可以有很多的變形，這對本領域的技術人員來說是顯而易見的。因此，這樣的變形例也全部包含在本發明的保護範圍之內。
權利要求
1.一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，其特徵在於，包括以下步驟 基於雷射、定位數據的車輛檢測步驟根據雷射數據的距離、角度和雷射傳感器標定參數，得到相對於數據採集車輛的二維坐標，以描述物體水平的輪廓信息；通過形狀的分析，以及移動物體的檢測追蹤，提取出候選車輛相對於數據採集車輛的位置方向等參數的時序列； 視覺圖像樣本提取步驟根據候選車輛在每一時刻的位置方向，根據雷射傳感器和圖像採集設備之間的幾何關係，將該候選車輛投射到圖像中，產生 感興趣區域，並使用檢測器來修正感興趣區域，對每一輛候選車輛，根據其位置方向等參數計算該候選車輛相對於攝像機的相對視角，去除視角相近的圖像幀樣本，自動地提取該候選車輛在不同視角下的樣本圖片。
2.根據權利要求I所述的一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，其特徵在於，所述基於雷射、定位數據的車輛檢測步驟進一步包括 數據融合將來自於各個雷射掃描儀的相同或者臨近時間的數據融合； 聚類將來自於各個雷射傳感器的數據，根據相鄰兩點間的距離，進行聚類； 標註將聚類區分為靜止物體、移動物體或者不確定三種類型； 地圖生成生成描述數據採集車輛移動軌跡周圍靜態環境的地圖； 檢測在當前的進行分類後的雷射融合數據中找到候選車輛； 追蹤關聯檢測結果和之前的追蹤結果，更新追蹤狀態和車體、運動參數； 驗證通過追蹤物體的運動和形狀信息來對其進行驗證。
3.根據權利要求I所述的一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，其特徵在於，所述視覺圖像樣本提取步驟進一步包括 基於雷射數據的感興趣區域提取將雷射數據追蹤結果根據攝像頭和雷射的標定參數，投射到圖像中，提取包含候選車輛的感興趣區域； 基於圖像技術的感興趣區域修正使用基於圖像的檢測方法，對感興趣區域進行修正，找到其中的車輛； 車輛樣本圖像提取和去重根據修正結果，去除同一車輛位姿相同或者相近的圖像，經篩選得到車輛樣本圖像。
4.根據權利要求I所述的一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，其特徵在於，所述多模態傳感器包括多視角雷射掃描儀、多視角攝像頭和GPS/MU定位系統；所述多視角雷射掃描儀、多視角攝像頭用來監測數據採集車輛四周環境，構成全方位的覆蓋。
5.根據權利要求4所述的一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，其特徵在於，所述GPS/MU用於測量車輛的6自由度的位姿。
6.根據權利要求I所述的一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，其特徵在於，所述檢測器採用基於圖像的檢測方法。
7.根據權利要求2所述的一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，其特徵在於，所述追蹤具體為對於那些沒有找到可關聯追蹤結果的檢測結果，視為新的追蹤車輛；而那些沒有關聯到檢測結果的追蹤車輛，則認為其消失在車輛的監測範圍，從追蹤結果中去除。
8.根據權利要求2所述的一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，其特徵在於，所述驗證具體為如果某追蹤物體在一段時間內沒有運動，則視為靜止的並將其融入地圖信息中；如果追蹤物體的運動和形狀信息在短時間內發生了不規律的變化，則去掉此結果；只有那些運動和形狀正常變化的追蹤結果才被視為候選車輛。
9.根據權利要求3所述的一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，其特徵在於，所述感興趣區域的修正具體為根據感興趣區域中候選車輛的位姿，選擇基於特定位姿車輛訓練的檢測器對其進行修正。
10.根據權利要求3所述的一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，其特徵在於，所述去除重複樣本具體為根據車輛相對於數據採集車輛的運動方向和車頭朝向，對表觀相同或相近的樣本圖像進行篩選。
全文摘要
一種基於多模態傳感器數據自動獲取車輛訓練樣本方法，基於雷射、定位數據的車輛檢測步驟根據雷射數據的距離、角度和雷射傳感器標定參數，得到相對於數據採集車輛的二維坐標，以描述物體水平的輪廓信息；通過形狀的分析，以及移動物體的檢測追蹤，提取出候選車輛相對於數據採集車輛的位置方向等參數的時序列；視覺圖像樣本提取步驟根據候選車輛在每一時刻的位置方向，根據雷射傳感器和圖像採集設備之間的幾何關係，將候選車輛投射到圖像中，產生感興趣區域，使用檢測器來修正感興趣區域，對每輛候選車輛，根據其位置方向等參數計算該候選車輛相對於攝像機的相對視角，去除視角相近的圖像幀樣本，自動地提取該候選車輛在不同視角下的樣本圖片。
文檔編號G06K9/62GK102737236SQ20121023412
公開日2012年10月17日 申請日期2012年7月6日 優先權日2012年7月6日
發明者王超, 趙卉菁 申請人:北京大學