一種實時反饋更新的車輛檢測方法
2023-06-11 12:38:21
專利名稱：一種實時反饋更新的車輛檢測方法
技術領域：
本發明涉及車輛檢測方法，特別涉及一種實時反饋更新的車輛檢測方法。
背景技術：
近年來，車輛增長的速度也已遠遠高於道路和其他交通設施的增長速度，交通事故頻繁、人員傷亡與日俱增、財產損失巨大這都要求車輛不僅要具有良好的安全性而且要具備一定的智能性，隨之智能車輛(Intelligent Vehicle)的概念應運而生。車輛檢測是智能車輛研究領域中的重要組成部分，對於智能車輛的安全駕駛極為關鍵。目前國內外誕生的車輛檢測器產品的種類很多，技術原理和實現方式各不相同，如有線圈檢測、視頻檢測、微波檢測、雷射檢測、聲波檢測、超聲波檢測、磁力檢測、紅外線檢測等。其中的視頻檢測方法無需破壞路面，安裝和維護比較方便，是目前車輛檢測研究方向的熱點。
視頻檢測技術是一種計算機視覺和圖像處理技術，通過視頻攝像機和計算機模仿人眼的功能，為實際應用提供實時交通信息的先進技術。在基於視頻圖像的檢測技術中，機器學習方法由於識別性能高、魯棒性好以及操作便捷而受到越來越多的關注。機器學習方法主要用於進行兩類的分類識別目標物或非目標物。而目前應用於物體識別檢測的主流的機器學習方法是AdaBoost方法，該方法在人臉檢測領域已經獲得成功應用。AdaBoost方法是由Freund和SchaPire於1995年提出的一種迭代方法，其基本思想是利用大量的分類能力一般的弱分類器(weakeclassifier)通過一定方法疊加(boost)起來,構成一個分類能力很強的強分類器，從而可以避免直接去找通常情況下很難獲得的強學習算法。理論證明，只要每個弱分類器分類能力比隨機猜測要好，弱分類器個數趨向於無窮時，強分類器的錯誤率將趨於零。目前基於AdaBoost方法的對象檢測技術，是指從大量樣本中提取出對象的特徵，然後從這巨大的特徵集合中找出能夠表示對象的最優特徵集，並將訓練得到的特徵轉化為弱分類器的形式，再組合成強分類器，通過強分類器，可以從視頻圖像中將對象分類出來。AdaBoost的分類方法，雖然實時性較好，識別率高且誤識別率低，但當訓練樣本規模非常大時，訓練分類器所需時間過長，而且對訓練樣本的依賴非常大，在實時檢測中容易出現漏檢的情況，因為訓練樣本不可能包括所有的對象，也會因為天氣，光照等狀態的變化大大降低識別率。特徵提取是車輛檢測中一個非常重要的環節，目的是為了降低車輛圖像的維數，通過提取的特徵在圖像中檢測車輛。特徵提取的方法主要有=Haar小波特徵提取、Haar-Iike特徵提取、PCA特徵提取、ICA特徵提取、Gabor特徵提取等等。在車輛檢測方面主要是採用Haar-Iike特徵提取與AdaBoost方法相結合的形式。Haar-Iike特徵提取方法利用構建好的Haar-Iike矩形特徵庫，並結合積分圖像的方法可以快速的計算出每個特徵，能夠滿足檢測的實時性要求，然而在訓練過程中必須從海量的Haar-Iike特徵中選出最優的特徵集是非常耗時的，一般要訓練出完善的分類器用以檢測需要100小時左右。從以上的介紹可知，目前的學習算法都需要尋找大量的訓練樣本，提取特徵後，經過長時間的訓練過程，然後用於實時檢測，訓練出來的分類器雖然可以檢測出大部分的目標，但是並不能應對不斷變化的交通狀況，出現誤檢，漏檢在所難免。如果要降低誤檢率，漏檢率，就需要尋找包含不同狀況的海量樣本，訓練出完善的分類器，但是這並不科學，也算不上是真正的智能，因為尋找不同的樣本以及訓練過程都要花費巨大的人力、物力，而且這種「靜態」的分類器無法應對千變萬化的交通狀況。
發明內容
為了克服現有技術的上述缺點與不足，本發明的目的在於提供一種實時反饋更新的車輛檢測方法，提高了檢測的精度，降低誤檢，漏檢的概率。本發明的目的通過以下技術方案實現
一種實時反饋更新的車輛檢測方法，包括以下步驟SI離線學習過程，包括以下步驟SI. I採集訓練所用圖像；SI. 2對採集到的圖像進行預處理；SI. 3對步驟SI. 2預處理後的圖像採用FastICA方法提取圖片特徵；SI. 4將步驟SI. 3提取的圖片特徵作為訓練集合，進行AdaBoost訓練；SI. 5訓練結束，獲得離線強分類器；S2實時檢測過程，包括以下步驟S2. I獲取1 K幀視頻圖像；S2. 2對獲取到的視頻圖像進行預處理；S2. 3對步驟S2. 2得到的視頻圖像的第 (幀圖片採用FastICA方法提取圖片特徵；其中K為計算機一次處理的最大圖片數；所述FastICA方法為將每張正樣本圖片都表示為M個獨立分量S」的線性組合，其中M個獨立分量Sj構
成獨立分量集合，j=l，2，-,Μ,設定V=A .S，其中A為未知的混合矩陣，F = O1, V2, ···，&/，
Vi表示第i張圖片向量化後所對應的行向量；i = I, 2，…，？11,而S表示相互獨立的元素所構成的向量；按照統計獨立的原則，通過構造矩陣分離矩陣W使得Y = WV，讓Y逼近S ;根據公式Y = WV,通過隨機梯度法調節，求得矩陣S的最優估計Y，從而提取出車輛圖片的特徵；S2. 4對步驟S2. 3提取的特徵採用步驟SI. 5得到的離線強分類器進行分類，得到檢測目標；S3在線學習過程，包括以下步驟S3. I 令 n=l ;S3. 2在實時檢測過程的第(n_l)K+fnK幀圖片中，在與檢測出來的目標的距離小於m個像素的範圍截取Ii1張圖片作為訓練的正樣本，在與檢測出來的目標的距離大於m個像素的範圍隨機截取n2張圖片作為訓練的負樣本；其中m、ni、n2由用戶設定；S3. 3對總共K · (rii+n^張圖片進行圖片預處理；S3. 4對步驟S3. 3預處理後的正樣本和負樣本採用FastICA方法提取圖片特徵；S3. 5將S3. 4提取的圖片特徵作為訓練集合，進行AdaBoost訓練，得到在線強分類器；S3. 6重新進入實時檢測過程，對第ηΚ+l幀到第2nK幀圖片利用在線強分類器進行車輛檢測，得到檢測目標；S3. 7 令 η=η+1，重複步驟 S3. 2 S3. 7。步驟SI. 2所述對採集到的圖像進行預處理，具體為設步驟SI. I—共採集到N張圖片，其中車輛圖片有Ρη&，非車輛圖片有Nn;將車輛圖片尺寸修改為20X20像素，將所選車輛樣本根據光照，天氣狀況不同分類，得到正樣本集；對於非車輛圖片，在系統運行時，隨機截取大小為20X20像素的子圖像作為負樣本，得到負樣本集；然後將正樣本與負樣本圖片轉換為灰度圖，再進行直方圖均衡以及白化處理。步驟SI. 4所述AdaBoost訓練,包括以下步驟 設定訓練集Gx=Kx1, Z1)，…，(χΝ, ζν) }，Xi指第i張訓練樣本圖片VLi e Z={0, 1}，i=I, 2，···, N, Zi為類別標識，Zi=I時表示對應的第i個樣本為正樣本，Zi = O時表示對應的第i個樣本為負樣本；SI. 4. I假設每張圖片有M個特徵值，將訓練集Gx中圖片Xi的權重W1J(Xi)初始化為
權利要求
1.一種實時反饋更新的車輛檢測方法，其特徵在於，包括以下步驟 SI離線學習過程，包括以下步驟 SI. I採集訓練所用圖像； SI. 2對採集到的圖像進行預處理； SI. 3對步驟SI. 2預處理後的圖像採用FastICA方法提取圖片特徵； SI. 4將步驟SI. 3提取的圖片特徵作為訓練集合，進行AdaBoost訓練； 51.5訓練結束，獲得離線強分類器； S2實時檢測過程，包括以下步驟 52.I獲取ΓΚ幀視頻圖像； S2. 2對獲取到的視頻圖像進行預處理； S2. 3對步驟S2. 2得到的視頻圖像的第1 (幀圖片採用FastICA方法提取圖片特徵；其中K為計算機一次處理的最大圖片數； 所述FastICA方法為 將每張正樣本圖片都表示為M個獨立分量&的線性組合，其中M個獨立分量&構成獨立分量集合，j = 1,2, - ,Μ,設定V = A*S，其中A為未知的混合矩陣，r^n,···，'廣，Vi表示第i張圖片向量化後所對應的行向量；i = I, 2，…，？11,而S表示相互獨立的元素所構成的向量；按照統計獨立的原則，通過構造矩陣分離矩陣W使得Y = WV，讓Y逼近S ;根據公式Y = WV,通過隨機梯度法調節，求得矩陣S的最優估計Y，從而提取出車輛圖片的特徵； 52.4對步驟S2. 3提取的特徵採用步驟SI. 5得到的離線強分類器進行分類，得到檢測目標； S3在線學習過程，包括以下步驟 53.I 令 n=l ; S3. 2在實時檢測過程的第(n-l)K+fnK幀圖片中，在與檢測出來的目標的距離小於m個像素的範圍截取H1張圖片作為訓練的正樣本，在與檢測出來的目標的距離大於m個像素的範圍隨機截取112張圖片作為訓練的負樣本；其中m、ni、n2由用戶設定； S3. 3對總共K · (ηι+η2)張圖片進行圖片預處理； S3. 4對步驟S3. 3預處理後的正樣本和負樣本採用FastICA方法提取圖片特徵； S3. 5將S3. 4提取的圖片特徵作為訓練集合，進行AdaBoost訓練，得到在線強分類器；S3. 6重新進入實時檢測過程，對第ηΚ+l幀到第2nK幀圖片利用在線強分類器進行車輛檢測，得到檢測目標；S3. 7 令 η=η+1，重複步驟 S3. 2 S3. 7。
2.根據權利要求I所述的實時反饋更新的車輛檢測方法，其特徵在於，步驟SI.2所述對採集到的圖像進行預處理，具體為 設步驟SI. I 一共採集到N張圖片，其中車輛圖片有Pn張，非車輛圖片有Nn ;將車輛圖片尺寸修改為20X20像素，將所選車輛樣本根據光照，天氣狀況不同分類，得到正樣本集；對於非車輛圖片，在系統運行時，隨機截取大小為20X20像素的子圖像作為負樣本，得到負樣本集；然後將正樣本與負樣本圖片轉換為灰度圖，再進行直方圖均衡以及白化處理。
3.根據權利要求I所述的實時反饋更新的車輛檢測方法，其特徵在於，步驟SI. 4所述AdaBoost訓練,包括以下步驟 設定訓練集Gx= Kx1, Z1),…，(xN, zN)}, Xi指第i張訓練樣本圖片！Zi e Z = {O, I}, i =.1, 2，…，N, Zi為類別標識,Zi = I時表示對應的第i個樣本為正樣本，Zi = O時表示對應的第i個樣本為負樣本； SI. 4. I假設每張圖片有M個特徵值，將訓練集Gx中圖片Xi的權重W1, j (Xi)初始化為
4.根據權利要求I所述的實時反饋更新的車輛檢測方法，其特徵在於，步驟S2. 3所述通過隨機梯度法調節，求得矩陣S的最優估計Y，具體包括以下步驟 S2.3. I根據公式KR + l) = i^G ⑷x,)|-￡|G (Qx,)|R⑷對分離矩陣W以行為單位進行迭代處理，其中WiGO表示k次迭代後分離矩陣W中與樣本集合中的第i張圖片Xi相對應的行向量，Wi (k+Ι)表示k+1次迭代後分離矩陣W中與樣本集合中的第i張圖片Xi相對應的行向量，E為期望運算符，G為高斯分布運算符-Jff為Wi (k)的轉置矩陣； S2.3.2如果I Wi (k+1)-WiGO I ( I，則結束迭代，得到分離矩陣W(N)，直接執行S2.3. 3，反之重複執行S2. 3. 1，ξ是0，I之間的任意數值； S2.3. 3對W(N)以行為單位進行歸一化處理； S2.3. 4將W(N)代入公式Y=WV，從而求得S的最優估計。
全文摘要
本發明公開了一種實時反饋更新的車輛檢測方法，包括離線學習過程、實時檢測過程和在線學習過程，先利用離線學習過程得到的離線強分類器對實時檢測過程的第1~K幀圖片進行分類，得到檢測目標；在線學習過程根據得到檢測目標截取樣本，利用在線強分類器進行車輛檢測，得到檢測目標；在線學習過程不斷對在線強分類器進行更新。與現有技術相比，本發明提高了檢測的精度，降低誤檢，漏檢的概率，在根據光照、天氣狀況變化的情況下，依然保持高準確率。
文檔編號G08G1/01GK102915453SQ20121031596
公開日2013年2月6日 申請日期2012年8月30日 優先權日2012年8月30日
發明者周智恆, 吳東承 申請人:華南理工大學