一種基于Haar和HoG特征的前車檢測方法技術

本發明專利技術公開了一種基于Haar和HoG特征的前車檢測方法：1）人工選取出大量車輛圖片和非車輛圖片作為訓練集的正、負樣本，并將正、負樣本規格化到24×24像素下；2）使用Haar特征和HoG特征分別對規格化后的每一幅正、負樣本進行表征，形成特征向量；3）針對Haar特征和HoG特征形成的兩種特征向量分別構建弱分類器；4）利用級聯的Adaboost算法對弱分類器進行訓練，得到級聯車輛強分類器；5）針對車載攝像頭獲得的前方道路視頻圖像，將其中各種尺寸、各種位置的子圖像輸入級聯車輛強分類器中進行判斷，將判斷為車輛的子圖像所在判斷為前方車輛。本發明專利技術是一種實時性好、魯棒性高的道路前車檢測方法，對保障車輛安全行駛，保護人身和財產的安全有著積極的影響。

【技術實現步驟摘要】

本專利技術屬于模式識別領域，涉及汽車主動安全領域，具體的涉及ー種基于Haar和HoG特征的前車檢測方法。
技術介紹
伴隨著城市化的進展和汽車的普及，交通事故的發生劇增，并造成了大量的人員傷害和經濟損失。如何保障好車輛在公路上的安全、快速的行駛，避免追尾等交通事故的發生，成為汽車領域的重要課題。汽車主動安全的概念應運而生，而道路上的前車檢測已成為汽車主動安全研究的一個熱點。 目前，常用的前車檢測方法主要包括基于特征的方法和基于模型的方法兩大類。基于特征的方法又稱為基于知識的方法，它是運動車輛檢測最常用的方法，通過對車輛局部或整體某些特征的確認來檢測車輛。前方運動車輛在視覺圖像中表現出ー些明顯的特征，主要包括形狀特征，例如車輛尾部形狀大體呈矩形，并且滿足一定的長寬比例；邊界特征，例如后車廂底部及車底陰影的水平線、車輛尾部左右兩側的豎直邊界；対稱性特征以及位置特征等。但是直接利用以上列出的一種或幾種特征去檢測前方運動車輛，很容易受到道路、天空、樹木等周圍環境因素的影響，容易造成車輛的誤檢和漏檢。基于模型的方法就是為車輛建立ニ維或三維模型，通過在圖像中進行模型匹配來實現運動車輛的檢測。但由于車型多種多樣，車輛的姿態在行駛過程中也會發生改變，從而使車輛表現出各種不同的形狀，很難建立統ー的模型來對其進行描述。同時，基于模型的檢測方法對車輛模型的依賴性過大，一旦模型匹配失敗則無法正確識別出運動車輛，而建立精細的車輛模型雖可以提高匹配的精度，但勢必造成匹配過程中計算量的成倍増加，難以滿足實時性的要求。因此，研究一種實時性好、魯棒性高的道路前車檢測方法，對保障車輛安全行駛，保護人身和財產的安全有著積極的影響。
技術實現思路
為克服現有技術中的不足，本專利技術g在提供。該方法對道路前方車輛局部遮擋，光照變化具有很強的魯棒性。為實現上述技術目的，達到上述技術效果，本專利技術通過以下技術方案實現 ，其包括以下步驟 步驟I)人工選取出大量車輛圖片和非車輛圖片作為訓練集的正、負樣本，并將正、負樣本規格化到24 X 24像素下； 步驟2)使用Haar特征和HoG特征分別對規格化后的每一幅正、負樣本進行表征，形成特征向量；步驟3)針對Haar特征和HoG特征形成的兩種特征向量分別構建弱分類器； 步驟4)利用級聯的Adaboost算法對弱分類器進行訓練，得到級聯車輛強分類器；步驟5)針對車載攝像頭獲得的前方道路視頻圖像，將其中各種尺寸、各種位置的子圖像輸入級聯車輛強分類器中進行判斷，將判斷為車輛的子圖像所在判斷為前方車輛。與現有技術相比，本專利技術具有以下有益效果 本專利技術是一種實時性好、魯棒性高的道路前車檢測方法，對保障車輛安全行駛，保護人身和財產的安全有著積極的影響。上述說明僅是本專利技術技術方案的概述，為了能夠更清楚了解本專利技術的技術手段，并可依照說明書的內容予以實施，以下以本專利技術的較佳實施例并配合附圖詳細說明如后。本專利技術的具體實施方式由以下實施例及其附圖詳細給出。附圖說明 此處所說明的附圖用來提供對本專利技術的進ー步理解，構成本申請的一部分，本專利技術的示意性實施例及其說明用于解釋本專利技術，并不構成對本專利技術的不當限定。在附圖中 圖I是本專利技術基于Haar和HoG特征的前車檢測方法的系統的結構示意圖。圖2是本專利技術基于Haar和HoG特征的前車檢測方法流程圖。具體實施例方式下面將參考附圖并結合實施例，來詳細說明本專利技術。參見圖I所示為ー種基于Haar和HoG特征的前車檢測系統，將車載攝像機B捕捉到的道路區域C的視頻圖像送入到嵌入式車輛檢測儀A，嵌入式車輛檢測儀A利用本專利技術基于Haar和HoG特征的前車檢測方法所訓練的級聯的車輛強分類器來實時的對車輛進行檢測。如果檢測到前方道路上有車輛，將在車載顯示屏上用ー個正方形白框實時標出。參見圖2所示，，其包括以下步驟 步驟I)人工選取出大量車輛圖片和非車輛圖片作為訓練集的正、負樣本，并將正、負樣本規格化到24 X 24像素下； 步驟2)使用Haar特征和HoG特征分別對規格化后的每一幅正、負樣本進行表征，形成特征向量； 步驟3)針對Haar特征和HoG特征形成的兩種特征向量分別構建弱分類器； 步驟4)利用級聯的Adaboost算法對弱分類器進行訓練，得到級聯車輛強分類器；步驟5)針對車載攝像頭獲得的前方道路視頻圖像，將其中各種尺寸、各種位置的子圖像輸入級聯車輛強分類器中進行判斷，將判斷為車輛的子圖像所在判斷為前方車輛。具體的包括以下實施步驟 O車輛和非車輛正負樣本選取 使用車載攝像頭拍攝并儲存大量道路視頻。拍攝條件包括各個時段和天氣條件，如中午、傍晚、睛天、霧天以及雨天等。在這些視頻中，人工截取出其中位于前方的車輛。截取出的車輛圖片為正方形作為正樣本，其中車輛中心位于圖片正中車輛左右外邊緣位于圖片左右兩側。負樣本的選取和正樣本相類似，在道路視頻中，人工截取出其中不是車輛的部分，如道路、天空、建筑物、行人以及交通標志等。截取出的非車輛圖片仍然為正方形作為負樣本。正負樣本圖片都被統ー規格化到24X24像素。本實施例中，共選取正樣本3014個，負樣本8319個。2)使用Haar特征對圖像進行表征 Haar特征是一種在模式識別中使用的數字圖像特征。它因為和Haar小波的形式相似性而被命名Haar特征。Haar特征最早由Papageorgiou在文章〃 A general framework forobject detection〃提出。ー個最基本的矩形Haar特征定義為ー個矩形區域內兩類子區域的像素和之差，這兩類子區域分別是矩形的左右部分，大小為矩形的一半。某個Haar特征計算公式為=(I) PMPfiB 公式(I)中,分別表示兩類子區域,巧表示矩形區域內某個點,/(XjO表示圖像中坐標為(X1J)點.Pi的灰度值。Viola和Jones對基本特征的基礎上進行了擴展，提出了由3個和4個相鄰矩形組成的Haar特征。在此基礎上，Lienhart和Maydt提出了可旋轉Haar特征，將原有特征擴展到45度方向。利用公式(I)直接對一幅圖像所有Haar特征進行計算，計算量大。對此，Viola和Jones還提出了ー個快速計算方法。對應任意一幅需要計算的圖像，他們建立了ー個和該圖像尺寸一致的積分圖像。該積分圖像的任意ー個元素值等于原始圖像位于該元素相同位置左上部分所有像素點灰度值之和。通過積分圖，原始圖像任意矩形區域內的像素點灰度值之和就可以表示為積分圖中4個元素之間的代數關系。可以用下式表示(2) 公式(2)中，sum表示某個矩形區域的像素點灰度值之和，表示該矩形區域四個角點在積分圖上對應相同坐標的元素點的值。這樣，ー個基本的由兩個矩形構成的Haar特征只需要使用6個點，而ー個三矩形Haar特征只需要使用8個點，大大節省了計算量。任ー個形式、尺度和位置確定的Haar特征在樣本圖像上的數學表現形式就是ー個數值，而一幅樣本圖像可提取多種形式、尺度和位置的Haar特征。本實施例中，每ー個24X24像素的樣本都有形成ー個87941維的Haar特征向量。3)使用HoG特征對圖像進行表征 方向梯度直方圖(HoG :Histogram of oriented gradient)描述子是一種在計算機視覺和圖像處理中本文檔來自技高網...

【技術保護點】
一種基于Haar和HoG特征的前車檢測方法，其特征在于，包括以下步驟：步驟1）？人工選取出大量車輛圖片和非車輛圖片作為訓練集的正、負樣本，并將正、負樣本規格化到24×24像素下；步驟2）？使用Haar特征和HoG特征分別對規格化后的每一幅正、負樣本進行表征，形成特征向量；步驟3）？針對Haar特征和HoG特征形成的兩種特征向量分別構建弱分類器；步驟4）？利用級聯的Adaboost算法對弱分類器進行訓練，得到級聯車輛強分類器；步驟5）？針對車載攝像頭獲得的前方道路視頻圖像，將其中各種尺寸、各種位置的子圖像輸入級聯車輛強分類器中進行判斷，將判斷為車輛的子圖像所在判斷為前方車輛。

【技術特征摘要】

【專利技術屬性】
技術研發人員：張為公，蔡英鳳，王海，林國余，王東，
申請(專利權)人：東南大學，
類型：發明
國別省市：