CN102663421A - 车辆检测方法 - Google Patents
车辆检测方法 Download PDFInfo
- Publication number
- CN102663421A CN102663421A CN2012100788275A CN201210078827A CN102663421A CN 102663421 A CN102663421 A CN 102663421A CN 2012100788275 A CN2012100788275 A CN 2012100788275A CN 201210078827 A CN201210078827 A CN 201210078827A CN 102663421 A CN102663421 A CN 102663421A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lbp
- block
- histogram
- training
- 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.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种车辆检测方法，包括级联多分类器的训练和运用该分类器进行车辆检测两部分，利用LBP算子表征像素级特征，LBP直方图表征像素块特征，用具有空间信息的LBP空间直方图表征车辆的空间结构信息；用LBP直方图特征训练线性SVM分类器，并用boost方法训练第二层HIKSVM分类器，并根据最终的分类器结果检测车辆。应用LBP空间直方图特征表征车辆信息，可以快速的表征车辆的轮廓，对类内特征的多变性具有一定的容忍性，对类外的多变性具有较强的区分性。应用线性SVM分类器，可以达到快速训练，快速检测的目的，具有实时性。运用boost训练方法训练第二层HIKSVM分类器，提高了车辆的检测率。
Description
技术领域
本发明涉及视频监控的技术领域，具体说是一种基于LBP空间直方图特征和级联多分类器，适合不同场景、不同光照，并且达到实时性的车辆检测方法。
背景技术
在现有的车辆检测方法中，一种实现方式是基于背景建模的车辆检测，该方法利用一定策略的背景建模方法，提取前景运动区域，再进一步判断是否存在车辆，但该方法受光照的影响较大，属于应用较早的初级的检测方法；另一种实现方法是基于车辆假设生成和假设验证两个阶段的方法，该方法是基于某种特征（如车辆下的阴影，车辆的对称性，梯度，边缘等）生成车辆假设，再提取特征进行假设的验证，该方法对车辆的假设生成要求较高，对不满足假设生成条件（如车辆拥挤，阴天等）的车辆会漏检。另外，基于梯度直方图（HOG）的方法已被成功应用在行人检测上，但其运行速度很难达到实时性，即便已经出现了基于GPU硬件平台的HOG优化方案，但此方案本身又增加了相应的硬件成本。
发明内容
本发明要解决的技术问题是提供一种基于LBP空间直方图特征和级联多分类器，适合不同场景、不同光照，并且达到实时性的车辆检测方法。
本发明为解决公知技术中存在的技术问题所采取的技术方案是:
本发明的车辆检测方法，利用LBP算子表征像素级特征，LBP直方图表征像素块特征，用具有空间信息的LBP空间直方图表征车辆的空间结构信息；用LBP直方图特征训练线性SVM分类器，并用boost方法训练第二层HIK SVM分类器，并根据最终的分类器结果检测车辆；具体步骤如下：首先得到车辆的正样本和负样本，即车辆样本和非车辆样本，使用LBP空间直方图的特征提取方法提取上述样本的样本特征，并利用得到的特征向量训练第一层线性SVM分类器，然后通过boost训练方法利用第一层分类器的正误识false positive训练第二层HIK SVM分类器，直至得到要求的检测率与虚警率，分别保存上述两层分类器的模型，至此完成对级联分类器的训练；在车辆检测阶段中，对于输入的图像，滑动检测窗口，分别提取每个窗口的LBP空间直方图特征，并同时利用上述两层分类器进行判别，如果两层分类器都判别为有车，则输出结果为有车，如果其中任一层分类器判别为无车，则输出结果为为无车。
本发明的车辆检测方法中，还可以采用以下技术方案：
上述LBP算子的使用方法如下：将样本图像中每个作为中心点的像素与该像素周围的8个联通域内的各像素分别进行比较；在每次比较中，如果位于中心点的像素大于或等于联通域内的像素，则将该联通域的对应位的编码记为1，否则记为0，将上述8个对应位的编码顺序连接即得到一个八位的二进制数，再将此二进制数转换为十进制，所得十进制数值即为该中心点像素的LBP值。
上述LBP空间直方图的特征提取方法如下：把车辆样本分为多个像素块cell，每4个相邻的像素块构成2x2见方的一个区块block，在每个区块block所对应的图像中统计LBP直方图，且提取过程中此区块在水平方向或竖直方向上移动的步长都分别为一个像素块cell，区块每移动一次则统计一次该区块所对应图像的LBP直方图，直到该区块遍历整个样本图像，将移动过程中对应于每个区块位置的LBP直方图串联起来即得到整个样本的LBP空间直方图特征。
对应不同的车辆类型分别训练不同的分类器进行检测。
对应车辆的不同大小分别训练不同尺度的分类器进行检测。
本发明具有的优点和积极效果是:
本发明的车辆检测方法中，包括级联多分类器的训练和运用该分类器进行车辆检测两部分，应用基于空间信息的LBP直方图特征表征车辆信息，可以快速的表征车辆的轮廓，对类内（车与车）特征的多变性具有一定的容忍性，对类外（车与非车）的多变性具有较强的区分性。应用线性SVM分类器，可以达到快速训练，快速检测的目的，使该方法具有实时性。运用boost训练方法训练第二层HIK SVM分类器。极大提高了车辆的检测率，降低了车辆的误检率（虚警率）。使用不同的分类器分别训练和检测不同类型和大小的车辆，实现了不同大小车辆的检测。本发明的车辆检测方法可以用于同时检测小型汽车，公交车和大型货车，具有适合不同场景，不同光照的鲁棒性，并且可以在标清的图像上达到实时性。
附图说明
图1是本发明的车辆检测方法的过程示意图；
图2是本发明的车辆检测方法中LBP算子使用方法的示例图；
图3是本发明的车辆检测方法中LBP空间直方图的特征提取方法的示意图；
图4是采用多种分类器相结合的车辆检测方法示意图。
具体实施方式
以下参照附图及实施例对本发明进行详细的说明。
图1是本发明的车辆检测方法的过程示意图；图2是本发明的车辆检测方法中LBP算子使用方法的示例图；图3是本发明的车辆检测方法中LBP空间直方图的特征提取方法的示意图；图4是采用多种分类器相结合的车辆检测方法示意图。
如图1所示，本发明的车辆检测方法，利用LBP算子表征像素级特征，LBP直方图表征像素块特征，用具有空间信息的LBP空间直方图表征车辆的空间结构信息；用LBP直方图特征训练线性SVM分类器，并用boost方法训练第二层HIK SVM分类器，并根据最终的分类器结果检测车辆；具体步骤如下：首先得到车辆的正样本和负样本，即车辆样本和非车辆样本，使用LBP空间直方图的特征提取方法提取上述样本的样本特征，并利用得到的特征向量训练第一层线性SVM分类器，然后通过boost训练方法利用第一层分类器的正误识false positive训练第二层HIK SVM分类器，直至得到要求的检测率与虚警率，分别保存上述两层分类器的模型，至此完成对级联分类器的训练；在车辆检测阶段中，对于输入的图像，滑动检测窗口，分别提取每个窗口的LBP空间直方图特征，并同时利用上述两层分类器进行判别，如果两层分类器都判别为有车，则输出结果为有车，如果其中任一层分类器判别为无车，则输出结果为为无车。
如图2所示，LBP算子的使用方法如下：将样本图像中每个作为中心点的像素与该像素周围的8个联通域内的各像素分别进行比较；在每次比较中，如果位于中心点的像素大于或等于联通域内的像素，则将该联通域的对应位的编码记为1，否则记为0，将上述8个对应位的编码顺序连接即得到一个八位的二进制数，再将此二进制数转换为十进制，所得十进制数值即为该中心点像素的LBP值。在图2中中心点像素值为64，则将对应其周围联通域中像素为32和64的对应位编码记为1，而大于64的96位置的对应位编码记为0，将各编码依次顺序排列后得到11010110这一二进制数，而该二进制数转换为十进制为214，即该中心点像素的LBP值为214.
如图3所示，LBP空间直方图的特征提取方法如下：把车辆样本分为多个像素块cell，每4个相邻的像素块构成2x2见方的一个区块block，在每个区块block所对应的图像中统计LBP直方图，且提取过程中此区块在水平方向或竖直方向上移动的步长都分别为一个像素块cell，区块每移动一次则统计一次该区块所对应图像的LBP直方图，直到该区块遍历整个样本图像，将移动过程中对应于每个区块位置的LBP直方图串联起来即得到整个样本的LBP空间直方图特征。
对应不同的车辆类型分别训练不同的分类器进行检测。
对应车辆的不同大小分别训练不同尺度的分类器进行检测。
如图4所示，当输入检测图像时，可以通过多种不同的分类器相互结合，采用不同的级联分类器同时检测小车，公交和货车等不同类型、不同大小的车辆。
本发明的车辆检测方法中，包括级联多分类器的训练和运用该分类器进行车辆检测两部分，应用基于空间信息的LBP直方图特征表征车辆信息，可以快速的表征车辆的轮廓，对类内（车与车）特征的多变性具有一定的容忍性，对类外（车与非车）的多变性具有较强的区分性。应用线性SVM分类器，可以达到快速训练，快速检测的目的，使该方法具有实时性。运用boost训练方法训练第二层HIK SVM分类器。极大提高了车辆的检测率，降低了车辆的误检率（虚警率）。使用不同的分类器分别训练和检测不同类型和大小的车辆，实现了不同大小车辆的检测。本发明的车辆检测方法可以用于同时检测小型汽车，公交车和大型货车，具有适合不同场景，不同光照的鲁棒性，并且可以在标清的图像上达到实时性。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以较佳实施例公开如上，然而，并非用以限定本发明,任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内,当然会利用揭示的技术内容作出些许更动或修饰，成为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明技术方案的范围内。
Claims (5)
1.一种车辆检测方法，利用LBP算子表征像素级特征，LBP直方图表征像素块特征，用具有空间信息的LBP空间直方图表征车辆的空间结构信息；用LBP直方图特征训练线性SVM分类器，并用boost方法训练第二层HIK SVM分类器，并根据最终的分类器结果检测车辆；具体步骤如下：首先得到车辆的正样本和负样本，即车辆样本和非车辆样本，使用LBP空间直方图的特征提取方法提取上述样本的样本特征，并利用得到的特征向量训练第一层线性SVM分类器，然后通过boost训练方法利用第一层分类器的正误识false positive训练第二层HIK SVM分类器，直至得到要求的检测率与虚警率，分别保存上述两层分类器的模型，至此完成对级联分类器的训练；在车辆检测阶段中，对于输入的图像，滑动检测窗口，分别提取每个窗口的LBP空间直方图特征，并同时利用上述两层分类器进行判别，如果两层分类器都判别为有车，则输出结果为有车，如果其中任一层分类器判别为无车，则输出结果为为无车。
2. 根据权利要求1所述的车辆检测方法，其特征在于：上述LBP算子的使用方法如下：将样本图像中每个作为中心点的像素与该像素周围的8个联通域内的各像素分别进行比较；在每次比较中，如果位于中心点的像素大于或等于联通域内的像素，则将该联通域的对应位的编码记为1，否则记为0，将上述8个对应位的编码顺序连接即得到一个八位的二进制数，再将此二进制数转换为十进制，所得十进制数值即为该中心点像素的LBP值。
3. 根据权利要求1或2所述的车辆检测方法，其特征在于： LBP空间直方图的特征提取方法如下：把车辆样本分为多个像素块cell，每4个相邻的像素块构成2x2见方的一个区块block，在每个区块block所对应的图像中统计LBP直方图，且提取过程中此区块在水平方向或竖直方向上移动的步长都分别为一个像素块cell，区块每移动一次则统计一次该区块所对应图像的LBP直方图，直到该区块遍历整个样本图像，将移动过程中对应于每个区块位置的LBP直方图串联起来即得到整个样本的LBP空间直方图特征。
4.根据权利要求3所述的车辆检测方法，其特征在于：对应不同的车辆类型分别训练不同的分类器进行检测。
5.根据权利要求4所述的车辆检测方法，其特征在于：对应车辆的不同大小分别训练不同尺度的分类器进行检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012100788275A CN102663421A (zh) | 2012-03-23 | 2012-03-23 | 车辆检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2012100788275A CN102663421A (zh) | 2012-03-23 | 2012-03-23 | 车辆检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN102663421A true CN102663421A (zh) | 2012-09-12 |
Family
ID=46772905
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2012100788275A Pending CN102663421A (zh) | 2012-03-23 | 2012-03-23 | 车辆检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102663421A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299009A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车牌字符识别方法 |
| CN106372658A (zh) * | 2016-08-30 | 2017-02-01 | 广东工业大学 | 车辆分类器的训练方法 |
| CN107886066A (zh) * | 2017-11-07 | 2018-04-06 | 中国矿业大学 | 一种基于改进hog‑sslbp的行人检测方法 |
| CN108846843A (zh) * | 2018-04-03 | 2018-11-20 | 南昌奇眸科技有限公司 | 一种图像特征提取方法 |
-
2012
- 2012-03-23 CN CN2012100788275A patent/CN102663421A/zh active Pending
Non-Patent Citations (3)
| Title |
|---|
| 叶延亮: "Adaboost算法在人脸检测中的应用", 《北华大学学报（自然科学版）》 * |
| 孙宁等: "基于局部二元模式算子的人脸性别分类方法", 《华中科技大学学报（自然科学版）》 * |
| 李文波等: "一种基于Adaboost算法的车辆检测方法", 《长春理工大学学报（自然科学版）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104299009A (zh) * | 2014-09-23 | 2015-01-21 | 同济大学 | 基于多特征融合的车牌字符识别方法 |
| CN104299009B (zh) * | 2014-09-23 | 2018-02-09 | 同济大学 | 基于多特征融合的车牌字符识别方法 |
| CN106372658A (zh) * | 2016-08-30 | 2017-02-01 | 广东工业大学 | 车辆分类器的训练方法 |
| CN107886066A (zh) * | 2017-11-07 | 2018-04-06 | 中国矿业大学 | 一种基于改进hog‑sslbp的行人检测方法 |
| CN108846843A (zh) * | 2018-04-03 | 2018-11-20 | 南昌奇眸科技有限公司 | 一种图像特征提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102129564B (zh) | 基于无人飞行器的接触网故障检测与诊断方法 | |
| Yousaf et al. | Comparative analysis of automatic vehicle classification techniques: a survey | |
| Wu et al. | Detection of bird nests in overhead catenary system images for high-speed rail | |
| CN102799894B (zh) | 一种快速俯视行人的检测方法 | |
| CN101968924A (zh) | 基于高分辨率图像的车流量实时检测方法 | |
| CN104298976A (zh) | 基于卷积神经网络的车牌检测方法 | |
| CN104268589B (zh) | 一种前方车辆检测方法 | |
| CN102663421A (zh) | 车辆检测方法 | |
| CN104933424A (zh) | 车辆及行人监测方法及装置 | |
| CN104809427A (zh) | 基于3d信息的故障自动识别检测系统及检测方法 | |
| CN103473570A (zh) | 自适应视频场景的行人检测方法 | |
| CN109948643A (zh) | 一种基于深层网络融合模型的车辆类型分类方法 | |
| CN105404859A (zh) | 一种基于池化车辆图片原始特征的车型识别方法 | |
| CN106845458B (zh) | 一种基于核超限学习机的快速交通标识检测方法 | |
| CN106327630A (zh) | 一种高低速不停车治超检测系统 | |
| CN103530640A (zh) | 基于AdaBoost与SVM的无牌车辆检测方法 | |
| CN105389561A (zh) | 一种基于视频的公交车道检测方法 | |
| CN111523415A (zh) | 一种基于图像的两客一危车辆检测方法和装置 | |
| CN111222394A (zh) | 一种渣土车超载检测方法、装置及系统 | |
| CN103886609A (zh) | 基于粒子滤波和lbp特征的车辆跟踪方法 | |
| Jeong et al. | Fast pedestrian detection using a night vision system for safety driving | |
| Skodras et al. | Rear lights vehicle detection for collision avoidance | |
| CN204613981U (zh) | 一种基于svm的车辆逆行检测装置 | |
| CN102637362B (zh) | 一种基于视频的隧道车型识别方法 | |
| CN103295003A (zh) | 一种基于多特征融合的车辆检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C12 | Rejection of a patent application after its publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120912 |