CN103295003B - 一种基于多特征融合的车辆检测方法 - Google Patents

Abstract

本发明提供了一种基于多特征融合的车辆检测方法，该方法包括步骤：步骤（1）在输入图像中，建立一个或多个监测区域（ROI）；步骤（2）基于待检测图像的灰度图，提取ROI内的Harris角点和纵向梯度信息；步骤（3）根据取得的监测区域的外接梯形，计算ROI内某位置下检测窗口的几何尺寸；步骤（4）统计检测窗口下角点数目，并计算其分布对称性；步骤（5）基于检测窗口内的纵向梯度提取结构化水平线条信息；步骤（6）采用级联的强分类器判决当前检测窗口是否为车辆区域，是则保留；否则，不予考虑；步骤（7）以一定步长移动检测窗口，转到步骤（3），重复步骤（3）至（7）；步骤（8）通过检测结果合并，降低同一目标被重复检测的概率。

Description

一种基于多特征融合的车辆检测方法

技术领域

本发明属于智能交通系统(ITS)领域，涉及一种对交通视频中机动车辆的检测方法，具体涉及一种基于多特征融合的车辆检测方法。

背景技术

车辆检测技术是智能交通系统的首要研究课题，为交通参数获取、事件检测和安防布控等重要应用的前提。

现行的车辆检测多为基于视频处理的方法，如传统的分类器法、背景建模法、模型法等。这些方法对车型大小、车辆姿态、阴影、光照变化和场景变化等非常敏感，对样本或模型的准确建立的依赖性强，误检较严重。而众多的新兴的基于特征的检测方法所采用的特征或复杂度过高或过于简单，且检测效果严重依赖于所采集图像的质量。现行方法大多计算量较大，难以达到实用要求。针对上述问题和车体本身具有的标识性特征，本发明采用一种鲁棒、高效简洁的基于多特征融合的车辆检测方法检测车辆。

发明内容

本发明提供了一种基于多特征融合的车辆检测方法，其包括以下步骤：

步骤(1)在输入图像中，于路面范围内建立一个或多个ROI；

步骤(2)基于当前待检测图像的灰度图，提取ROI内的Harris角点和纵向梯度信息；

步骤(3)求取监测区域的外接梯形，并依此计算ROI内某位置下的检测窗口几何尺寸；

步骤(4)统计检测窗口下的Harris角点数目，并以检测窗口x向对称轴为中心，计算角点分布的对称性；

步骤(5)对检测窗口内二值化的纵向梯度信息做投影，即做纵向梯度的的y向分布直方图，提取结构化水平线条；

步骤(6)检测窗口涉及的3类特征均满足强分类器判决条件，则所取特征能够标识车辆，当前检测窗口为车辆区域，予以保留；否则，非车辆区域，该窗口位置不予考虑；

步骤(7)以一定步长移动检测窗口，跳转到步骤(3)，重复步骤(3)至(7)的操作；

步骤(8)在检测完成之后，再通过检测结果合并，降低同一目标被重复检测的概率。

进一步地，步骤(2)包括：

对图像中的每一个像素点，计算得到其窗口模板下的2×2相关梯度矩阵的最小特征值，自相关梯度矩阵M_local定义如下：

$M_{local}=\underset{r\left(P\right)}{\Σ}\left[\begin{array}{cc}{\left(L_X\right)}^2& L_x\·L_y\\ L_x\·L_y& {\left(L_y\right)}^2\end{array}\right]$

式中r(P)为任意点P(x,y)的D×D邻域(一般有D∈[3，9])，L_x、L_y分别为P(x,y)的灰度值L(x,y)对x、y的一阶偏导数，计算M_local的特征值λ₁、λ₂，并取λ_minP(x,y)＝min(λ₁，λ₂)；

在a×a邻域中仅保留局部最大的梯度相关矩阵的最小特征值对应的像素点作为候选特征点；

将各候选特征点对应的最小特征值与给定阈值λ作比较，将小于λ的候选特征点滤除；

用欧氏距离来确保所有角点之间具有足够的距离，P(x1,y1),P(x2,y2)两点的欧氏距离定义为：

$d=\sqrt{{(x1-x2)}^2+{(y1-y2)}^2}$

采用Sobel算子提取图像的纵向梯度特征，核设置如下式:

$\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]or\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$

用该核与当前灰度图做卷积，获取纵向梯度图并进行自适应阈值二值化。

进一步地，步骤(3)包括：对于每一个监测区域的外接梯形，给定图像坐标系中的y＝y0，y0值域在两底边y值之间，利用多边形相似性求解该y＝y0处梯形两腰间距，已知监控覆盖的车道数目，可得y＝y0处每条车道在图像中的宽度，再利用现实的单车道宽度与不同车型车辆的尺寸关系，计算该y＝y0处不同车型对应的图像中的检测窗口大小。

进一步地，步骤(4)中通过下式来计算对称性：

fSym＝1.0-|N_L-N_R|/max(N_L,N_R),fSym∈[0,1]

式中，fSym为角点水平分布对称度，N_L为检测窗口左半区域内的角点数目，N_R为右侧的角点数目；fSym取值0～1，fSym＝0时，检测窗口的角点水平方向分布不具对称性；fSym＝1时，完全对称。

进一步地，步骤(5)包括：

投影值，即直方图条柱值，的计算过程添加容忍度策略，如下式：

P_l'＝P_l-1+P_l+P_l+1

只有投影值满足以下条件式，该y＝l位置对应的纵向梯度才能作为候选水平线条：

(P_l'/Swin_width＞＝Ratio_T)and(dis(l,Ln_pos＜l)＞＝dis_T)and(dis(l,Ln_pos＞l)＞＝dis_T)

其中，Pl为检测窗口内纵向梯度信息于y＝l行的原投影值，l为图像坐标系中的y向值，取值范围在检测窗口的上、下边界y值之间，P_l-1、P_l+1分别为y＝l-1和y＝l+1行的原投影值，P_l'为添加容忍度后y＝l行的投影值；Swin_width为检测窗口的宽度，Ratio_T为浮点型阈值；dis(l,Ln_pos＜l)为当前投影位置y＝l与已确定的同检查窗口内位置小于l的，即(y＝pos)and(pos<1)，线条的距离，为与位置大于l的线条的距离，dis(1,Ln_pos>1)为与位置大于l的线条的距离，disT为距离阈值，由车体上水平线条分布规律而定。

进一步地，步骤(6)中所述判决条件为：

(Size_w∈[Size_Small,Size_Large])and(((N_L+N_R)＞＝N_T)and(fSym＞＝SymT))and(nLnN＞＝LnN_T)

其中，Size_w为图像中检测窗口的大小，Size_Small,Size_Large分别为小型车和大型车在图像中当前检测窗口位置下的相应尺寸；N_T为角点数目阈值；Sym_T为分布对称度阈值；

nLnN,LnN_T分别为提取到的空间水平线条的数目和数目阈值。

进一步地，步骤(8)中合并的依据为两目标区域的几何尺寸、交叠程度、区域中特征是否相当和两区域的关联程度。如两目标区域为同车型、交叠程度大于给定阈值，且两者提取到的角点、线条信息数量相当、两者的灰度、色调分布关联度大于预定阈值，则将两者的折中位置作为最终检测目标区域，两原目标区域弃除，关联度计算公式如下：

$fr=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}(x_{1i}-\stackrel{\&OverBar;}{x_1})\&times;(x_{2i}-\stackrel{\&OverBar;}{x_2})}{\sqrt{\underset{i=1}{\overset{N}{\&Sigma;}}{(x_{1i}-\stackrel{\&OverBar;}{x_1})}^2\&times;\underset{i=1}{\overset{N}{\&Sigma;}}{(x_{2i}-\stackrel{\&OverBar;}{x_2})}^2}},fr\&Element;\&lsqb;0,1\&rsqb;$

其中，fr为关联度系数，N为灰度或色调直方图条柱总数，x_1i，x_2i分别为直方图1和直方图2第i条条柱的统计值，分别为两直方图的条柱值均值，获取该值之前，首先要对两进行比对的目标区域下的灰度或色调图进行亮度分布统计，即生成直方图。

进一步地，步骤(6)中所述所涉3类特征为检测窗口几何尺寸、角点数目、空间水平线条。

本发明一种基于多特征融合的车辆检测算法的优点在于：本发明利用监测区域几何性质推算车辆大小，进而使得检测不受限于车型变化。本发明专注于能标识车体的典型、通用特征，并结合空间结构信息来描述车体，避开了复杂的目标模型或背景建模，简洁有效。本发明综合利用了车辆的几何、角点和空间线条特征，提高了检测的准确、可靠性，执行简洁快速，可达到实时检测要求。本发明所提取的特征适应性好，不受限于视频源图像质量，如D1和SIF的低分辨率视频亦可。本发明鲁棒性强。对阴影、噪声和光照变化等干扰不敏感；可容忍车辆姿态频繁变化，故可检测监控视野内、具有足够大小的任意运行方向、任意位置的车辆，如拐弯、来向或去向行驶等等。本发明可适用于复杂多变的各种交通场景，对天气状况(阴晴雨雪等)、路型(高速、城市道路等)变化等不敏感。综上，本发明通用性强。

附图说明

图1是示出根据本发明方法的流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明：

如图1所示，本发明采用了多特征融合的手段，通过综合考量图像局部区域的几何、角点和线条等标识性特征，并结合了车辆的空间结构信息，通过多级二分弱分类器级联为强分类器的方式来确认该区域是否为车辆目标；使车辆检测算法的具体实现重点突出、具可操作性，达到了鲁棒、高效简洁的检测效果，具有通用性强的优势。

本基于多特征融合的车辆检测算法，分以下步骤：

步骤1：图像预处理，ROI设置。

步骤2：待检测图像ROI内的角点特征和纵向梯度特征的提取。

步骤3：推算ROI内某位置下检测窗口几何尺寸。

步骤4：计算该检测窗口内的角点信息。

步骤5：获取该检测窗口内的结构化水平线条信息。

步骤6：确认当前检测窗口是否为车辆，是则保留该位置信息，非则执行下一步骤。

步骤7：x,y向均以一定步长移动检测窗口，跳转到步骤3，重复步骤3-6的操作。

步骤8：检测后处理。

所述步骤2中，基于灰度图像，检测ROI内的Harris角点，并用Sobel算子提取纵向梯度信息。

所述步骤3中，根据ROI外接梯形的几何性质和场景参数，如车道数，推算ROI内某位置下车辆的恰当尺寸，为检测窗口大小提供参考。

所述步骤4中，统计检测窗口内角点数目，计算其分布的对称性。

所述步骤5中，将检测窗口内的纵向梯度信息进行投影，按车体上水平线条的空间分布规律提取水平线条若干。

所述步骤6中，级联三个针对检测窗口几何尺寸、角点和空间水平线条特征(3类特征)的二分弱分类器为强分类器，判断所取综合特征标识车辆目标的置信度。

所述步骤7中，本发明是一个贪婪式的搜索检测方法，搜索步长依当前位置的检测窗口大小而定。

所述步骤8中，通过较严格的检测结果合并，降低同一目标被重复检测的概率。

以下结合附图，对本发明做进一步说明。

如图1所示，一种基于多特征融合的车辆检测方法，具体步骤如下：

步骤1：在输入图像中，于路面范围内建立一个或多个ROI。ROI的设置以覆盖整个路面而又尽量少容纳非相关信息为原则。

步骤2：基于当前待检测图像的灰度图，提取ROI内的Harris角点。角点是图像重要的局部特征，它以有限的数据量集中了图中物体丰富、关键的形状信息，突出钢体的棱角结构，极大地降低了数据冗余度，使得实时检测成为可能。本发明采用KLT角点检测算法。该算法对每个像素都建立一个窗口来考察其内灰度变化强度从而在图像中寻找具有大特征值的像素点，效率很高。检测过程主要分为4个步骤：

本基于多特征融合的车辆检测算法，分以下步骤：

步骤1：图像预处理，ROI设置。

步骤2：待检测图像ROI内的角点特征和纵向梯度特征的提取。

步骤3：推算ROI内某位置下检测窗口几何尺寸。

步骤4：计算该检测窗口内的角点信息。

步骤5：获取该检测窗口内的结构化水平线条信息。

步骤6：确认当前检测窗口是否为车辆，是则保留该位置信息，非则执行下一步骤。

步骤7：x,y向均以一定步长移动检测窗口，跳转到步骤3，重复步骤3-6的操作。

步骤8：检测后处理。

所述步骤2中，基于灰度图像，检测ROI内的Harris角点，并用Sobel算子提取纵向梯度信息。

所述步骤3中，根据ROI外接梯形的几何性质和场景参数，如车道数，推算ROI内某位置下车辆的恰当尺寸，为检测窗口大小提供参考。

所述步骤4中，统计检测窗口内角点数目，计算其分布的对称性。

所述步骤5中，将检测窗口内的纵向梯度信息进行投影，按车体上水平线条的空间分布规律提取水平线条若干。

所述步骤6中，级联三个针对检测窗口几何尺寸、角点和空间水平线条特征(3类特征)的二分弱分类器为强分类器，判断所取综合特征标识车辆目标的置信度。

所述步骤7中，本发明是一个贪婪式的搜索检测方法，搜索步长依当前位置的检测窗口大小而定。

所述步骤8中，通过较严格的检测结果合并，降低同一目标被重复检测的概率。

以下结合附图，对本发明做进一步说明。

如图1所示，一种基于多特征融合的车辆检测方法，具体步骤如下：

步骤1：在输入图像中，于路面范围内建立一个或多个ROI。ROI的设置以覆盖整个路面而又尽量少容纳非相关信息为原则。

步骤2：基于当前待检测图像的灰度图，提取ROI内的Harris角点。角点是图像重要的局部特征，它以有限的数据量集中了图中物体丰富、关键的形状信息，突出钢体的棱角结构，极大地降低了数据冗余度，使得实时检测成为可能。本发明采用KLT角点检测算法。该算法对每个像素都建立一个窗口来考察其内灰度变化强度从而在图像中寻找具有大特征值的像素点，效率很高。检测过程主要分为4个步骤：

(1)对图像中的每一个像素点，计算得到其窗口模板下的2×2相关梯度矩阵的最小特征值。自相关梯度矩阵M_local定义如下：

$M_{local}=\underset{r\left(P\right)}{\&Sigma;}\left[\begin{array}{cc}{\left(L_X\right)}^2& L_x\&CenterDot;L_y\\ L_x\&CenterDot;L_y& {\left(L_y\right)}^2\end{array}\right]---\left(1\right)$

式中r(P)为任意点P(x,y)的D×D邻域(一般有D∈[3，9])，L_x、L_y分别为P(x,y)的灰度值L(x,y)对x、y的一阶偏导数，计算M_local的特征值λ₁、λ₂，并取λ_minP(x,y)＝min(λ₁，λ₂)。

(2)进行“抑制局部非最大”：在a×a(a和D无大小关系)邻域中仅保留局部最大的梯度相关矩阵的最小特征值对应的像素点。

(3)候选特征点筛选：将步骤(2)保留下来的各候选特征点对应的最小特征值与给定阈值λ作比较，将小于λ的候选特征点滤除。

(4)最后，用欧氏距离来确保所有角点之间具有足够的距离，P(x1,y1),P(x2,y2)两点的欧氏距离定义为：

$d=\sqrt{{(x1-x2)}^2+{(y1-y2)}^2}---\left(2\right)$

角点相对集中地分布在车头、车尾，具有尺度不变性、旋转不变性等特点，故对光照变化、车体姿态和阴影与噪声干扰不敏感。因为光照的变化和车体姿态变化不会改变车体的结构性信息，而阴影和噪声块内部灰度相对平滑。同时，车辆的空间结构信息具备对称性，则采用角点分布对称性来体现该特点，并将其用作针对角点这一特征的弱分类器的参考因素。

各种型号的刚性车体，无论在何种光照条件、场景和姿态下，其水平线条信息都极为明显，呈一定空间分布规律，车顶、车窗上、下边缘和车底缘，且经投影手段获得的线条具旋转不变性；阴影和噪声区域不具此特点。本发明采用了Sobel算子提取图像的纵向梯度信息，核设置如式(3)。

$\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]or\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]---\left(3\right)$

用该核与当前灰度图做卷积，获取纵向梯度图并进行自适应阈值二值化。

步骤3：求取ROI的外接梯形。对于每一个ROI的外接梯形，给定图像坐标系中的y＝y0(y0值域在两底边y值之间)，利用多边形相似性求解该y＝y0处梯形两腰间距。已知监控覆盖的车道数目，可得y＝y0处每条车道在图像中的宽度。再利用现实的单车道宽度与不同车型车辆的尺寸关系，计算该y＝y0处不同车型对应的图像中的检测窗口大小。如此，则本检测方法不受车型限制。同时，算法起始不依赖于各种ROI提取方法，如背景差法、帧间差法等，故降低了算法复杂度和累积误差，避免了漏检或误检加剧。

步骤4：统计检测窗口下的Harris角点数目，并以检测窗口x向对称轴为中心，计算角点分布的对称性，如式(4)所示：

fSym＝1.0-|N_L-N_R|/max(N_L,N_R),fSym∈[0,1] (4)

式中，fSym为角点水平分布对称度，N_L为检测窗口左半区域内的角点数目，N_R为右侧的角点数目。fSym取值0～1，fSym＝0时，检测窗口的角点水平方向分布不具对称性；fSym＝1时，完全对称。

步骤5：对检测窗口内二值化的纵向梯度信息做投影，即做纵向梯度的y向分布直方图。为适应车辆的不同姿态，投影值，即直方图条柱值，的计算过程添加容忍度策略，如式(5)。只有投影值满足以下条件式(6)，该位置对应的纵向梯度才能作为候选线条：

P_l'＝P_l-1+P_l+P_l+1 (5)

(P_l'/Swin_width＞＝Ratio_T)and(dis(l,Ln_pos＜l)＞＝dis_T)and(dis(l,Ln_pos＞l)＞＝dis_T) (6)

式(5)中，Pl为检测窗口内纵向梯度信息于y＝l行的原投影值，l为图像坐标系中的y向值，取值范围在检测窗口的上、下边界y值之间，P_l-1、P_l+1分别为y＝l-1和y＝l+1行的原投影值，P_l'为添加容忍度后y＝l行的投影值；Swin_width为检测窗口的宽度，Ratio_T为浮点型阈值；dis(l,Ln_pos＜l)为当前投影位置y＝l与已确定的同检查窗口内位置小于l的，即(y＝pos)and(pos<1)，线条的距离，为与位置大于l的线条的距离，dis(1,Ln_pos>1)为与位置大于l的线条的距离，disT为距离阈值，由车体上水平线条分布规律而定。

步骤6，将三个二分弱分类器级联以提高检测精度。所涉3类特征满足式(7)的强分类器判决条件，则所取特征能够标识车辆，当前检测窗口为车辆区域，予以保留；否则，非车辆区域，该窗口位置不予考虑。

(Size_w∈[Size_Small,Size_Large])and(((N_L+N_R)＞＝N_T)and(fSym＞＝SymT))and(nLnN＞＝LnN_T) (7)

式(7)中，Sizew为图像中检测窗口的大小，Size_Small,Size_Large分别为小型车和大型车在图像中当前检测窗口位置下的相应尺寸；N_T为角点数目阈值；Sym_T为分布对称度阈值；nLnN,LnN_T分别为提取到的空间水平线条的数目和数目阈值。

步骤7，本发明虽为贪婪式搜索检测方法，但是在角点和纵向梯度特征已提取完备的基础上进行的，并非针对每个检测窗口的特征进行即时计算，故效率高。

步骤8，检测后处理的主要步骤是，在初步检测完成之后，再通过较严格的检测结果合并，降低同一目标被重复检测的概率。本发明中合并的参考依据为两目标区域的几何尺寸、交叠程度、区域中特征的丰富程度是否相当和两区域的关联程度等。如两目标区域为同车型、交叠程度大于给定阈值，且两者提取到的角点、线条信息数量相当、两者的灰度、色调等分布关联较大，则将两者的折中位置作为最终检测目标区域，两原目标区域弃除。关联度计算公式如下。

$fr=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}(x_{1i}-\stackrel{\&OverBar;}{x_1})\&times;(x_{2i}-\stackrel{\&OverBar;}{x_2})}{\sqrt{\underset{i=1}{\overset{N}{\&Sigma;}}{(x_{1i}-\stackrel{\&OverBar;}{x_1})}^2\&times;\underset{i=1}{\overset{N}{\&Sigma;}}{(x_{2i}-\stackrel{\&OverBar;}{x_2})}^2}},fr\&Element;\&lsqb;0,1\&rsqb;---\left(8\right)$

fr为关联度系数，N为灰度或色调直方图条柱总数，x_1i，x_2i分别为直方图1和直方图2第i条条柱的统计值，分别为两直方图的条柱值均值，获取该值之前，首先要对两进行比对的目标区域下的灰度或色调图进行亮度分布统计，即生成直方图。

以上是对本发明的优选实施例进行的详细描述，但本领域的普通技术人员应该意识到，在本发明的范围内和精神指导下，各种改进、添加和替换都是可能的。这些都在本发明的权利要求所限定的保护范围内。

Claims (7)

1.一种基于多特征融合的车辆检测方法，其特征在于包括以下步骤：

步骤(1)在输入图像中，于路面范围内建立一个或多个ROI；

步骤(2)基于当前待检测图像的灰度图，提取ROI内的Harris角点和纵向梯度特征；

步骤(3)求取监测区域的外接梯形，并基于其计算ROI内某位置下的检测窗口几何尺寸；

步骤(4)统计检测窗口下的Harris角点数目，并以检测窗口x向对称轴为中心，计算角点分布的对称性；

步骤(5)对检测窗口内二值化的纵向梯度做投影，即做纵向梯度的y向分布直方图，提取结构化水平线条；

步骤(6)检测窗口涉及的3类特征均满足强分类器判决条件，则所取特征能够标识车辆，当前检测窗口为车辆区域，予以保留；否则，非车辆区域，该窗口位置不予考虑；

步骤(7)以一定步长移动检测窗口，跳转到步骤(3)，重复步骤(3)至(7)的操作；

步骤(8)在检测完成之后，再通过检测结果合并，降低同一目标被重复检测的概率，

其中，步骤(6)中所述所涉3类特征为检测窗口几何尺寸、角点数目、空间水平线条。

2.根据权利要求1所述的方法，其特征在于：

步骤(2)进一步包括：

对图像中的每一个像素点，计算得到其窗口模板下的2×2相关梯度矩阵的最小特征值，自相关梯度矩阵M_local定义如下：

$M_{local}=\underset{r\left(P\right)}{\&Sigma;}\left[\begin{array}{cc}{\left(L_X\right)}^2& L_x\&CenterDot;L_y\\ L_x\&CenterDot;L_y& {\left(L_y\right)}^2\end{array}\right]$

式中r(P)为任意点P(x,y)的D×D邻域(一般有D∈[3，9])，L_x、L_y分别为P(x,y)的灰度值L(x,y)对x、y的一阶偏导数，计算M_local的特征值λ₁、λ₂，并取λ_minP(x,y)＝min(λ₁，λ₂)；

在a×a邻域中仅保留局部最大的梯度相关矩阵的最小特征值对应的像素点作为候选特征点；

将各候选特征点对应的最小特征值与给定阈值λ作比较，将小于λ的候选特征点滤除；

用欧氏距离来确保所有角点之间具有足够的距离，P(x1,y1),P(x2,y2)两点的欧氏距离定义为：

$d=\sqrt{{(x1-x2)}^2+{(y1-y2)}^2}$

采用Sobel算子提取图像的纵向梯度特征，核设置如下式:

$\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right]or\left[\begin{array}{ccc}-1& -2& -1\\ 0& 0& 0\\ 1& 2& 1\end{array}\right]$

用该核与当前灰度图做卷积，获取纵向梯度图并进行自适应阈值二值化。

3.根据权利要求1所述的方法，其特征在于：

步骤(3)进一步包括：对于每一个监测区域的外接梯形，给定图像坐标系中的y＝y0，y0值域在两底边y值之间，利用多边形相似性求解该y＝y0处梯形两腰间距，已知监控覆盖的车道数目，可得y＝y0处每条车道在图像中的宽度，再利用现实的单车道宽度与不同车型车辆的尺寸关系，计算该y＝y0处不同车型对应的图像中的检测窗口大小。

4.根据权利要求1所述的方法，其特征在于：

步骤(4)中通过下式来计算对称性：

fSym＝1.0-|N_L-N_R|/max(N_L,N_R),fSym∈[0,1]

式中，fSym为角点水平分布对称度，N_L为检测窗口左半区域内的角点数目，N_R为右侧的角点数目；fSym取值0～1，fSym＝0时，检测窗口的角点水平方向分布不具对称性；fSym＝1时，完全对称。

5.根据权利要求1所述的方法，其特征在于：

步骤(5)进一步包括：

投影值，即直方图条柱值，的计算过程添加容忍度策略，如下式：

P_l'＝P_l-1+P_l+P_l+1

只有投影值满足以下条件式，该y＝l位置对应的纵向梯度才能作为候选水平线条：

(P_l'/Swin_width＞＝Ratio_T)and(dis(l,Ln_pos＜l)＞＝dis_T)and(dis(l,Ln_pos＞l)＞＝dis_T)

其中，Pl为检测窗口内纵向梯度信息于y＝l行的原投影值，l为图像坐标系中的y向值，取值范围在检测窗口的上、下边界y值之间，P_l-1、P_l+1分别为y＝l-1和y＝l+1行的原投影值，P_l'为添加容忍度后y＝l行的投影值；Swin_width为检测窗口的宽度，Ratio_T为浮点型阈值；dis(l,Ln_pos＜l)为当前投影位置y＝l与已确定的同检查窗口内位置小于l的，即(y＝pos)and(pos<1)，线条的距离，为与位置大于l的线条的距离，dis(1,Ln_pos>1)为与位置大于l的线条的距离，disT为距离阈值，由车体上水平线条分布规律而定。

6.根据权利要求1或4所述的方法，其特征在于：

步骤(6)中所述判决条件为：

(Size_w∈[Size_Small,Size_Large])and(((N_L+N_R)＞＝N_T)and(fSym＞＝SymT))and(nLn_N＞＝LnN_T)

其中，Size_w为图像中检测窗口的大小，Size_Small,Size_Large分别为小型车和大型车在图像中当前检测窗口位置下的相应尺寸；N_T为角点数目阈值；Sym_T为分布对称度阈值；

nLnN,LnN_T分别为提取到的空间水平线条的数目和数目阈值。

7.根据权利要求1所述的方法，其特征在于：

步骤(8)中合并的依据为两目标区域的几何尺寸、交叠程度、区域中特征是否相当和两区域的关联程度，如两目标区域为同车型、交叠程度大于给定阈值，且两者提取到的角点、线条信息数量相当、两者的灰度、色调分布关联度大于预定阈值，则将两者的折中位置作为最终检测目标区域，两原目标区域弃除，关联度计算公式如下：

$fr=\frac{\underset{i=1}{\overset{N}{\&Sigma;}}(x_{1i}-\stackrel{-}{x_1})\&times;(x_{2i}-\stackrel{-}{x_2})}{\sqrt{\underset{i=1}{\overset{N}{\&Sigma;}}{(x_{1i}-\stackrel{-}{x_1})}^2\&times;\underset{i=1}{\overset{N}{\&Sigma;}}{(x_{2i}-\stackrel{-}{x_2})}^2}},fr\&Element;\&lsqb;0,1\&rsqb;$

其中，fr为关联度系数，N为灰度或色调直方图条柱总数，x_1i，x_2i分别为直方图1和直方图2第i条条柱的统计值，分别为两直方图的条柱值均值，获取该值之前，首先要对两进行比对的目标区域下的灰度或色调图进行亮度分布统计，即生成直方图。