CN103679205A - 基于阴影假设和分层hog对称特征验证的前车检测方法 - Google Patents

Abstract

本发明公开了一种基于阴影假设和分层HOG对称特征验证的前车检测方法，通过人工选取由车载相机拍摄的图像，归一化计算图像库的分层HOG对称特征，并经过极限学习机（ELM）的训练得到分类器；然后对由车载相机采集的视频图像进行阴影化处理，得到假设的车辆子图；最后把得到的假设子图通过分类器进行判断得到检验结果。该发明方法能够准确、实时的检测出前方车辆，并且对光照强度变化有很强的鲁棒性。

Description

基于阴影假设和分层HOG对称特征验证的前车检测方法

技术领域

本发明属于机器视觉领域，涉及汽车主动安全领域，特别涉及一种基于阴影假设和分层HOG对称特征验证的前车检测方法。

背景技术

随着全球经济的发展，社会对交通运输的需求持续增长，交通基础设施的增加依然不能满足交通运输量的增加，尤其是经济活动比较集中的世界各大城市，交通拥堵已成为普遍现象，严重影响了经济的发展，制约了社会活动的进行。而交通事故造成的损失更令人触目惊心。如何避免交通事故，成为汽车领域的一个重要课题，而前方车辆检测成为研究的一大热点。

现有的车辆检测主要是基于特征的方法。基于特征的车辆检测是通过计算图像的局部和整体特征来表征车辆的，车辆图像的特征与非车辆图像的特征存在着差异。HOG特征由于其对图像几何的和光学的形变都能保持很好的不变性以及对光照强度的有很好的鲁棒性，在户外检测中使用广泛。但是在检测过程中，如果采用的HOG特征维数少了，检测精度难以达到，如果特征维数增加，检测速度又难以达到要求。这使得精度和速度之间很难得达到很好的解决方案。

现有的基于特征的车辆检测方法在检测一帧图像中所有的车辆时，一般都采用多尺度变换，对检测图像或者检测窗口经过设定的n倍缩放得到新的检测图像或检测窗口，再对新的图像或窗口重新进行检测。这样检测的数据量是非常大的，因而检测速度非常慢，难以达到检测过程中的快速性要求。

因而需要研究一种能够准确的，实时的前车检测方法来保障车辆的行驶安全。

发明内容

为了克服上述现有技术的不足，本发明提供了一种基于阴影假设和分层HOG对称特征验证的前车检测方法，通过提取图像的分层HOG对称特征，准确、实时的检测出前方车辆，并且对光照强度变化有很强的鲁棒性。

为实现上述目的，达到上述技术要求，本发明采用一下的技术方案：

一种基于阴影假设和分层HOG对称特征验证的前车检测方法，包括以下几个步骤：

步骤1：构建用于训练的样本库，并对样本库进行归一化处理；

所述用于训练的样本库是指从装载在车辆上方的摄像头拍摄的前方道路视频中提取的图像组成的图像库；所述的图像库包括两类，第一类为图像中含有车辆信息的图像，第二类为图像中不包含车辆信息的图像，每幅图像归一化处理为64*64像素大小；

步骤2：分别计算归一化处理后的样本库中每幅图像的分层HOG对称特征向量；

步骤3：用极限学习机(ELM)来训练步骤得到所有图像的分层HOG对称特征向量，获得两类图像的分类模型；

步骤4：从车载相机所获得的视频图像中，依次提取每帧图像的车底水平阴影图像，获得车辆假设子图；

步骤5：对步骤4获得的车辆假设子图归一化处理为64*64像素大小，并计算归一化处理后的图像的分层HOG对称特征向量，将分层HOG对称特征输入到步骤3所得到的分类模型中检验，以分类模型的输出结果判断车辆前方是否为存在车辆，完成前方车辆检测；

若输出结果属于第一类图像，则说明前方存在车辆，反之，则说明前方不存在车辆。

所述图像的分层HOG对称特征向量由图像分层HOG特征向量和对称特征向量串接获得；

1）图像分层HOG特征向量计算

图像分层HOG特征向量包括第一层HOG特征向量和第二层HOG特征向量：

a）第一层HOG特征向量的计算步骤如下：

步骤1：计算图像的梯度；

图像中像素点（x,y）的梯度为

G_x(x,y)=H(x+1,y)-H(x-1,y)

G_y(x,y)=H(x,y+1)-H(x,y-1)

式中，G_x(x,y)、G_y(x,y)和H(x,y)分别表示输入图像中像素点（x,y）处的水平方向梯度、垂直方向梯度和像素值；

像素点（x,y）处的梯度幅值和梯度方向分别为：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}$

$\mathrm{\α}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_X(x,y)}\right)$

步骤2：建立单元cell直方图；

将图像分成4个大小相同的矩形单元cell，将每个矩形单元cell按梯度方向划分为8个方向块，根据每个像素的梯度幅值和梯度方向对梯度方向直方图进行投票，得到每个矩形单元的梯度方向直方图；

步骤3：将矩形单元集结成连结区域块block，每个区域块block包含2*2个cell单元，区域块block移动的步长为一个单元，得到每个区域块的向量，向量方向为梯度方向，向量的大小为同一梯度方向的个数；

步骤4：将所有区域块的向量串接合并成第一层HOG特征向量；

b）第二层HOG特征的计算步骤如下：

步骤1：计算图像的梯度；

图像中像素点（x,y）的梯度为

G_x(x,y)=H(x+1,y)-H(x-1,y)

G_y(x,y)=H(x,y+1)-H(x,y-1)

式中，G_x(x,y)、G_y(x,y)和H(x,y)分别表示输入图像中像素点（x,y）处的水平方向梯度、垂直方向梯度和像素值；

像素点（x,y）处的梯度幅值和梯度方向分别为：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}$

$\mathrm{\α}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_X(x,y)}\right)$

步骤2：建立单元cell直方图；

将图像分成n*n个大小相同的矩形单元cell，将每个矩形单元cell按梯度方向划分为9个方向块，根据每个像素的梯度幅值和梯度方向对梯度方向直方图进行投票，得到每个矩形单元的梯度方向直方图；

其中，n的取值范围为4～8；

步骤3：将单元集结成连结区域块block，每个区域块block包含2*2个cell单元，区域块block移动的步长为一个单元，得到每个区域块的向量；

步骤4：将所有区域块的向量串接合并成第二层HOG特征；

将第一层HOG特征和第二层HOG特征串接获得图像分层HOG特征；

2）对称特征计算；

按照以下公式计算图像的对称特征C：

$C=\left[\begin{array}{c}{c}_{11}{c}_{12}{c}_{13}{c}_{14}{c}_{15}{c}_{16}{c}_{17}{c}_{18}\\ c_{21}{c}_{22}{c}_{23}{c}_{24}{c}_{25}{c}_{26}{c}_{27}{c}_{28}\end{array}\right]$

其中， $c_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}}/\frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}},\mathrm{if}\frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}}>\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}}\\ \frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}}/\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}},\mathrm{if}\frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}}\≤\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}}\end{array}\right.,$ h_ij表示图像左半部分第一层HOG特征，r_ij表示图像右半部分第一层HOG特征，1≤i≤2，1≤j≤8；

所述图像左半部分第一层HOG特征是指：

$H=\left[\begin{array}{c}{h}_{11}{h}_{12}{h}_{13}{h}_{14}{h}_{15}{h}_{16}{h}_{17}{h}_{18}\\ h_{21}{h}_{22}{h}_{23}{h}_{24}{h}_{25}{h}_{26}{h}_{27}{h}_{28}\end{array}\right]$

其中，h₁₁...h₁₈分别为图像第一层HOG特征的32维向量中的第1-8维向量，h₂₁...h₂₈分别为图像第一层HOG特征的32维向量中的第17-24维向量；

所述图像右半部分第一层HOG特征是指：

$R=\left[\begin{array}{c}{r}_{11}{r}_{12}{r}_{13}{r}_{14}{r}_{15}{r}_{16}{r}_{17}{r}_{18}\\ r_{21}{r}_{22}{r}_{23}{r}_{24}{r}_{25}{r}_{26}{r}_{27}{r}_{28}\end{array}\right]$

其中，r₁₁...r₁₈分别为图像第一层HOG特征的32维向量中的第9-16维向量，r₂₁...r₂₈分别为图像第一层HOG特征的32维向量中的第25-32维向量；

3）将分层HOG特征和对称特征串接得到最终的图像分层HOG对称特征。

所述车底水平阴影图像的提取是指水平信息图与车底阴影图求“与”操作得到水平阴影图；

所述水平信息图是采用3*3的水平掩膜[-1,-1,-1,0,0,0,1,1,1]与原图像卷积，以OTSU阈值计算法将卷积后的图像进行二值化处理得到；

所述车底阴影图是通过对原图像进行二值化处理获得，车底阴影图二值化处理的阈值为m-3σ，阈值每隔5秒更新一次，m和σ通过以下方法获得：

采用路面提取法，利用LoG法获取原图像的边缘信息图，采用向上区域生长法分割边缘信息图获得驾驶路面图像，统计驾驶路面图像的像素的平均值m和标准方差σ。

有益效果

与现有技术相比，本发明的有益效果是：

本发明提供的一种基于阴影假设和分层HOG对称特征验证的前车检测方法，通过提取车辆前方拍摄的视频图像中的分层HOG对称特征，来检测出前方障碍物车辆。由于车辆在行驶过程中，在驾驶车上看到的前方车辆都是车尾部，而车尾部是对称的，所以对车辆进行对称处理，与单层HOG特征相比，分层HOG对称特征对车辆的描述能力更强；同时，由于检测过程中采用的是假设验证的方法，省去了对图像的多尺度搜索，与现有的多尺度变换检测相比检测速度更快，而HOG特征本身的特点使得分层HOG对称特征具有良好的光照适应性。因此该方法是一种准确率高的，对光照强度变化有很强的鲁棒性，并且能够实时的检测出前方车辆，保障车辆安全行驶。

附图说明

图1为本发明的整体流程示意框图；

图2为本发明的图像采集系统图；

图3为本发明的分层HOG对称特征计算流程示意框图；

具体实施方式

下面结合附图并结合实施例对本发明进一步说明。

结合图1、图2，图3本发明的基本思想是利用假设验证的方法来检验前方车辆，具体可分为以下三个部分：首先是人工选取大量正负样本集，归一化计算其分层HOG对称特征，并经过极限学习机（ELM）的训练，得到一个分类器；然后对由车载相机采集的视频图像进行阴影化处理，得到假设的车辆子图；最后把得到的假设子图通过分类器验证得到检验结果。

具体包括以下步骤：

步骤1：构建用于训练的样本库，并对样本库进行归一化处理；

所述用于训练的样本库是指从装载在车辆上方的摄像头拍摄的前方道路视频中提取的图像组成的图像库；所述的图像库包括两类，第一类为图像中含有车辆信息的图像，第二类为图像中不包含车辆信息的图像，每幅图像归一化处理为64*64像素大小；

步骤2：分别计算归一化处理后的样本库中每幅图像的分层HOG对称特征；

步骤3：用极限学习机(ELM)来训练步骤得到所有图像的分层HOG对称特征，获得两类图像的分类模型；

步骤4：依次从车载相机所获得的视频图像中，提取每帧图像的车底水平阴影图像，获得到车辆假设子图；

即将获得的车辆假设子图假定为图像中的车辆；

所述车底水平阴影图像的提取是指水平信息图与车底阴影图求“与”操作得到水平阴影图；

所述水平信息图是采用3*3的水平掩膜[-1,-1,-1,0,0,0,1,1,1]与原图像卷积，以OTSU阈值计算法将卷积后的图像进行二值化处理得到；

所述车底阴影图是通过对原图像进行二值化处理获得，车底阴影图二值化处理的阈值为m-3σ，阈值每隔5秒计算一次，m和σ通过以下方法获得：

采用路面提取法，利用LoG法获取原图像的边缘信息图，采用向上区域生长法分割边缘信息图获得驾驶路面图像，统于驾驶路面图像的像素的平均值m和标准方差σ。

步骤5：对步骤4获得的车辆假设图进行归一化处理为64*64像素大小，并计算归一化处理后的图像的分层HOG对称特征，将分层HOG对称特征输入到步骤3所得到的分类模型中检验，以分类模型的输出结果检测车辆前方是否为存在车辆；

若输出结果属于第一类图像，则说明前方存在车辆，反之，则说明前方不存在车辆，实现前方车辆检测。

在具体实例中，本发明主要按照以下步骤实现：

1、装载好车载相机

车载相机安装的好坏直接影响视频的获取以及检测结果的好坏。在本发明中，车载相机的安装有以下要求：1）、一般情况下要保证相机拍摄出来的图像是水平的，即车子在图像中是水平的。2）、相机的俯仰角要合适，拍摄的图像中不能包含本车子的车前引擎盖。

2、获取用于训练的样本库

使用已经装载好的车载相机拍摄大量行驶过程中的车辆视频，从视频中以正方形的框来截取视频中的车辆和非车辆样本，并保证截取的正样本中车子在正方形中心，负样本包含各式各样的路面信息，包括路面、花草树木、建筑物、行人等等各种不包含车辆在内的非车辆图像，截取后的图片统一归一化为64*64像素。

3、提取样本的分层HOG对称特征

方向梯度直方图（HOG：Histogram of oriented gradient）描述子是一种机器视觉和图像处理中用来进行物体检测的特征描述子，由Navneet Dalal和Bill Triggs提出。

HOG特征有很多优点，其中最主要的是它对图像几何和光学形变都能保持很好的不变性。但是对于单一的HOG特征来说，如果特征维数太高了，检测速度很难达到要求，特征维数太低了又很难满足精度上的要求，所以，本发明针对前方车辆的车尾对称的特征，提取样本图像的分层HOG对称特征，即使特征维数不是太多，同时又能很好的满足精度上的要求。

本实例中计算分层HOG对称特征的具体步骤如下：

本实例中计算分层HOG对称特征的具体步骤如下：

1）计算第一层HOG和第二层HOG特征

步骤1：计算图像的梯度值。图像中像素点（x,y）的梯度为

G_x(x,y)=H(x+1,y)-H(x-1,y)

G_y(x,y)=H(x,y+1)-H(x,y-1)

式中G_x(x,y)，G_y(x,y)，H(x,y)分别表示输入图像中像素点（x,y）处的水平方向梯度、垂直方向梯度和像素值。像素点（x,y）处的梯度幅值和梯度方向分别为：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}$

$\mathrm{\α}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_X(x,y)}\right)$

步骤2：建立单元cell直方图。将图像分成多个单元cell，每个单元的形状可以是圆形或者矩形的，每个单元内的每个像素对方向直方图进行投票。本实例中，第一层HOG特征计算中将图像分成2*2的4个相同大小的矩形cell单元，第二层HOG特征计算中将图像分成4*4的16个相同大小的矩形cell单元。每个cell采用8个bin通道，每个bin为45度，第一个bin为负22.5度到正22.5度，第二个bin为22.5度到67.5度，依次类推。

步骤3：将单元集结成更大的连结区域块block。HOG描述符是归一化方格直方图的元素的向量，直方图由所有的区域构成。这些区域块通常会重叠，也就是每个单元不只是一次影响最后的描述符。本实例中，每相邻的2*2个区域块构成一个矩形block区域块。

步骤4：构成直方图。将所有区域块串联合并成最终的图像的分层HOG特征。

本实例中，图像的第一层HOG特征共1个区域块，第二层HOG特征共9个区域块，每个区域块有4个cell单元，每个cell单元8个bin通道。合计第一层HOG特征32维向量，第二层HOG特征288维向量。

即图像的分层HOG特征由第一层HOG特征和第二层HOG特征串接形成320维向量。

2）最后来计算对称特征。第一层HOG特征计算的时候，整个图像分为4个cell，分别为左上角、右上角、左下角和右下角4个区域，第一层HOG特征计算得到的32维向量中1～8、17～24维为图像左上角和左下角的特征，9～16和25～32维为图像右上角和右下角的特征，由于车尾图像左边和右边对称，根据角度关系调整好第一层HOG特征顺序，得到左边为第一层HOG特征中的第1、2、3、4、5、6、7、8、17、18、19、20、21、22、23、24维，右边为第一层HOG特征中的第13、12、11、10、9、16、15、14、29、28、27、26、25、32、31、30维，调整后左边的特征记为：

$H=\left[\begin{array}{c}{h}_{11}{h}_{12}{h}_{13}{h}_{14}{h}_{15}{h}_{16}{h}_{17}{h}_{18}\\ h_{21}{h}_{22}{h}_{23}{h}_{24}{h}_{25}{h}_{26}{h}_{27}{h}_{28}\end{array}\right]$

其中h_ij表示左边特征中的各元素。调整后右边的特征记为：

$R=\left[\begin{array}{c}{r}_{11}{r}_{12}{r}_{13}{r}_{14}{r}_{15}{r}_{16}{r}_{17}{r}_{18}\\ r_{21}{r}_{22}{r}_{23}{r}_{24}{r}_{25}{r}_{26}{r}_{27}{r}_{28}\end{array}\right]$

r_ij表示右边特征中各元素。计算得到的对称特征记为：

$C=\left[\begin{array}{c}{c}_{11}{c}_{12}{c}_{13}{c}_{14}{c}_{15}{c}_{16}{c}_{17}{c}_{18}\\ c_{21}{c}_{22}{c}_{23}{c}_{24}{c}_{25}{c}_{26}{c}_{27}{c}_{28}\end{array}\right]$

c_ij由以下方式计算而得：

$c_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}}/\frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}},\mathrm{if}\frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}}>\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}}\\ \frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}}/\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}},\mathrm{if}\frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}}\≤\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}}\end{array}\right.,$

从而得到16维的对称特征；将上述第一层HOG特征和第二层HOG特征和对称特征串接合并一起得到一个336维的分层HOG对称特征，并将其归一化。将所有的样本图像进行上述计算得到样本库的分层HOG对称特征集。

4、极限学习机（ELM）训练样本得到分类器

极限学习机（extreme learning machine）ELM是一种简单易用、有效的单隐层前馈神经网络SLFNs学习算法。2004年由南洋理工大学黄广斌副教授提出。传统的神经网络学习算法（如BP算法）需要人为设置大量的网络训练参数，并且很容易产生局部最优解。极限学习机只需要设置网络的隐层节点个数，在算法执行过程中不需要调整网络的输入权值以及隐元的偏置，并且产生唯一的最优解，因此具有学习速度快且泛化性能好的优点。

在学习训练过程中，将所有的正负样本的分层HOG对称特征作为输入值，正样本的输出值为1，负样本的输出值为-1，通过极限学习机训练网络，得到训练出来的分类器。

5、假设车辆子图像

前4步是检验前的准备阶段，在行车检验过程中，拍摄出来的图像先经过假设阶段，将车载相机拍摄的图像，经过处理，得到所有的假设车辆。由于车辆在行驶过程中，车子底部都会出现一个比周围图像暗的车底阴影区域，并且这个车底阴影区域一般都是水平的；我们的假设就是抓住车子的这个特点来进行假设的，将其每帧图像进行车底水平阴影图像的提取，从而得到车辆假设子图。车底阴影的水平信息图是由一个3*3的水平掩膜[-1,-1,-1,0,0,0,1,1,1]与图像卷积后，以OTSU阈值计算法计算卷积后的图像阈值，并将卷积后的图像二值化得到；车底阴影图通过图像二值化处理得到，二值化阈值的选取采用路面提取法，采用LoG法对图像求边缘信息，采用向上区域生长法分割部分驾驶路面图像像素，统计图片中路面像素的平均值m和标准方差，以m-3σ为阈值，由于驾驶路面一般情况下不会剧烈变化，所以阈值的求取只需要每个5秒钟求一次即可；水平信息图与车底阴影图求“与”操作得到水平阴影图。对水平阴影图像设置一些限制条件：车底阴影的长宽比>4（即水平阴影图像中连通域长宽比>4）和连通域像素长度>15，我们认为，根据限制条件即可得到一个能确定假设车子位置信息的水平阴影图像，我们认为所有满足限制条件的子图像均为车辆图像，由此可得到假设车辆的子图。根据水平阴影图像，从中挑出满足限制条件的连通域作为底边在原图上画一个正方形，并假设这个正方形中的图像就是车辆，将得到的所有假设图归一化为64*64像素得到假设车辆子图。

6、对假设车辆子图提取分层HOG对称特征

按照步骤3训练样本的分层HOG对称特征提取的方法来提取假设车辆子图的分层HOG对称特征，并将其归一化，得到假设车辆的特征集。

7、验证假设是否正确

将假设车辆特征集通过极限学习机所训练出来的分类器，来验证假设是否正确，如果分类器输出的结果为正样本，则假设正确，此子图像为车辆，并在原图像中相应的位置画出方框，表示为车辆方框，否则假设错误，子图像为非车辆，原图像上不做任何改变，并将检测结果显示出来通过显示器显示出来，提醒驾驶人此处为车辆请注意。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所做的任何修改、同等替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于阴影假设和分层HOG对称特征验证的前车检测方法，其特征在于，包括以下几个步骤：

步骤1：构建用于训练的样本库，并对样本库进行归一化处理；

所述用于训练的样本库是指从装载在车辆上方的摄像头拍摄的前方道路视频中提取的图像组成的图像库；所述的图像库包括两类，第一类为图像中含有车辆信息的图像，第二类为图像中不包含车辆信息的图像，每幅图像归一化处理为64*64像素大小；

步骤2：分别计算归一化处理后的样本库中每幅图像的分层HOG对称特征向量；

步骤3：用极限学习机(ELM)来训练步骤得到所有图像的分层HOG对称特征向量，获得两类图像的分类模型；

步骤4：从车载相机所获得的视频图像中，依次提取每帧图像的车底水平阴影图像，获得车辆假设子图；

步骤5：对步骤4获得的车辆假设子图归一化处理为64*64像素大小，并计算归一化处理后的图像的分层HOG对称特征向量，将分层HOG对称特征输入到步骤3所得到的分类模型中检验，以分类模型的输出结果判断车辆前方是否为存在车辆，完成前方车辆检测；

若输出结果属于第一类图像，则说明前方存在车辆，反之，则说明前方不存在车辆。

2.根据权利要求1所述的基于阴影假设和分层HOG对称特征验证的前车检测方法，其特征在于，所述图像的分层HOG对称特征向量由图像分层HOG特征向量和对称特征向量串接获得；

1）图像分层HOG特征向量计算

图像分层HOG特征向量包括第一层HOG特征向量和第二层HOG特征向量：

a）第一层HOG特征向量的计算步骤如下：

步骤1：计算图像的梯度；

图像中像素点（x,y）的梯度为

G_x(x,y)=H(x+1,y)-H(x-1,y)

G_y(x,y)=H(x,y+1)-H(x,y-1)

式中，G_x(x,y)、G_y(x,y)和H(x,y)分别表示输入图像中像素点（x,y）处的水平方向梯度、垂直方向梯度和像素值；

像素点（x,y）处的梯度幅值和梯度方向分别为：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}$

$\mathrm{\α}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_X(x,y)}\right)$

步骤2：建立单元cell直方图；

将图像分成4个大小相同的矩形单元cell，将每个矩形单元cell按梯度方向划分为8个方向块，根据每个像素的梯度幅值和梯度方向对梯度方向直方图进行投票，得到每个矩形单元的梯度方向直方图；

步骤3：将矩形单元集结成连结区域块block，每个区域块block包含2*2个cell单元，区域块block移动的步长为一个单元，得到每个区域块的向量，向量方向为梯度方向，向量的大小为同一梯度方向的个数；

步骤4：将所有区域块的向量串接合并成第一层HOG特征向量；

b）第二层HOG特征的计算步骤如下：

步骤1：计算图像的梯度；

图像中像素点（x,y）的梯度为

G_x(x,y)=H(x+1,y)-H(x-1,y)

G_y(x,y)=H(x,y+1)-H(x,y-1)

式中，G_x(x,y)、G_y(x,y)和H(x,y)分别表示输入图像中像素点（x,y）处的水平方向梯度、垂直方向梯度和像素值；

像素点（x,y）处的梯度幅值和梯度方向分别为：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}$

$\mathrm{\α}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_x(x,y)}\right)$

步骤2：建立单元cell直方图；

将图像分成n*n个大小相同的矩形单元cell，将每个矩形单元cell按梯度方向划分为9个方向块，根据每个像素的梯度幅值和梯度方向对梯度方向直方图进行投票，得到每个矩形单元的梯度方向直方图；

其中，n的取值范围为4～8；

步骤3：将单元集结成连结区域块block，每个区域块block包含2*2个cell单元，区域块block移动的步长为一个单元，得到每个区域块的向量；

步骤4：将所有区域块的向量串接合并成第二层HOG特征；

将第一层HOG特征和第二层HOG特征串接获得图像分层HOG特征；

2）对称特征计算；

按照以下公式计算图像的对称特征C：

$C=\left[\begin{array}{c}{c}_{11}{c}_{12}{c}_{13}{c}_{14}{c}_{15}{c}_{16}{c}_{17}{c}_{18}\\ c_{21}{c}_{22}{c}_{23}{c}_{24}{c}_{25}{c}_{26}{c}_{27}{c}_{28}\end{array}\right]$

其中， $c_{\mathrm{ij}}=\left\{\begin{array}{c}\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}}/\frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}},\mathrm{if}\frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}}>\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}}\\ \frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}}/\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}},\mathrm{if}\frac{r_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}}\≤\frac{h_{\mathrm{ij}}}{\underset{k=1}{\overset{8}{\mathrm{\Σ}}}{h}_{\mathrm{ik}}}\end{array}\right.,$ h_ij表示图像左半部分第一层HOG特征，r_ij表示图像右半部分第一层HOG特征，1≤i≤2，1≤j≤8；

所述图像左半部分第一层HOG特征是指：

$H=\left[\begin{array}{c}{h}_{11}{h}_{12}{h}_{13}{h}_{14}{h}_{15}{h}_{16}{h}_{17}{h}_{18}\\ h_{21}{h}_{22}{h}_{23}{h}_{24}{h}_{25}{h}_{26}{h}_{27}{h}_{28}\end{array}\right]$

其中，h₁₁...h₁₈分别为图像第一层HOG特征的32维向量中的第1-8维向量，h₂₁...h₂₈分别为图像第一层HOG特征的32维向量中的第17-24维向量；

所述图像右半部分第一层HOG特征是指：

$R=\left[\begin{array}{c}{r}_{11}{r}_{12}{r}_{13}{r}_{14}{r}_{15}{r}_{16}{r}_{17}{r}_{18}\\ r_{21}{r}_{22}{r}_{23}{r}_{24}{r}_{25}{r}_{26}{r}_{27}{r}_{28}\end{array}\right]$

其中，r₁₁...r₁₈分别为图像第一层HOG特征的32维向量中的第9-16维向量，r₂₁...r₂₈分别为图像第一层HOG特征的32维向量中的第25-32维向量；

3）将分层HOG特征和对称特征串接得到最终的图像分层HOG对称特征。

3.根据权利要求2所述的基于阴影假设和分层HOG对称特征验证的前车检测方法，其特征在于，所述车底水平阴影图像的提取是指水平信息图与车底阴影图求“与”操作得到水平阴影图；

所述水平信息图是采用3*3的水平掩膜[-1,-1,-1,0,0,0,1,1,1]与原图像卷积，以OTSU阈值计算法将卷积后的图像进行二值化处理得到；

所述车底阴影图是通过对原图像进行二值化处理获得，车底阴影图二值化处理的阈值为m-3σ，阈值每隔5秒更新一次，m和σ通过以下方法获得：

采用路面提取法，利用LoG法获取原图像的边缘信息图，采用向上区域生长法分割边缘信息图获得驾驶路面图像，统计驾驶路面图像的像素的平均值m和标准方差σ。

Images