CN104268589A - 一种前方车辆检测方法 - Google Patents

一种前方车辆检测方法 Download PDF

Info

Publication number
CN104268589A
CN104268589A CN201410471685.8A CN201410471685A CN104268589A CN 104268589 A CN104268589 A CN 104268589A CN 201410471685 A CN201410471685 A CN 201410471685A CN 104268589 A CN104268589 A CN 104268589A
Authority
CN
China
Prior art keywords
vehicle
col
detection method
front vehicles
region
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.)
Granted
Application number
CN201410471685.8A
Other languages
English (en)
Other versions
CN104268589B (zh
Inventor
王继贞
王海
孙锐
谷明琴
陈军
张绍勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhu Lion Automotive Technologies Co Ltd
Original Assignee
SAIC Chery Automobile Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SAIC Chery Automobile Co Ltd filed Critical SAIC Chery Automobile Co Ltd
Priority to CN201410471685.8A priority Critical patent/CN104268589B/zh
Publication of CN104268589A publication Critical patent/CN104268589A/zh
Application granted granted Critical
Publication of CN104268589B publication Critical patent/CN104268589B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Abstract

本发明涉及一种前方车辆检测方法，其特征在于，具体实施步骤如下：步骤1：建立正负样本库；采集大量有车辆存在和无车辆的视频图片，将图像中的车辆部分提取出来作为车辆训练正样本，挑选视频图片中没有车辆的图片形成负样本库；步骤2：训练数学模型，采用机器学习方法进行车辆检测；步骤3：车辆识别；步骤4：采用先验信息确认，降低干扰；步骤5：车辆对称性验证。从而提供一种有效的提高车辆识别率和降低车辆虚警率的方法。

Description

一种前方车辆检测方法
技术领域
本发明涉及汽车主动安全领域，具体涉及一种可应用于前车碰撞预警的前方车辆检测方法。
背景技术
前方车辆碰撞预警作为汽车主动安全领域重要的研究方向，已成为世界各汽车零部件供应商和汽车主机厂关注的热点，且在奔驰、宝马等豪华车上得到普遍应用，并逐渐向中低端车型普及。目前针对前方碰撞预警，主要有基于雷达的方法，基于视觉方法和基于雷达和视觉融合的方法。由于基于视觉的方法成本低，Mobileye开发的前方碰撞预警系统已成为比较成熟的辅助驾驶系统。而中国在这方面的研究与国外还有很大差距，因此深入该领域研究已成为提高我国关键汽车零部件核心竞争力的一个重要方面。基于视觉的车辆检测方法核心在于车辆检测算法，提高车辆检测算法的识别率和降低车辆检测虚警率成为研究的重中之重工作。
目前车辆检测方法有基于车底阴影的方法、基于机器学习的方法和基于光流的方法。现有技术中存在如下技术问题：基于车底阴影的方法由于受天气影响大，稳定性问题难以克服。基于光流的方法应用前提是目标物需要存在相对运动，对相对运动较小的车辆漏检率高。基于机器学习的方法采用大量数据进行学习训练，车辆检测鲁棒性强，但是虚警率较高。
发明内容
本发明目的在于提供一种有效的提高车辆识别率和降低车辆虚警率的方法。
具体技术方案如下：一种前方车辆检测方法，其特征在于，具体实施步骤如下：
步骤1:建立正负样本库；采集大量有车辆存在和无车辆的视频图片，将图像中的车辆部分提取出来作为车辆训练正样本库，挑选视频图片中没有车辆的图片形成负样本库；
步骤2:训练数学模型，采用机器学习方法进行车辆检测；
步骤3:车辆识别；
步骤4：采用先验信息确认，降低干扰；
步骤5:车辆对称性验证。
进一步地，步骤1中正样本为10000-20000个，负样本为50000-100000个。
进一步地，步骤2中采用机器学习方法具体为基于机器学习的识别方法首先采用特征提取方法得到车辆特征信息，然后采用模式识别方法进行识别。
进一步地，特征提取方法为基于HOG的方法或基于类Haar特征方法。
进一步地，模式识别方法主要有基于支持向量机(SVM)、基于神经网络或基于adaboost的方法。
进一步地，步骤2采用基于类Haar特征+adaboost的方法进行训练，得到数学模型。
进一步地，步骤3中采用级联adaboost进行识别，逐层排除非车辆区域。
进一步地，步骤5中利用汽车边缘信息判断车辆存在性。
进一步地，车辆对称性验证的具体处理步骤如下：
选定车辆，确定候选车辆区域；
车辆区域左右边界向外扩展一定宽度，得到车辆区域的左右边缘分别为Col_left和Col_right；
在车辆候选区域内采用Sobel垂直边缘增强方法进行增强，提取出车辆边缘图像；
将车辆边缘图像向水平方向投影，即将属于同一列的边缘图像进行累加，得到车辆水平投影数据；
将车辆投影数据进行累加，得到累加数值设为T,以Col_left作为起点对车辆投影数据进行逐列累加；
如果累加值超过T/2时，则停止累加；得到对应此时的图像列坐标为Col_median,计算|Col_median-(Col_right+Col_left)/2|的值是否小于设定偏差阈值th；
如果|Col_median-(Col_right+Col_left)/2|<th,可以判定此区域有车辆存在，否则车辆不存在。
进一步地，车辆区域左右边界向外扩展宽度分别为15个像素。
进一步地，偏差阈值th设定为15。
与目前现有技术相比，本发明能够：
1)采用机器学习方法，通过采集大量正负样本，训练学习得到数学模型，采用级联adaboost算法识别车辆。
2)采用先验知识确定车辆检测区域，去除周边干扰信息。
3)采用车辆对称性，确认车辆存在性。
从而有效的提高车辆识别率和降低车辆虚警率。
附图说明
图1为车辆检测流程图
图2为车辆对称性计算流程图
具体实施方式
下面根据附图对本发明进行详细描述，其为本发明多种实施方式中的一种优选实施例。
本发明涉及一种前方车辆检测方法，程序流程图如图1，具体实施步骤如下：
Step1:建立正负样本库。采集大量有车辆存在和无车辆的视频图片，将图像中的车辆部分提取出来作为车辆训练正样本库，然后将所有的车辆正样本统一规整为24*24大小图像作为最终的正样本数据库。挑选视频图片中没有车辆的图片形成负样本库。正负样本库图像越多，训练得到的车辆数学模型越好，对车辆识别率效果相对越好。但是，样本多，产生的弱分类器数量增多，算法识别阶段运行时间增加。同时训练过程也会加剧增加。本文推荐正样本在10000-20000个，负样本在50000-100000个。
Step2:训练数学模型。基于机器学习的识别方法首先采用特征提取方法得到车辆特征信息，然后采用模式识别方法进行识别。其中特征提取方法有基于HOG的方法、基于类Haar特征方法。模式识别方法主要有基于支持向量机(SVM)、基于神经网络、基于adaboost的方法。由于基于Haar特征和基于adaboost的快速识别性，本文采用基于类Haar特征+adaboost的方法进行训练，得到数学模型。
Step3:车辆识别。将得到的数学模型采用类Haar+adaboost进行车辆检测。为了提高识别率，本文采用级联adaboost进行识别，逐层排除非车辆区域。
Step4:采用先验信息确认。图像周边的干扰物，如交通标志、树木、道路护栏等产生较大干扰。由于车辆存在的区域在图像下半部，而交通标志存在于图像上半部，并且靠近左右图像边缘的为非车辆区域。因此根据这些信息可以去除交通标志和周边护栏干扰。
Step5:车辆对称性验证。汽车具有明显的垂直边缘和水平边缘，因此可以利用汽车边缘信息判断车辆存在性。
本文采用汽车垂直边缘特征，流程图如图2所示，具体处理步骤如下：
选定车辆，确定候选车辆区域。
车辆区域左右边界向外扩展一定宽度。本文设定左右外扩宽度分别为15个像素,得到车辆区域的左右边缘分别为Col_left和Col_right。边缘外扩的目的是防止通过前四步得到的车辆区域中不能完全包含车辆整体问题。
然后在车辆候选区域内采用Sobel垂直边缘增强方法进行增强，提取出车辆边缘图像。
然后将车辆边缘图像向水平方向投影，即将属于同一列的边缘图像进行累加，得到车辆水平投影数据。
将车辆投影数据进行累加，得到累加数值设为T,以Col_left作为起点对车辆投影数据进行逐列累加。如果累加值超过T/2时，则停止累加。得到对应此时的图像列坐标为Col_median,计算|Col_median-(Col_right+Col_left)/2|的值是否小于设定偏差阈值th。本文设定th＝15。
如果|Col_median-(Col_right+Col_left)/2|<th,可以判定此区域有车辆存在，否则车辆不存在。
上面结合附图对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种改进，或未经改进直接应用于其它场合的，均在本发明的保护范围之内。

Claims (10)

1.一种前方车辆检测方法，其特征在于，具体实施步骤如下：
步骤1:建立正负样本库；采集大量有车辆存在和无车辆的视频图片，将图像中的车辆部分提取出来作为车辆训练正样本库，挑选视频图片中没有车辆的图片形成负样本库；
步骤2:训练数学模型，采用机器学习方法进行车辆检测；
步骤3:车辆识别；
步骤4：采用先验信息确认，降低干扰；
步骤5:车辆对称性验证。
2.如权利要求1所述的前方车辆检测方法，其特征在于，步骤1中正样本为10000-20000个，负样本为50000-100000个。
3.如权利要求1-2所述的前方车辆检测方法，其特征在于，步骤2中采用机器学习方法具体为基于机器学习的识别方法首先采用特征提取方法得到车辆特征信息，然后采用模式识别方法进行识别。
4.如权利要求3所述的前方车辆检测方法，其特征在于，特征提取方法为基于HOG的方法或基于类Haar特征方法。
5.如权利要求3所述的前方车辆检测方法，其特征在于，模式识别方法主要有基于支持向量机(SVM)、基于神经网络或基于adaboost的方法。
6.如权利要求1-5所述的前方车辆检测方法，其特征在于，步骤2采用基于类Haar特征+adaboost的方法进行训练，得到数学模型。
7.如权利要求1-6所述的前方车辆检测方法，其特征在于，步骤3中采用级联adaboost进行识别，逐层排除非车辆区域。
8.如权利要求1-7所述的前方车辆检测方法，其特征在于，步骤5中利用汽车边缘信息判断车辆存在性。
9.如权利要求8所述的前方车辆检测方法，其特征在于，车辆对称性验证的具体处理步骤如下：
选定车辆，确定候选车辆区域；
车辆区域左右边界向外扩展一定宽度，得到车辆区域的左右边缘分别为Col_left和Col_right；
在车辆候选区域内采用Sobel边缘增强方法进行增强，提取出车辆边缘图像；
将车辆边缘图像向水平方向投影，即将属于同一列的边缘图像进行累加，得到车辆水平投影数据；
将车辆投影数据进行累加，得到累加数值设为T,以Col_left作为起点对车辆投影数据进行逐列累加；
如果累加值超过T/2时，则停止累加；得到对应此时的图像列坐标为Col_median,计算|Col_median-(Col_right+Col_left)/2|的值是否小于设定偏差阈值th；
如果|Col_median-(Col_right+Col_left)/2|<th,可以判定此区域有车辆存在，否则车辆不存在。
10.如权利要求9所述的前方车辆检测方法，其特征在于，车辆区域左右边界向外扩展宽度分别为15个像素，偏差阈值th设定为15。
CN201410471685.8A 2014-09-16 2014-09-16 一种前方车辆检测方法 Active CN104268589B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410471685.8A CN104268589B (zh) 2014-09-16 2014-09-16 一种前方车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410471685.8A CN104268589B (zh) 2014-09-16 2014-09-16 一种前方车辆检测方法

Publications (2)

Publication Number Publication Date
CN104268589A true CN104268589A (zh) 2015-01-07
CN104268589B CN104268589B (zh) 2017-09-12

Family

ID=52160109

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410471685.8A Active CN104268589B (zh) 2014-09-16 2014-09-16 一种前方车辆检测方法

Country Status (1)

Country Link
CN (1) CN104268589B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915642A (zh) * 2015-05-26 2015-09-16 奇瑞汽车股份有限公司 前方车辆测距方法及装置
CN105488454A (zh) * 2015-11-17 2016-04-13 天津工业大学 基于单目视觉的前方车辆检测与测距
CN105825185A (zh) * 2016-03-15 2016-08-03 深圳市中天安驰有限责任公司 车辆防碰撞预警方法及装置
CN106114505A (zh) * 2016-07-04 2016-11-16 浙江工商大学 一种车辆辅助驾驶系统的前车碰撞预警方法
CN106228189A (zh) * 2016-07-26 2016-12-14 国网福建省电力有限公司 基于lsd算法和机器学习的线路异物搭挂检测方法
CN106225705A (zh) * 2016-07-26 2016-12-14 国网福建省电力有限公司 基于lsd算法和机器学习的防震锤变形检测方法
CN112668725A (zh) * 2020-05-21 2021-04-16 广东顺德募优网络科技有限公司 一种基于改进特征的金属洗手盆缺陷目标训练方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101196996A (zh) * 2007-12-29 2008-06-11 北京中星微电子有限公司 一种图像检测方法及装置
CN102855500A (zh) * 2011-06-27 2013-01-02 东南大学 一种基于Haar和HoG特征的前车检测方法
CN103279756A (zh) * 2013-06-13 2013-09-04 苏州市公安局苏州工业园区分局 基于集成分类器的车辆检测分析系统及其检测分析方法
CN103559508A (zh) * 2013-11-05 2014-02-05 福建省视通光电网络有限公司 一种基于连续型Adaboost视频车辆检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101196996A (zh) * 2007-12-29 2008-06-11 北京中星微电子有限公司 一种图像检测方法及装置
CN102855500A (zh) * 2011-06-27 2013-01-02 东南大学 一种基于Haar和HoG特征的前车检测方法
CN103279756A (zh) * 2013-06-13 2013-09-04 苏州市公安局苏州工业园区分局 基于集成分类器的车辆检测分析系统及其检测分析方法
CN103559508A (zh) * 2013-11-05 2014-02-05 福建省视通光电网络有限公司 一种基于连续型Adaboost视频车辆检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WANG HAI ET AL.: "Design of a road vehicle detection system based on monocular vision", 《JOURNAL OF SOUTHEAST UNIVERSITY》 *
高磊 等: "基于边缘对称性的视频车辆检测算法", 《北京航空航天大学学报》 *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104915642A (zh) * 2015-05-26 2015-09-16 奇瑞汽车股份有限公司 前方车辆测距方法及装置
CN104915642B (zh) * 2015-05-26 2018-05-11 奇瑞汽车股份有限公司 前方车辆测距方法及装置
CN105488454A (zh) * 2015-11-17 2016-04-13 天津工业大学 基于单目视觉的前方车辆检测与测距
CN105488454B (zh) * 2015-11-17 2019-04-23 天津工业大学 基于单目视觉的前方车辆检测与测距
CN105825185A (zh) * 2016-03-15 2016-08-03 深圳市中天安驰有限责任公司 车辆防碰撞预警方法及装置
CN105825185B (zh) * 2016-03-15 2018-02-06 深圳市中天安驰有限责任公司 车辆防碰撞预警方法及装置
CN106114505A (zh) * 2016-07-04 2016-11-16 浙江工商大学 一种车辆辅助驾驶系统的前车碰撞预警方法
CN106228189A (zh) * 2016-07-26 2016-12-14 国网福建省电力有限公司 基于lsd算法和机器学习的线路异物搭挂检测方法
CN106225705A (zh) * 2016-07-26 2016-12-14 国网福建省电力有限公司 基于lsd算法和机器学习的防震锤变形检测方法
CN112668725A (zh) * 2020-05-21 2021-04-16 广东顺德募优网络科技有限公司 一种基于改进特征的金属洗手盆缺陷目标训练方法

Also Published As

Publication number Publication date
CN104268589B (zh) 2017-09-12

Similar Documents

Publication Publication Date Title
CN104268589A (zh) 一种前方车辆检测方法
CN104008645B (zh) 一种适用于城市道路车道线预测及预警方法
CN106169244A (zh) 利用人行横道识别结果的引导信息提供装置及方法
CN111563412B (zh) 一种基于参数空间投票和贝塞尔拟合的快速车道线检测方法
US9626599B2 (en) Reconfigurable clear path detection system
US20150161796A1 (en) Method and device for recognizing pedestrian and vehicle supporting the same
CN105550665A (zh) 一种基于双目视觉的无人驾驶汽车可通区域检测方法
CN105632186A (zh) 检测车辆加塞行为的方法和装置
JP2013109760A (ja) 対象検知方法及び対象検知システム
CN105825185A (zh) 车辆防碰撞预警方法及装置
CN105488453A (zh) 一种基于图像处理的驾驶员未系安全带检测识别方法
Guo et al. Image-based seat belt detection
CN105206109A (zh) 一种基于红外ccd的车辆雾天识别预警系统及方法
EP2813973B1 (en) Method and system for processing video image
CN102682304A (zh) 一种融合多特征的行人检测方法及装置
US20200074212A1 (en) Information processing device, imaging device, equipment control system, mobile object, information processing method, and computer-readable recording medium
CN102902957A (zh) 一种基于视频流的自动车牌识别方法
CN104700072A (zh) 基于车道线历史帧的识别方法
US10748014B2 (en) Processing device, object recognition apparatus, device control system, processing method, and computer-readable recording medium
CN104240515A (zh) 基于图像处理的公交专用道占道抓拍方法
US20150243169A1 (en) Traffic lane situation determining device and method for determining traffic lane situation
CN103927548A (zh) 一种新的避免车辆碰撞的刹车行为检测方法
US9691196B2 (en) Data reproducing apparatus
Satzoda et al. Drive analysis using lane semantics for data reduction in naturalistic driving studies
Helala et al. Road boundary detection in challenging scenarios

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20220215

Address after: 241009 Wuhu economic and Technological Development Zone, Anshan, Wuhu, Anhui

Patentee after: Wuhu Sambalion auto technology Co.,Ltd.

Address before: 241009 No. 8, Changchun Road, Wuhu economic and Technological Development Zone, Anhui, China

Patentee before: CHERY AUTOMOBILE Co.,Ltd.