CN105138989B - 一种车辆遮阳板状态检测方法及装置 - Google Patents

Abstract

本申请提供一种车辆遮阳板状态检测方法及装置，该方法包括：训练遮阳板分类器；获取待检测图像；转化所述待检测图像为灰度图像；通过定位所述灰度图像中车窗右上角的位置确定车窗位置；根据从灰度图像中获取的车牌信息设置遮阳板的最大检测窗口和最小检测窗口；在所述最大检测窗口和所述最小检测窗口范围内，按照一定比例对所述遮阳板的检测窗口进行缩放；利用缩放得到的多个检测窗口和预先训练的遮阳板分类器对所述车窗位置的上部三分之一图像进行多尺度遮阳板检测；根据预设的遮阳板图像的方差阈值以及宽高比对检测出的遮阳板图像进行筛选，以确定遮阳板状态。通过本申请可精确定位车窗位置，提高遮阳板开启状态的检出率。

Description

一种车辆遮阳板状态检测方法及装置

技术领域

本申请涉及视频监控技术领域，尤其涉及一种车辆遮阳板状态检测方法及装置。

背景技术

遮阳板，位于车辆的前风挡处，是为了避免阳光或者灯光刺眼影响驾驶员视线而设计的，使用时可以上下扳动，从而调整太阳光对眼睛的照射度，避免发生交通事故。但是，随着社会的发展，一些犯罪分子却利用遮阳板遮挡面部特征以逃避法律的制裁，给案件侦破工作带来障碍，因此，需要一种智能的遮阳板状态检测方法，以便快速识别出遮阳板开启的图片。

现有技术方案中，通常采用线段检测方法首先定位车窗区域，然后再利用遮阳板颜色的均衡性，从车窗区域提取出遮阳板区域。但是，该技术方案的抗干扰能力较弱，车窗区域定位误差大，而且，在某些光线不佳的场景下，由于遮阳板颜色均衡性被破坏容易造成漏检。

发明内容

有鉴于此，本申请提供一种车辆遮阳板状态检测方法及装置。

具体地，本申请是通过如下技术方案实现的：

本申请提供一种车辆遮阳板状态检测方法，该方法包括：

训练遮阳板分类器；

获取待检测图像；

转化所述待检测图像为灰度图像；

通过定位所述灰度图像中车窗右上角的位置确定车窗位置；

根据从灰度图像中获取的车牌信息设置遮阳板的最大检测窗口和最小检测窗口；

在所述最大检测窗口和所述最小检测窗口范围内，按照一定比例对所述遮阳板的检测窗口进行缩放；

利用缩放得到的多个检测窗口和预先训练的遮阳板分类器对所述车窗位置的上部三分之一图像进行多尺度遮阳板检测；

根据预设的遮阳板图像的方差阈值以及宽高比对检测出的遮阳板图像进行筛选，以确定遮阳板状态。

本申请还提供一种车辆遮阳板状态检测装置，该装置包括：

训练单元，用于训练遮阳板分类器；

获取单元，用于获取待检测图像；

转化单元，用于转化所述待检测图像为灰度图像；

确定单元，用于通过定位所述灰度图像中车窗右上角的位置确定车窗位置；

设置单元，用于根据从灰度图像中获取的车牌信息设置遮阳板的最大检测窗口和最小检测窗口；

缩放单元，用于在所述最大检测窗口和所述最小检测窗口范围内，按照一定比例对所述遮阳板的检测窗口进行缩放；

检测单元，用于利用缩放得到的多个检测窗口和预先训练的遮阳板分类器对所述车窗位置的上部三分之一图像进行多尺度遮阳板检测；

筛选单元，用于根据预设的遮阳板图像的方差阈值以及宽高比对检测出的遮阳板图像进行筛选，以确定遮阳板状态。

由以上描述可以看出，本申请通过定位车窗右上角的位置来确定车窗位置，然后利用预先训练的遮阳板分类器对车窗上部三分之一的图像进行多尺度检测，以初步确定遮阳板图像，最后结合遮阳板图像的方差以及宽高比对初步确定的遮阳板图像进行筛选，以最终确定遮阳板状态。本申请可精确定位车窗位置，提高遮阳板开启状态的检出率。

附图说明

图1是本申请一示例性实施例示出的一种车辆遮阳板状态检测方法流程图；

图2是本申请一示例性实施例示出的一种车辆遮阳板状态检测装置所在设备的基础硬件结构示意图；

图3是本申请一示例性实施例示出的一种车辆遮阳板状态检测装置的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与本申请的一些方面相一致的装置和方法的例子。

在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

应当理解，尽管在本申请可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。

遮阳板，位于车辆的前风挡处，是为了避免阳光或者灯光刺眼影响驾驶员视线而设计的，使用时可以上下搬动，从而调整太阳光对眼睛的照射度，避免发生交通事故。同时，遮阳板减少太阳光直射入车内，起到降温，保护车内仪表盘、真皮座椅等作用。

随着社会的快速发展，存在一些犯罪分子利用车辆进行犯罪或者潜逃，他们故意利用帽子、墨镜或者车内遮阳板来遮蔽面部特征，从而逃避了法律的制裁。为了识别这些少量的遮阳板开启图片，我们需要办案人员投入极大的人力来处理道路抓拍图片，给案件的侦破带来了较大的麻烦及障碍。因此，需要一种智能的遮阳板状态(开启或关闭)检测方法，以便快速识别出遮阳板开启的图片，为案件的侦破提供必要的技术支持。

现有技术方案中，通常采用线段检测对车窗区域进行定位，然后使用不同尺寸窗口在车窗区域进行滑动，并利用遮阳板颜色的均衡性，提取候选的遮阳板区域，最后对候选的遮阳板区域进行遮阳板的定位。但是，该技术方案的抗干扰能力较弱，车窗区域定位误差大，而且，在某些光线不佳的场景下，由于遮阳板颜色均衡性被破坏容易造成漏检。

针对上述问题，本申请实施例提出一种车辆遮阳板状态检测方法，该方法通过定位车窗右上角的位置来确定车窗位置，然后利用预先训练的遮阳板分类器对车窗上部三分之一的图像进行多尺度检测，以初步确定遮阳板图像，最后结合遮阳板图像的方差以及宽高比对初步确定的遮阳板图像进行筛选，以最终确定遮阳板状态。

参见图1，为本申请车辆遮阳板状态检测方法的一个实施例流程图，该实施例对车辆遮阳板状态检测过程进行描述。

步骤101，训练遮阳板分类器。

本申请在进行遮阳板状态检测之前，需要训练遮阳板分类器。在后续检测过程中，利用该遮阳板分类器对待检测图像进行遮阳板状态检测。

遮阳板分类器的训练过程如下：

首先，获取遮阳板图像样本和非遮阳板图像样本。例如，可通过手工标定的方法从包含遮阳板的图像中抠取出遮阳板图像作为遮阳板图像样本，并对遮阳板图像样本进行尺寸归一化处理。非遮阳板图像样本可通过随机选择不包含遮阳板的图像获得。本申请实施例中要求获取足够多的图像样本(遮阳板图像样本和非遮阳板图像样本)，例如，遮阳板图像样本1万张，非遮阳板图像样本10万张，获取的图像样本数量越多，最终生成的遮阳板分类器的准确度越高。

对获取的遮阳板图像样本和非遮阳板图像样本进行统一的灰度化处理，并提取各图像样本中的MB-LBP(Multi-scale Block Local Binary Patterns，基于多尺度块的局部二值模式)特征。

利用Adaboost算法对提取的若干MB-LBP特征进行弱分类器训练，将每一轮训练得到的具有最小错误率的弱分类器添加到强分类器中。

具体为，首先，初始化每一个图像样本的误差权重

w_1，i＝D(i) 公式(1)其中，或者k和l分别为遮阳板图像样本数量和非遮阳板图像样本数量。

然后，对所有图像样本的误差权重进行归一化处理，并对每一个MB-LBP特征训练对应的弱分类器，计算每一个MB-LBP特征弱分类器相对于所有MB-LBP特征弱分类器的加权错误率，选择加权错误率最小的MB-LBP特征弱分类器添加到强分类器中。

众所周知，Adaboost算法是一种迭代算法，需要经过多轮的弱分类器训练最终生成强分类器。在新一轮弱分类器训练之前需要根据前一轮弱分类器的训练结果更新图像样本的误差权重。本申请实施例为了避免遮阳板形态多样化、遮阳板上放置奇特物品以及光照、噪声等影响，采取了新的误差权重更新方式，具体为：

其中，w_t+1，i为计算第t+1轮弱分类器时第i个图像样本的误差权重；w_t，i为计算第t轮弱分类器时第i个图像样本的误差权重；y_i为第i个图像样本的标签，可以取+1或者-1；f_t(x_i)为第i个图像样本经过第t轮弱分类器训练后得到的分类结果；β_t为现有Adaboost算法的误差权重调整因子；α_t为本申请新增的权重调整速率因子。

ε_t为第t轮弱分类器训练时的最小加权错误率。

W_T为误差权重门限值；N为图像样本数量。

本申请实施例中，将误差权重门限值作为误差权重调整的分界线。当第t轮误差权重小于误差权重门限值时，线性放大权重调整速率，当第t轮误差权重大于误差权重门限值时，认为当前图像样本与正常的遮阳板图像样本差别过大，线性缩小权重调整速率。对于遮阳板这种较单调的目标来说，权重调整速率因子比非线性或者传统方案更加适合单调目标，因此，训练出的遮阳板分类器在普通道路场景中的遮阳板检出率更高。

在通过上述方法获得新一轮的误差权重后，计算新一轮的弱分类器，选择新一轮中加权错误率最小的MB-LBP特征弱分类器添加到强分类器中。如此循环，直至完成一个强分类器的训练。

在完成一个强分类器训练后，更新非遮阳板图像样本，进行下一个强分类器训练，直到达到预设的正检率和误检率要求，停止分类器训练，将多个强分类器级联构成遮阳板分类器。

步骤102，获取待检测图像。

步骤103，转化所述待检测图像为灰度图像。

步骤104，通过定位所述灰度图像中车窗右上角的位置确定车窗位置。

本申请实施例通过定位车窗右上角的位置来确定车窗位置，该方法比采用线段检测定位车窗位置更加准确，具体定位过程如下：

首先，生成车窗右上角定位滤波器。该车窗右上角定位滤波器的生成过程如下：

1)收集大量包含车窗右上角的图片样本和不包含车窗右上角的图片样本。

2)根据收集的图片样本中的车牌位置确定车窗右上角的候选区域。

本申请实施例可通过现有技术手段获取图片样本中的车牌信息，包括车牌颜色、车牌坐标等信息。假设车牌的中心点坐标为(X_p，Y_p)，车牌宽度为Width，则车窗右上角候选区域(坐标原点默认为车窗左上角)的左上角坐标为(X_p+Width，Y_p-4×Width)，右下角坐标为(X_p+2.5×Width，Y_p-2.5×Width)。

3)根据车窗右上角的候选区域对收集的图片样本进行二分类。

例如，采用SVM(Support Vector Machine，支持向量机)进行二分类。

4)根据分类结果获取距离二分类分界面较远的包含车窗右上角的图片样本。

本申请实施例通过引入松弛变量ξ_i剔除距离分界面较近的图片样本。经过大量实验验证，若不引入松弛变量，将所有包含车窗右上角的图片样本作为车窗右上角定位滤波器的训练图片样本，则生成的车窗右上角定位滤波器的定位准确率较低；而将距离分界面较远的包含车窗右上角的图片样本作为车窗右上角定位滤波器的训练图片样本，生成的车窗右上角定位滤波器的定位准确率较高，可提升约5％。具体可参见如下二分类函数：

y_i[(w*x_i)+b]≥1-ξ_i 公式(6)

其中，x_i为图片样本特征向量；w为权重向量；b为偏置；y_i为图片样本距离超平面的距离；ξ_i为松弛变量。

5)对获取的距离二分类分界面较远的包含车窗右上角的图片样本进行归一化处理。

具体为，首先对获取的距离二分类分界面较远的包含车窗右上角的图片样本进行灰度化处理；然后进行对数增强预处理，以减弱阴影及强光的影响；再规范为均值为0、方差为1的图片样本。

6)对归一化处理后的包含车窗右上角的图片样本标定车窗右上角位置。

7)统计所有标定的车窗右上角位置生成车窗右上角定位滤波器。

可通过加权计算得到最终的车窗右上角定位滤波器，具体为：

a_i＝(|x_i-x_m|+|y_i-y_m|+1)^-1 公式(8)

其中，x_i、y_i为标定的车窗右上角位置；x_m、y_m为包含车窗右上角的图片样本的中心位置；a_i为滤波器的权重系数；||a||表示对a_i进行归一化处理；a′_i为归一化处理后的滤波器权重系数；n为包含车窗右上角的图片样本数量；h_i(x，y)为第i张车窗右上角图片样本对应的定位滤波器。

由公式(8)可以看出，当标定的车窗右上角的位置距离图片样本中心位置越近，该图片样本对应的滤波器权重系数越大。这是由于在进行车窗右上角标定时，会特意将车窗右上角作为图片样本的中心，因此，当标定的车窗右上角距离图片样本中心越近时，认为从该图片样本求出的定位滤波器越重要，相应地，为该图片样本滤波器分配的权重系数越大。

此外，本申请实施例中的定位滤波器是为了得到下述公式(10)的滤波结果而设定，因此，在完成对每一张包含车窗右上角的图片样本的标定后，即可获得对应图片样本的定位滤波器h_i(x，y)。

通过上述处理过程生成车窗右上角定位滤波器后，利用该车窗右上角定位滤波器对步骤103输出的灰度图像进行滤波，可得到如下滤波后的函数：

其中，f(x，y)为步骤103输出的灰度图像。

根据滤波结果g(x，y)取最大值所处位置(x_i、y_i)为车窗右上角的位置，从而完成车窗位置的定位。

步骤105，根据从灰度图像中获取的车牌信息设置遮阳板的最大检测窗口和最小检测窗口。

本申请实施例利用车牌信息设置遮阳板的最大检测窗口和最小检测窗口。具体可通过人工标定大量车辆图片样本的方式，计算遮阳板宽度与车牌宽度的比值关系，例如，在一种优选的方式中，遮阳板宽度与车牌宽度的比值范围在1.05～1.40之间，因此，可根据该比值范围在已知车牌信息的情况下确定遮阳板的最大检测窗口和最小检测窗口。

步骤106，在所述最大检测窗口和所述最小检测窗口范围内，按照一定比例对所述遮阳板的检测窗口进行缩放。

步骤107，利用缩放得到的多个检测窗口和预先训练的遮阳板分类器对所述车窗位置的上部三分之一图像进行多尺度遮阳板检测。

利用前述训练得到的遮阳板分类器对步骤104定位的车窗位置的上部三分之一图像进行多尺度检测(通过缩放得到的多个检测窗口进行检测)，可初步确定遮阳板图像。本申请实施例仅对车窗位置的上部三分之一图像进行遮阳板检测主要是考虑到遮阳板相对于车窗的位置关系，通常位于车窗的上部三分之一处，因此，为了减少图像中其他区域带来的干扰，以及降低计算量，提升遮阳板目标检测的效率，仅对车窗上部三分之一区域进行检测。此外，本申请实施例利用遮阳板分类器进行遮阳板检测，可避免由于遮阳板颜色均衡性被破坏而造成的漏检。

步骤108，根据预设的遮阳板图像的方差阈值以及宽高比对检测出的遮阳板图像进行筛选，以确定遮阳板状态。

在步骤107初步检测出遮阳板图像后，可通过以下条件作进一步筛选：

1)根据遮阳板图像的颜色均衡性进行筛选。

具体为，预设遮阳板图像的方差阈值θ_T，由于遮阳板图像通常颜色比较单一，因此，像素方差较小，通过设置一个较小的方差阈值θ_T，例如，θ_T为0.65，当步骤107初步检测出的遮阳板图像的方差θ_s小于预设的方差阈值θ_T时，可进一步确定为遮阳板图像。其中，

θ_S＝var(sun(x，y))/wid*hgt 公式(11)

sun(x，y)为初步检测出的遮阳板图像；wid为检测出的遮阳板的宽；hgt为检测出的遮阳板的高。遮阳板的宽、高可通过简单的纹理检测获得。

2)根据遮阳板的宽高比进行筛选。

通常遮阳板的宽高比是有一定范围的，根据大量实验数据表明，遮阳板的宽高比通常在2.0～3.0的范围内。因此，可根据该宽高比对步骤107初步检测出的遮阳板图像作进一步筛选，宽高比在上述范围内的遮阳板图像才能确认为真正的遮阳板图像。

本申请实施例，将上述两种筛选条件相结合，当初步确定的遮阳板图像同时满足上述两个条件时，才确认为遮阳板图像；只满足其中一个条件时，将被认为是误检。

在根据上述筛选条件筛选出遮阳板图像后，说明遮阳板处于开启状态，本申请实施例可进一步判断遮阳板的开启位置，即主驾驶室开启还是副驾驶室开启。

具体为，判断遮阳板中心坐标是否大于车牌中心坐标。通过已筛选出的遮阳板图像可获取遮阳板图像的中心坐标X1，已知车牌中心坐标X2。当遮阳板中心坐标X1大于车牌中心坐标X2时，确定主驾驶室遮阳板开启；当遮阳板中心坐标X1小于车牌中心坐标X2时，确定副驾驶室遮阳板开启。

可见，本申请通过定位车窗右上角的位置来确定车窗位置，提高了车窗定位的精度，同时，通过结合遮阳板图像的方差以及宽高比对遮阳板图像进行筛选，提升遮阳板检测的场景适应性，降低了遮阳板状态漏检、误检的概率。

与前述车辆遮阳板状态检测方法的实施例相对应，本申请还提供了车辆遮阳板状态检测装置的实施例。

本申请车辆遮阳板状态检测装置的实施例可以应用在视频监控设备上。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在设备的处理器运行存储器中对应的计算机程序指令形成的。从硬件层面而言，如图2所示，为本申请车辆遮阳板状态检测装置所在设备的一种硬件结构图，除了图2所示的处理器、其它接口、以及存储器之外，实施例中装置所在的设备通常根据该设备的实际功能，还可以包括其他硬件，对此不再赘述。

请参考图3，为本申请一个实施例中的车辆遮阳板状态检测装置的结构示意图。该车辆遮阳板状态检测装置包括训练单元301、获取单元302、转化单元303、确定单元304、设置单元305、缩放单元306、检测单元307以及筛选单元308，其中：

训练单元301，用于训练遮阳板分类器；

获取单元302，用于获取待检测图像；

转化单元303，用于转化所述待检测图像为灰度图像；

确定单元304，用于通过定位所述灰度图像中车窗右上角的位置确定车窗位置；

设置单元305，用于根据从灰度图像中获取的车牌信息设置遮阳板的最大检测窗口和最小检测窗口；

缩放单元306，用于在所述最大检测窗口和所述最小检测窗口范围内，按照一定比例对所述遮阳板的检测窗口进行缩放；

检测单元307，用于利用缩放得到的多个检测窗口和预先训练的遮阳板分类器对所述车窗位置的上部三分之一图像进行多尺度遮阳板检测；

筛选单元308，用于根据预设的遮阳板图像的方差阈值以及宽高比对检测出的遮阳板图像进行筛选，以确定遮阳板状态。

进一步地，所述训练单元301，包括：

权重获取模块，用于获取当前轮图像样本的误差权重；

分类器训练模块，用于根据所述当前轮图像样本的误差权重训练当前轮的弱分类器；

速率因子计算模块，用于在完成当前轮的弱分类器训练后，根据当前轮图像样本的误差权重计算权重调整速率因子，具体为：

其中，

w_t，i为计算第t轮弱分类器时第i个图像样本的误差权重；

N为图像样本数量；

W_T为误差权重门限值；

α_t为本申请新增的权重调整速率因子；

权重计算模块，用于根据所述权重调整速率因子计算下一轮图像样本的误差权重，具体为：

其中，

w_t+1，i为计算第t+1轮弱分类器时第i个图像样本的误差权重；

w_t，i为计算第t轮弱分类器时第i个图像样本的误差权重；

y_i为第i个图像样本的标签，可以取+1或者-1；

f_t(x_i)为第i个图像样本经过第t轮弱分类器训练后得到的分类结果；

β_t为误差权重调整因子；

α_t为本申请新增的权重调整速率因子；

分类器添加模块，用于将每一轮训练得到的最小加权错误率的弱分类器添加到强分类器中；

分类器级联模块，用于将多个强分类器级联，构成遮阳板分类器。

进一步地，所述确定单元304，包括：

滤波器生成模块，用于生成车窗右上角定位滤波器；

图像滤波模块，用于通过所述车窗右上角定位滤波器对所述灰度图像进行滤波；

位置确定模块，用于确定滤波结果最大值所处位置为车窗右上角的位置。

进一步地，

所述滤波器生成模块，具体用于收集大量包含车窗右上角的图片样本和不包含车窗右上角的图片样本；根据收集的图片样本中的车牌位置确定车窗右上角的候选区域；根据所述车窗右上角的候选区域对收集的图片样本进行二分类；根据分类结果获取距离二分类分界面较远的包含车窗右上角的图片样本；对获取的距离二分类分界面较远的包含车窗右上角的图片样本进行归一化处理；对归一化处理后的包含车窗右上角的图片样本标定车窗右上角位置；统计所有标定的车窗右上角位置生成车窗右上角定位滤波器。

进一步地，所述装置还包括：

判断单元，用于在所述筛选单元308根据预设的遮阳板图像的方差阈值以及宽高比对检测出的遮阳板图像进行筛选之后，当筛选结果为遮阳板开启时，判断遮阳板中心坐标是否大于车牌中心坐标；

分析单元，用于当所述遮阳板中心坐标大于所述车牌中心坐标时，确定主驾驶室遮阳板开启；当所述遮阳板中心坐标小于所述车牌中心坐标时，确定副驾驶室遮阳板开启。

上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。

对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。

以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请保护的范围之内。

Claims (8)

1.一种车辆遮阳板状态检测方法，其特征在于，该方法包括：

训练遮阳板分类器，包括：获取当前轮图像样本的误差权重；

根据所述当前轮图像样本的误差权重训练当前轮的弱分类器；

在完成当前轮的弱分类器训练后，根据当前轮图像样本的误差权重计算权重调整速率因子，具体为：

其中，

w_t，i为计算第t轮弱分类器时第i个图像样本的误差权重；

N为图像样本数量；

W_T为误差权重门限值；

α_t为权重调整速率因子；

根据所述权重调整速率因子计算下一轮图像样本的误差权重，具体为：

其中，

w_t+1，i为计算第t+1轮弱分类器时第i个图像样本的误差权重；

w_t，i为计算第t轮弱分类器时第i个图像样本的误差权重；

y_i为第i个图像样本的标签，取+1或者-1；

f_t(x_i)为第i个图像样本经过第t轮弱分类器训练后得到的分类结果；

β_t为误差权重调整因子；

α_t为权重调整速率因子；

将每一轮训练得到的最小加权错误率的弱分类器添加到强分类器中；

将多个强分类器级联，构成遮阳板分类器；

获取待检测图像；

转化所述待检测图像为灰度图像；

通过定位所述灰度图像中车窗右上角的位置确定车窗位置；

根据从灰度图像中获取的车牌信息设置遮阳板的最大检测窗口和最小检测窗口；

在所述最大检测窗口和所述最小检测窗口范围内，按照一定比例对所述遮阳板的检测窗口进行缩放；

利用缩放得到的多个检测窗口和预先训练的遮阳板分类器对所述车窗位置的上部三分之一图像进行多尺度遮阳板检测；

根据预设的遮阳板图像的方差阈值以及宽高比对检测出的遮阳板图像进行筛选，以确定遮阳板状态。

2.如权利要求1所述的方法，其特征在于，所述通过定位所述灰度图像中车窗右上角的位置确定车窗位置，包括：

生成车窗右上角定位滤波器；

通过所述车窗右上角定位滤波器对所述灰度图像进行滤波；

确定滤波结果最大值所处位置为车窗右上角的位置。

3.如权利要求2所述的方法，其特征在于，所述生成车窗右上角定位滤波器，包括：

收集大量包含车窗右上角的图片样本和不包含车窗右上角的图片样本；

根据收集的图片样本中的车牌位置确定车窗右上角的候选区域；

根据所述车窗右上角的候选区域对收集的图片样本进行二分类；

根据分类结果获取距离二分类分界面较远的包含车窗右上角的图片样本；

对获取的距离二分类分界面较远的包含车窗右上角的图片样本进行归一化处理；

对归一化处理后的包含车窗右上角的图片样本标定车窗右上角位置；

统计所有标定的车窗右上角位置生成车窗右上角定位滤波器。

4.如权利要求1所述的方法，其特征在于，所述根据预设的遮阳板图像的方差阈值以及宽高比对检测出的遮阳板图像进行筛选之后，还包括：

当筛选结果为遮阳板开启时，判断遮阳板中心坐标是否大于车牌中心坐标；

当所述遮阳板中心坐标大于所述车牌中心坐标时，确定主驾驶室遮阳板开启；当所述遮阳板中心坐标小于所述车牌中心坐标时，确定副驾驶室遮阳板开启。

5.一种车辆遮阳板状态检测装置，其特征在于，该装置包括：

训练单元，用于训练遮阳板分类器，包括：获取当前轮图像样本的误差权重；

根据所述当前轮图像样本的误差权重训练当前轮的弱分类器；

在完成当前轮的弱分类器训练后，根据当前轮图像样本的误差权重计算权重调整速率因子，具体为：

其中，

w_t，i为计算第t轮弱分类器时第i个图像样本的误差权重；

N为图像样本数量；

W_T为误差权重门限值；

α_t为权重调整速率因子；

根据所述权重调整速率因子计算下一轮图像样本的误差权重，具体为：

其中，

w_t+1，i为计算第t+1轮弱分类器时第i个图像样本的误差权重；

w_t，i为计算第t轮弱分类器时第i个图像样本的误差权重；

y_i为第i个图像样本的标签，取+1或者-1；

f_t(x_i)为第i个图像样本经过第t轮弱分类器训练后得到的分类结果；

β_t为误差权重调整因子；

α_t为权重调整速率因子；

将每一轮训练得到的最小加权错误率的弱分类器添加到强分类器中；

将多个强分类器级联，构成遮阳板分类器；

获取单元，用于获取待检测图像；

转化单元，用于转化所述待检测图像为灰度图像；

确定单元，用于通过定位所述灰度图像中车窗右上角的位置确定车窗位置；

设置单元，用于根据从灰度图像中获取的车牌信息设置遮阳板的最大检测窗口和最小检测窗口；

缩放单元，用于在所述最大检测窗口和所述最小检测窗口范围内，按照一定比例对所述遮阳板的检测窗口进行缩放；

检测单元，用于利用缩放得到的多个检测窗口和预先训练的遮阳板分类器对所述车窗位置的上部三分之一图像进行多尺度遮阳板检测；

筛选单元，用于根据预设的遮阳板图像的方差阈值以及宽高比对检测出的遮阳板图像进行筛选，以确定遮阳板状态。

6.如权利要求5所述的装置，其特征在于，所述确定单元，包括：

滤波器生成模块，用于生成车窗右上角定位滤波器；

图像滤波模块，用于通过所述车窗右上角定位滤波器对所述灰度图像进行滤波；

位置确定模块，用于确定滤波结果最大值所处位置为车窗右上角的位置。

7.如权利要求6所述的装置，其特征在于：

所述滤波器生成模块，具体用于收集大量包含车窗右上角的图片样本和不包含车窗右上角的图片样本；根据收集的图片样本中的车牌位置确定车窗右上角的候选区域；根据所述车窗右上角的候选区域对收集的图片样本进行二分类；根据分类结果获取距离二分类分界面较远的包含车窗右上角的图片样本；对获取的距离二分类分界面较远的包含车窗右上角的图片样本进行归一化处理；对归一化处理后的包含车窗右上角的图片样本标定车窗右上角位置；统计所有标定的车窗右上角位置生成车窗右上角定位滤波器。

8.如权利要求5所述的装置，其特征在于，所述装置还包括：

判断单元，用于在所述筛选单元根据预设的遮阳板图像的方差阈值以及宽高比对检测出的遮阳板图像进行筛选之后，当筛选结果为遮阳板开启时，判断遮阳板中心坐标是否大于车牌中心坐标；

分析单元，用于当所述遮阳板中心坐标大于所述车牌中心坐标时，确定主驾驶室遮阳板开启；当所述遮阳板中心坐标小于所述车牌中心坐标时，确定副驾驶室遮阳板开启。