CN105976392A - 基于最大输出概率的车辆轮胎检测方法及装置 - Google Patents
基于最大输出概率的车辆轮胎检测方法及装置 Download PDFInfo
- Publication number
- CN105976392A CN105976392A CN201610369372.0A CN201610369372A CN105976392A CN 105976392 A CN105976392 A CN 105976392A CN 201610369372 A CN201610369372 A CN 201610369372A CN 105976392 A CN105976392 A CN 105976392A
- Authority
- CN
- China
- Prior art keywords
- area
- interest
- image
- tire
- sample image
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 17
- 239000000284 extract Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 abstract description 6
- 230000009286 beneficial effect Effects 0.000 abstract 1
- SAZUGELZHZOXHB-UHFFFAOYSA-N acecarbromal Chemical compound CCC(Br)(CC)C(=O)NC(=O)NC(C)=O SAZUGELZHZOXHB-UHFFFAOYSA-N 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000700 radioactive tracer Substances 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
Abstract
本发明提供了基于最大输出概率的车辆轮胎检测方法，该方法包括：获取样本图像的HOG特征向量，采用SVM分类器进行训练，获取训练好的分类器；采集场景图像；利用训练好的分类器进行检测，获取感兴趣区域及输出概率；获取基准区域，构建基准区域与感兴趣区域的直线，计算这些直线与水平方向的夹角，根据夹角确定轮胎区域，并输出结果。与现有技术相比，本发明可以快速检测出轮胎区域，且鲁棒性较好，可用于车辆定位中。
Description
技术领域
本发明涉及图像处理、视频监控以及安防，特别涉及车辆轮胎检测的方法及装置。
背景技术
近几年间，随着经济全球化，航运码头集装箱日吞吐量逐年增加，车辆被整体吊起的事情常有发生，严重的威胁着驾驶员的人身安全和财产安全。通过智能视频分析实现对车辆的定位和追踪技术可以有效的解决这个问题。目前车辆的定位方法主要包括基于车牌的车辆定位方法、基于车辆整体框架的车辆定位算法。由于车辆的轮胎具有很好的图像特征，因此基于车辆轮胎检测的车辆定位具有极大的意义。
然而在实际检测过程中经常出现噪音较多的情况，给定位和追踪带来不便。怎样实现对车辆的精准定位，也就成了急需解决的问题。当前，解决这类问题，有一种较为流行的检测方式，采用支持向量机(Support Vector Machine，简称SVM)预测。首先选取合适的车辆特征建立车辆对象，然后用SVM算法训练出分类器，找出图像的感兴趣区域并做出预测。这种方法对分类器性能依赖非常大，建立的分类模型直接影响预测的结果，由于图像处理的复杂性，在保留的正确区域上，难以避免存在噪声区域。
综上所述，目前迫切需要提出一种快速且鲁棒性好的能用于车牌定位的车辆轮胎检测方法及装置。
发明内容
有鉴于此，本发明的主要目的在于实现快速车辆轮胎的检测，且鲁棒性较好，可用于车牌定位中。
为达到上述目的，按照本发明的第一个方面，提供了基于最大输出概率的车辆轮胎检测方法，该方法包括：
第一步骤，选取样本图像，获取样本图像的HOG特征向量，并采用SVM分类器对获取的HOG特征向量进行训练，获取训练好的分类器；
第二步骤，采集场景图像；
第三步骤，利用训练好的分类器对场景图像进行检测，获取感兴趣区域及输出概率；及
第四步骤，获取基准区域，构建基准区域与感兴趣区域的直线，计算这些直线与水平方向的夹角，根据夹角确定轮胎区域，并输出结果。
所述第一步骤进一步包括：
样本选取步骤，选取轮胎图像为正样本图像，非轮胎图像为负样本图像；
HOG特征提取步骤，分别采用HOG特征提取算法提取正样本图像和负样本图像的HOG特征，获取HOG特征向量；
SVM分类器训练步骤，采用SVM分类器对正样本图像和负样本图像的HOG特征向量进行训练，获取训练好的分类器。
所述第三步骤进一步包括：
候选区域获取步骤，采用宽度为Width、高度为Height、滑动步长为SN*SN的滑动矩形窗口，对场景图像进行扫描，获取一系列候选区域N1为候选区域的个数；
感兴趣区域获取步骤，利用训练好的分类器，计算每个图像子块的Ii的输出概率Pi，i＝1，2，…，N1，若Pi≥Th_P，则将该候选区域Ii作为感兴趣区域，以此获取一系列感兴趣区域及感兴趣区域的输出概率N2为感兴趣区域的个数。
所述第四步骤进一步包括：
基准区域获取步骤，将输出概率最大的感兴趣区域标记为基准区域；
区域位置坐标获取步骤，扫描基准区域，将扫描到的基准区域内的第一个像素点作为基准区域的位置坐标(x0,y0)；分别扫描剩余的感兴趣区域将扫描到的感兴趣区域的第一个像素点作为该感兴趣区域的位置坐标N3为剩余感兴趣区域的个数；
直线角度计算步骤，计算基准区域的位置坐标与每个感兴趣区域aj的位置坐标(xj,yj)的直线角度
感兴趣区域筛选步骤，若θj≤Th_θ，则保留该感兴趣区域aj，否则将该感兴趣区域aj滤除，即将感兴趣区域aj内的像素点设置为背景点；
轮胎区域获取步骤，将基准区域和剩余的感兴趣区域标记为轮胎区域，并输出轮胎区域。
按照本发明的另一个方面，提供了基于最大输出概率的车辆轮胎检测装置，该装置包括：
分类器训练模块，用于选取样本图像，获取样本图像的HOG特征向量，并采用SVM分类器对获取的HOG特征向量进行训练，获取训练好的分类器；
图像采集模块，用于采集场景图像；
感兴趣区域及输出概率获取模块，用于利用训练好的分类器对场景图像进行检测，获取感兴趣区域及输出概率；及
轮胎区域提取模块，用于获取基准区域，构建基准区域与感兴趣区域的直线，计算这些直线与水平方向的夹角，根据夹角确定轮胎区域，并输出结果。
所述分类器训练模块进一步包括：
样本选取模块，用于选取轮胎图像为正样本图像，非轮胎图像为负样本图像；
HOG特征提取模块，用于分别采用HOG特征提取算法提取正样本图像和负样本图像的HOG特征，获取HOG特征向量；
SVM分类器训练模块，用于采用SVM分类器对正样本图像和负样本图像的HOG特征向量进行训练，获取训练好的分类器。
所述感兴趣区域及输出概率获取模块进一步包括：
候选区域获取模块，用于采用宽度为Width、高度为Height、滑动步长为SN*SN的滑动矩形窗口，对场景图像进行扫描，获取一系列候选区域N1为候选区域的个数；
感兴趣区域获取模块，用于利用训练好的分类器，计算每个图像子块的Ii的输出概率Pi，i＝1，2，…，N1，若Pi≥Th_P，则将该候选区域Ii作为感兴趣区域，以此获取一系列感兴趣区域及感兴趣区域的输出概率N2为感兴趣区域的个数。
所述轮胎区域提取模块进一步包括：
基准区域获取模块，用于将输出概率最大的感兴趣区域标记为基准区域；
区域位置坐标获取模块，用于扫描基准区域，将扫描到的基准区域内的第一个像素点作为基准区域的位置坐标(x0,y0)；分别扫描剩余的感兴趣区域将扫描到的感兴趣区域的第一个像素点作为该感兴趣区域的位置坐标N3为剩余感兴趣区域的个数；
直线角度计算模块，用于计算基准区域的位置坐标与每个感兴趣区域aj的位置坐标(xj,yj)的直线角度
感兴趣区域筛选模块，用于若θj≤Th_θ，则保留该感兴趣区域aj，否则将该感兴趣区域aj滤除，即将感兴趣区域aj内的像素点设置为背景点；
轮胎区域获取模块，用于将基准区域和剩余的感兴趣区域标记为轮胎区域，并输出轮胎区域。
与现有的车辆轮胎检测技术相比，本发明的基于最大输出概率的车辆轮胎检测方法及装置可以快速的检测车辆的轮胎区域，鲁棒性较好。本发明的基于最大输出概率的车辆轮胎检测方法及装置可以用于车辆定位中。
附图说明
图1示出了按照本发明的基于最大输出概率的车辆轮胎检测方法的流程图。
图2示出了按照本发明的基于最大输出概率的车辆轮胎检测装置的框架图。
具体实施方式
为使贵审查员能进一步了解本发明的结构、特征及其他目的，现结合所附较佳实施例详细说明如下，所说明的较佳实施例仅用于说明本发明的技术方案，并非限定本发明。
图1给出了按照本发明的基于最大输出概率的车辆轮胎检测方法的流程图。如图1所示，按照本发明的基于最大输出概率的车辆轮胎检测方法包括：
第一步骤S1，选取样本图像，获取样本图像的HOG特征向量，并采用SVM分类器对获取的HOG特征向量进行训练，获取训练好的分类器；
第二步骤S2，采集场景图像；
第三步骤S3，利用训练好的分类器对场景图像进行检测，获取感兴趣区域及输出概率；及
第四步骤S4，获取基准区域，构建基准区域与感兴趣区域的直线，计算这些直线与水平方向的夹角，根据夹角确定轮胎区域，并输出结果。
所述第一步骤S1进一步包括：
样本选取步骤S11，选取轮胎图像为正样本图像，非轮胎图像为负样本图像；
HOG特征提取步骤S12，分别采用HOG特征提取算法提取正样本图像和负样本图像的HOG特征，获取HOG特征向量；
SVM分类器训练步骤S13，采用SVM分类器对正样本图像和负样本图像的HOG特征向量进行训练，获取训练好的分类器。
其中，所述样本选取步骤S11中轮胎图像为宽度为Width、高度为Height的各种车辆的轮胎图像。Width∈[32,128]，Height∈[32,128]。优选地，Width选为64，Height选为64。选取的轮胎图像数量可以大于100，优选地，选取150个以上的轮胎图像为正样本图像。所述非轮胎图像为不含轮胎的其他图像，选取的非轮胎图像数量可以不小于0，当非轮胎图像数量为0时，此时没有选取负样本图像。优选地，选取50个以上的非轮胎图像为负样本图像。
所述HOG特征为方向梯度直方图，全称Histogram of Oriented Gradient，简称为HOG，是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。
所述HOG特征提取算法进一步包括：
步骤a)，将样本图像进行Gamma校正和颜色归一化处理，计算每个像素点的梯度幅值和梯度方向；
步骤b)，将样本图像划分为Th_CNum个单元(cell)，根据每个像素的梯度幅值和梯度方向来统计单元的梯度方向直方图，将梯度方向划分为K个区间(bin)，在每个单元内对像素的梯度方向在各个方向区域进行直方图统计，得到一个K维的向量特征；
步骤c)，将相邻的t*t个单元组织成一个块(block)，每次向右或向下滑动一个单元的大小，得到下一个块，将每个块内所有单元的特征向量串接起来，得到长度为Kt2维的特征向量V；
步骤d)，以块为单位，对每个块的特征向量V进行归一化处理，得到归一化后的HOG特征向量e为防止分母为0因子。
其中，Th_CNum∈[3,5]，K∈[7,11]，t∈[8,16]，e∈[0.005,0.015]。
优选地，Th_CNum选为4，K选为9，t选为16或者8，e选为0.01。
所述SVM分类器为支持向量机，全称Support Vector Machine，简称为SVM。
SVM分类器都可以通过现有技术实现。例如，“基于HOG特征和SVM的前向车辆识别方法.李星，郭晓松，郭君斌.《计算机科学》,2013,40(S2):329-332”。
所述第三步骤S3进一步包括：
候选区域获取步骤S31，采用宽度为Width、高度为Height、滑动步长为SN*SN的滑动矩形窗口，对场景图像进行扫描，获取一系列候选区域N1为候选区域的个数；
感兴趣区域获取步骤S32，利用训练好的分类器，计算每个图像子块的Ii的输出概率Pi，i＝1，2，…，N1，若Pi≥Th_P，则将该候选区域Ii作为感兴趣区域，以此获取一系列感兴趣区域及感兴趣区域的输出概率N2为感兴趣区域的个数。
其中，SN∈[2,6]，Th_P∈[0.65,0.8]。优选地，SN选为4，Th_P选为0.75。
所述第四步骤S4进一步包括：
基准区域获取步骤S41，将输出概率最大的感兴趣区域标记为基准区域；
区域位置坐标获取步骤S42，扫描基准区域，将扫描到的基准区域内的第一个像素点作为基准区域的位置坐标(x0,y0)；分别扫描剩余的感兴趣区域将扫描到的感兴趣区域的第一个像素点作为该感兴趣区域的位置坐标N3为剩余感兴趣区域的个数；
直线角度计算步骤S43，计算基准区域的位置坐标与每个感兴趣区域aj的位置坐标(xj,yj)的直线角度
感兴趣区域筛选步骤S44，若θj≤Th_θ，则保留该感兴趣区域aj，否则将该感兴趣区域aj滤除，即将感兴趣区域aj内的像素点设置为背景点；
轮胎区域获取步骤S45，将基准区域和剩余的感兴趣区域标记为轮胎区域，并输出轮胎区域。
其中，Th_θ∈[0.05,0.15]，单位为弧度。优选地，Th_θ选为0.1弧度。
图2给出了按照本发明的基于最大输出概率的车辆轮胎检测装置的框架图。如图2所示，按照本发明的基于最大输出概率的车辆轮胎检测装置包括：
分类器训练模块1，用于选取样本图像，获取样本图像的HOG特征向量，并采用SVM分类器对获取的HOG特征向量进行训练，获取训练好的分类器；
图像采集模块2，用于采集场景图像；
感兴趣区域及输出概率获取模块3，用于利用训练好的分类器对场景图像进行检测，获取感兴趣区域及输出概率；及
轮胎区域提取模块4，用于获取基准区域，构建基准区域与感兴趣区域的直线，计算这些直线与水平方向的夹角，根据夹角确定轮胎区域，并输出结果。
所述分类器训练模块1进一步包括：
样本选取模块11，用于选取轮胎图像为正样本图像，非轮胎图像为负样本图像；
HOG特征提取模块12，用于分别采用HOG特征提取算法提取正样本图像和负样本图像的HOG特征，获取HOG特征向量；
SVM分类器训练模块13，用于采用SVM分类器对正样本图像和负样本图像的HOG特征向量进行训练，获取训练好的分类器。
其中，所述样本选取模块11中轮胎图像为宽度为Width、高度为Height的各种车辆的轮胎图像。Width∈[32,128]，Height∈[32,128]。优选地，Width选为64，Height选为64。选取的轮胎图像数量可以大于100，优选地，选取150个以上的轮胎图像为正样本图像。所述非轮胎图像为不含轮胎的其他图像，选取的非轮胎图像数量可以不小于0，当非轮胎图像数量为0时，此时没有选取负样本图像。优选地，选取50个以上的非轮胎图像为负样本图像。
所述HOG特征提取算法进一步包括：
步骤a)，将样本图像进行Gamma校正和颜色归一化处理，计算每个像素点的梯度幅值和梯度方向；
步骤b)，将样本图像划分为Th_CNum个单元(cell)，根据每个像素的梯度幅值和梯度方向来统计单元的梯度方向直方图，将梯度方向划分为K个区间(bin)，在每个单元内对像素的梯度方向在各个方向区域进行直方图统计，得到一个K维的向量特征；
步骤c)，将相邻的t*t个单元组织成一个块(block)，每次向右或向下滑动一个单元的大小，得到下一个块，将每个块内所有单元的特征向量串接起来，得到长度为Kt2维的特征向量V；
步骤d)，以块为单位，对每个块的特征向量V进行归一化处理，得到归一化后的HOG特征向量e为防止分母为0因子。
其中，Th_CNum∈[3,5]，K∈[7,11]，t∈[8,16]，e∈[0.005,0.015]。
优选地，Th_CNum选为4，K选为9，t选为16或者8，e选为0.01。
SVM分类器都可以通过现有技术实现。例如，“基于HOG特征和SVM的前向车辆识别方法.李星，郭晓松，郭君斌.《计算机科学》,2013,40(S2):329-332”。
所述感兴趣区域及输出概率获取模块3进一步包括：
候选区域获取模块31，用于采用宽度为Width、高度为Height、滑动步长为SN*SN的滑动矩形窗口，对场景图像进行扫描，获取一系列候选区域N1为候选区域的个数；
感兴趣区域获取模块32，用于利用训练好的分类器，计算每个图像子块的Ii的输出概率Pi，i＝1，2，…，N1，若则将该候选区域Ii作为感兴趣区域，以此获取一系列感兴趣区域及感兴趣区域的输出概率N2为感兴趣区域的个数。
其中，SN∈[2,6]，Th_P∈[0.65,0.8]。优选地，SN选为4，Th_P选为0.75。
所述轮胎区域提取模块4进一步包括：
基准区域获取模块41，用于将输出概率最大的感兴趣区域标记为基准区域；
区域位置坐标获取模块42，用于扫描基准区域，将扫描到的基准区域内的第一个像素点作为基准区域的位置坐标(x0,y0)；分别扫描剩余的感兴趣区域将扫描到的感兴趣区域的第一个像素点作为该感兴趣区域的位置坐标N3为剩余感兴趣区域的个数；
直线角度计算模块43，用于计算基准区域的位置坐标与每个感兴趣区域aj的位置坐标(xj,yj)的直线角度
感兴趣区域筛选模块44，用于若θj≤Th_θ，则保留该感兴趣区域aj，否则将该感兴趣区域aj滤除，即将感兴趣区域aj内的像素点设置为背景点；
轮胎区域获取模块45，用于将基准区域和剩余的感兴趣区域标记为轮胎区域，并输出轮胎区域。
其中，Th_θ∈[0.05,0.15]，单位为弧度。优选地，Th_θ选为0.1弧度。
与现有的车辆轮胎检测技术相比，本发明的基于最大输出概率的车辆轮胎检测方法及装置可以快速的检测车辆的轮胎区域，鲁棒性较好。本发明的基于最大输出概率的车辆轮胎检测方法及装置可以用于车辆定位中。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围，应当理解，本发明并不限于这里所描述的实现方案，这些实现方案描述的目的在于帮助本领域中的技术人员实践本发明。任何本领域中的技术人员很容易在不脱离本发明精神和范围的情况下进行进一步的改进和完善，因此本发明只受到本发明权利要求的内容和范围的限制，其意图涵盖所有包括在由所附权利要求所限定的本发明精神和范围内的备选方案和等同方案。
Claims (12)
1.基于最大输出概率的车辆轮胎检测方法，其特征在于，该方法包括：
第一步骤，选取样本图像，获取样本图像的HOG特征向量，并采用SVM分类器对获取的HOG特征向量进行训练，获取训练好的分类器；
第二步骤，采集场景图像；
第三步骤，利用训练好的分类器对场景图像进行检测，获取感兴趣区域及输出概率；及
第四步骤，获取基准区域，构建基准区域与感兴趣区域的直线，计算这些直线与水平方向的夹角，根据夹角确定轮胎区域，并输出结果。
2.如权利要求1所述的方法，其特征在于，所述第一步骤包括：
样本选取步骤，选取轮胎图像为正样本图像，非轮胎图像为负样本图像；
HOG特征提取步骤，分别采用HOG特征提取算法提取正样本图像和负样本图像的HOG特征，获取HOG特征向量；
SVM分类器训练步骤，采用SVM分类器对正样本图像和负样本图像的HOG特征向量进行训练，获取训练好的分类器。
3.如权利要求1所述的方法，其特征在于，所述第三步骤包括：
候选区域获取步骤，采用宽度为Width、高度为Height、滑动步长为SN*SN的滑动矩形窗口，对场景图像进行扫描，获取一系列候选区域N1为候选区域的个数；
感兴趣区域获取步骤，利用训练好的分类器，计算每个图像子块的Ii的输出概率Pi，i＝1，2，…，N1，若Pi≥Th_P，则将该候选区域Ii作为感兴趣区域，以此获取一系列感兴趣区域及感兴趣区域的输出概率N2为感兴趣区域的个数。
4.如权利要求3所述的方法，所述Width∈[32，128]，Height∈[32,128]，SN∈[2,6]，Th_P∈[0.65,0.8]。
5.如权利要求1所述的方法，其特征在于，所述第四步骤包括：
基准区域获取步骤，将输出概率最大的感兴趣区域标记为基准区域；
区域位置坐标获取步骤，扫描基准区域，将扫描到的基准区域内的第一个像素点作为基准区域的位置坐标(x0,y0)；分别扫描剩余的感兴趣区域将扫描到的感兴趣区域的第一个像素点作为该感兴趣区域的位置坐标N3为剩余感兴趣区域的个数；
直线角度计算步骤，计算基准区域的位置坐标与每个感兴趣区域aj的位置坐标(xj,yj)的直线角度
感兴趣区域筛选步骤，若θj≤Th_θ，则保留该感兴趣区域aj，否则将该感兴趣区域aj滤除，即将感兴趣区域aj内的像素点设置为背景点；
轮胎区域获取步骤，将基准区域和剩余的感兴趣区域标记为轮胎区域，并输出轮胎区域。
6.如权利要求5所述的方法，所述Th_θ∈[0.05,0.15]，单位为弧度。
7.基于最大输出概率的车辆轮胎检测装置，其特征在于，该装置包括：
分类器训练模块，用于选取样本图像，获取样本图像的HOG特征向量，并采用SVM分类器对获取的HOG特征向量进行训练，获取训练好的分类器；
图像采集模块，用于采集场景图像；
感兴趣区域及输出概率获取模块，用于利用训练好的分类器对场景图像进行检测，获取感兴趣区域及输出概率；及
轮胎区域提取模块，用于获取基准区域，构建基准区域与感兴趣区域的直线，计算这些直线与水平方向的夹角，根据夹角确定轮胎区域，并输出结果。
8.如权利要求7所述的装置，所述分类器训练模块包括：
样本选取模块，用于选取轮胎图像为正样本图像，非轮胎图像为负样本图像；
HOG特征提取模块，用于分别采用HOG特征提取算法提取正样本图像和负样本图像的HOG特征，获取HOG特征向量；
SVM分类器训练模块，用于采用SVM分类器对正样本图像和负样本图像的HOG特征向量进行训练，获取训练好的分类器。
9.如权利要求7所述的装置，其特征在于，所述感兴趣区域及输出概率获取模块包括：
候选区域获取模块，用于采用宽度为Width、高度为Height、滑动步长为SN*SN的滑动矩形窗口，对场景图像进行扫描，获取一系列候选区域N1为候选区域的个数；
感兴趣区域获取模块，用于利用训练好的分类器，计算每个图像子块的Ii的输出概率Pi，i＝1，2，…，N1，若Pi≥Th_P，则将该候选区域Ii作为感兴趣区域，以此获取一系列感兴趣区域及感兴趣区域的输出概率N2为感兴趣区域的个数。
10.如权利要求9所述的装置，所述Width∈[32，128]，Height∈[32,128]，SN∈[2,6]，Th_P∈[0.65,0.8]。
11.如权利要求7所述的装置，其特征在于，所述轮胎区域提取模块进一步包括：基准区域获取模块，用于将输出概率最大的感兴趣区域标记为基准区域；
区域位置坐标获取模块，用于扫描基准区域，将扫描到的基准区域内的第一个像素点作为基准区域的位置坐标(x0,y0)；分别扫描剩余的感兴趣区域将扫描到的感兴趣区域的第一个像素点作为该感兴趣区域的位置坐标N3为剩余感兴趣区域的个数；
直线角度计算模块，用于计算基准区域的位置坐标与每个感兴趣区域aj的位置坐标(xj,yj)的直线角度
感兴趣区域筛选模块，用于若θj≤Th_θ，则保留该感兴趣区域aj，否则将该感兴趣区域aj滤除，即将感兴趣区域aj内的像素点设置为背景点；
轮胎区域获取模块，用于将基准区域和剩余的感兴趣区域标记为轮胎区域，并输出轮胎区域。
12.如权利要求11所述的装置，所述Th_θ∈[0.05,0.15]，单位为弧度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610369372.0A CN105976392B (zh) | 2016-05-30 | 2016-05-30 | 基于最大输出概率的车辆轮胎检测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610369372.0A CN105976392B (zh) | 2016-05-30 | 2016-05-30 | 基于最大输出概率的车辆轮胎检测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105976392A true CN105976392A (zh) | 2016-09-28 |
| CN105976392B CN105976392B (zh) | 2018-12-14 |
Family
ID=57010154
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610369372.0A Active CN105976392B (zh) | 2016-05-30 | 2016-05-30 | 基于最大输出概率的车辆轮胎检测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105976392B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203529A (zh) * | 2016-07-18 | 2016-12-07 | 江苏大学 | 一种基于先验信息的车辆轮胎安全检测方法 |
| CN109508217A (zh) * | 2018-10-22 | 2019-03-22 | 郑州云海信息技术有限公司 | 一种数据处理方法、装置、设备及介质 |
| CN109975232A (zh) * | 2017-12-28 | 2019-07-05 | 交通运输部科学研究院 | 一种沥青及沥青改性添加剂的检测方法 |
| CN110503047A (zh) * | 2019-08-26 | 2019-11-26 | 西南交通大学 | 一种基于机器学习的铁路数据处理方法及装置 |
| CN110502663A (zh) * | 2019-08-26 | 2019-11-26 | 西南交通大学 | 一种基于人工智能的铁路数据处理方法及装置 |
| CN111837163A (zh) * | 2018-03-09 | 2020-10-27 | 图森有限公司 | 用于车辆车轮检测的系统和方法 |
| US11501513B2 (en) | 2017-03-10 | 2022-11-15 | Tusimple, Inc. | System and method for vehicle wheel detection |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120076361A1 (en) * | 2009-06-03 | 2012-03-29 | Hironobu Fujiyoshi | Object detection device |
| CN103870791A (zh) * | 2012-12-10 | 2014-06-18 | 山东财经大学 | 一种非对称花纹轮胎内外侧自动检测方法 |
| CN104217217A (zh) * | 2014-09-02 | 2014-12-17 | 武汉睿智视讯科技有限公司 | 一种基于两层分类的车辆标志物检测方法与系统 |
-
2016
- 2016-05-30 CN CN201610369372.0A patent/CN105976392B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120076361A1 (en) * | 2009-06-03 | 2012-03-29 | Hironobu Fujiyoshi | Object detection device |
| CN103870791A (zh) * | 2012-12-10 | 2014-06-18 | 山东财经大学 | 一种非对称花纹轮胎内外侧自动检测方法 |
| CN104217217A (zh) * | 2014-09-02 | 2014-12-17 | 武汉睿智视讯科技有限公司 | 一种基于两层分类的车辆标志物检测方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| AMIR MUKHTAR, ET AL.: "Vehicle Detection Techniques for Collision Avoidance Systems: A Review", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
| 艾玲梅 等: "基于组合特征提取与多级SVM的轮胎花纹识别", 《计算机工程与应用》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106203529A (zh) * | 2016-07-18 | 2016-12-07 | 江苏大学 | 一种基于先验信息的车辆轮胎安全检测方法 |
| US11501513B2 (en) | 2017-03-10 | 2022-11-15 | Tusimple, Inc. | System and method for vehicle wheel detection |
| US11967140B2 (en) | 2017-03-10 | 2024-04-23 | Tusimple, Inc. | System and method for vehicle wheel detection |
| CN109975232A (zh) * | 2017-12-28 | 2019-07-05 | 交通运输部科学研究院 | 一种沥青及沥青改性添加剂的检测方法 |
| CN109975232B (zh) * | 2017-12-28 | 2023-08-01 | 交通运输部科学研究院 | 一种沥青及沥青改性添加剂的检测方法 |
| CN111837163A (zh) * | 2018-03-09 | 2020-10-27 | 图森有限公司 | 用于车辆车轮检测的系统和方法 |
| CN109508217A (zh) * | 2018-10-22 | 2019-03-22 | 郑州云海信息技术有限公司 | 一种数据处理方法、装置、设备及介质 |
| CN110503047A (zh) * | 2019-08-26 | 2019-11-26 | 西南交通大学 | 一种基于机器学习的铁路数据处理方法及装置 |
| CN110502663A (zh) * | 2019-08-26 | 2019-11-26 | 西南交通大学 | 一种基于人工智能的铁路数据处理方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105976392B (zh) | 2018-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105976392A (zh) | 基于最大输出概率的车辆轮胎检测方法及装置 | |
| CN102722704B (zh) | 一种融合视频动态跟踪的车牌识别方法和系统 | |
| CN109711264B (zh) | 一种公交车道占道检测方法及装置 | |
| CN104268596B (zh) | 一种车牌识别器及其车牌检测方法与系统 | |
| CN103268471B (zh) | 一种车辆非法占道检测方法及装置 | |
| CN109447067B (zh) | 一种票据方向检测矫正方法及自动检票系统 | |
| CN106022285A (zh) | 一种基于卷积神经网络的车款识别方法及装置 | |
| CN107590492B (zh) | 一种基于卷积神经网络的车标定位与识别方法 | |
| CN107945573A (zh) | 车辆停放检测系统 | |
| CN104102909B (zh) | 基于多重视觉信息的车辆特征定位及匹配方法 | |
| CN106530281A (zh) | 基于边缘特征的无人机图像模糊判断方法及系统 | |
| CN106203237A (zh) | 集装箱拖车编号的识别方法和装置 | |
| CN103530608A (zh) | 车辆类型判断方法和装置 | |
| CN102252859B (zh) | 汽车列车直线行驶横向稳定性自动辨识系统 | |
| CN106156758B (zh) | 一种sar海岸图像中海岸线提取方法 | |
| CN104933398A (zh) | 车辆辨识系统与方法 | |
| CN106874912A (zh) | 一种基于改进lbp算子的图像目标检测方法 | |
| CN107977643A (zh) | 一种基于道路摄像头的公务车监控方法 | |
| JP2019045922A (ja) | 変状箇所検出装置、変状箇所検出プログラムおよび変状箇所検出方法 | |
| CN105160292A (zh) | 一种车辆标识识别方法与系统 | |
| CN107798301A (zh) | 一种用于车辆年检的签名检测系统及方法 | |
| CN103021179A (zh) | 基于实时监控视频中的安全带检测方法 | |
| CN113781537A (zh) | 一种轨道弹条扣件缺陷识别方法、装置和计算机设备 | |
| CN104168462B (zh) | 基于图像角点集特征的摄像头场景变换检测方法 | |
| CN103699876A (zh) | 一种基于线阵ccd图像识别车号的方法及装置 |
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 | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Maximum-output-probability-based vehicle tyre detection method and apparatus Effective date of registration: 20200115 Granted publication date: 20181214 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: Beijing ICETech Science & Technology Co.,Ltd. Registration number: Y2020990000071 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20210409 Granted publication date: 20181214 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: Beijing ICETech Science & Technology Co.,Ltd. Registration number: Y2020990000071 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Vehicle tire detection method and device based on maximum output probability Effective date of registration: 20210409 Granted publication date: 20181214 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: Beijing ICETech Science & Technology Co.,Ltd. Registration number: Y2021990000317 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Date of cancellation: 20230407 Granted publication date: 20181214 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: Beijing ICETech Science & Technology Co.,Ltd. Registration number: Y2021990000317 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: Vehicle tire detection method and device based on maximum output probability Effective date of registration: 20230410 Granted publication date: 20181214 Pledgee: Haidian Beijing science and technology enterprise financing Company limited by guarantee Pledgor: Beijing ICETech Science & Technology Co.,Ltd. Registration number: Y2023110000156 |