CN106203529A - 一种基于先验信息的车辆轮胎安全检测方法 - Google Patents
一种基于先验信息的车辆轮胎安全检测方法 Download PDFInfo
- Publication number
- CN106203529A CN106203529A CN201610573886.8A CN201610573886A CN106203529A CN 106203529 A CN106203529 A CN 106203529A CN 201610573886 A CN201610573886 A CN 201610573886A CN 106203529 A CN106203529 A CN 106203529A
- Authority
- CN
- China
- Prior art keywords
- interest
- image
- area
- straight line
- angle
- 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.)
- Pending
Links
Classifications
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于先验信息的车辆轮胎安全检测方法,在本发明中首先通过提取HOG特征和SVM训练,得到轮胎分类模型,即分类器,对图像进行检测,找出多个感兴趣区域。然后,在找出的感兴趣区域的基础上,进行直线角度检测,以每个感兴趣区域分别与其余的i‑1个感兴趣区域作直线,计算直线与水平方向的夹角α,保留直线与水平方向的角度α符合要求的感兴趣区域为轮胎区域。本发明通过SVM分类器分类,加入先验信息的判断,利用直线角度检测,对感兴趣区域进行直线角度检测,做出进一步判断,能有效的消除图像上不匹配的感兴趣区域,锁定轮胎的位置,从而去除噪声。本发明采用的方法简单、有效,能适应在多种情况在对轮胎的识别,具有实用性。
Description
技术领域
本发明属于计算机图像分析与处理、简单数学模型领域,涉及机器学习,具体为一种基于先验信息的车辆轮胎安全检测方法。
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。但是在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,普遍使用支持向量机SVM(Support Vector Machine)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。
发明内容
由于图像处理等技术的进步,虽然可以有效地检测出图像中的轮胎,但是由于车辆轮胎图像检测的复杂性,存在噪声,会对未来的识别与应用造成问题。针对此问题,本发明提出了一种基于先验信息的车辆轮胎安全检测方法,可以有效的去除噪声区域。在本发明中首先通过SVM训练出轮胎分类模型,对图像进行检测,找出多个感兴趣区域。下一步,在找出的感兴趣区域的基础上,进行直线角度检测,以每个感兴趣区域分别与其余的(N-1)个感兴趣区域作直线,保留直线与水平方向的角度,符合要求的感兴趣区域为轮胎区域。本发明分为以下两部分:
第一部分:
1.HOG+SVM训练分类器
步骤一:选取大量的大小一致的正负样本彩色图像,正样本为轮胎图像,负样本为较杂乱的背景图像。进行HOG特征提取。样本图像的宽高取值范围为32~128像素,图像大小以64x64最佳。正样本数量大于150即可,负样本数量大于60即可,样本数量越大,检测效果相对越准确。HOG特征提取是统计梯度直方图特征,即利用图像大量局部梯度方向来表示整体图像的特征。
HOG特征中将M个单元(cell)组成一个块(block),每个block中有N维特征向量,块滑动扫描整幅图像。
最终将一幅图像所有块”的HOG描述符组合在一起,形成最终的特征向量,该特征向量就描述了该样本图像内容。
步骤二:根据实验等多种手段选取最优SVM算法参数,如核函数、-g、-c、-b参数。建立分类模型(model),即分类器。
第二部分:
2.基于先验信息的轮胎检测
因为图像检测的不可靠性,难以避免会出现噪声,单一的分类器识别,不能很好的排除错误目标。所以在这一步中,为了进一步滤除噪声目标,加入先验信息判断,即在求得感兴趣区域的基础上做直线角度检测,此方法可以有效的滤除噪声。具体步骤如下:
步骤一:对图像进行检测,利用“滑动窗口+分类器”对整幅图像进行扫描,扫描窗口大小为训练时分类器样本图像的大小,滑动步长为n X n。假设检测到了i个感兴趣区域,记为{a0,a1,a2,…,ai-1}。
步骤二:建立每个感兴趣区域分别与其余i-1个感兴趣区域的直线方程,并计算直线与水平方向的夹角,即直线斜率。在本发明中用感兴趣区域左上角像素点坐标来表示感兴趣区域在图像中的位置坐标。分别在任意两个不相同感兴趣区域的位置坐标之间建立直线方程,共可作Ci 2条直线。分别记为{L01、L02、L03…L0i-1、L12、L13…L1i-1……Li-2i-1}。设a0、a1、a2、a3…ai-1在原图像上对应的位置坐标(x,y)分别为(x0,y0)、(x1,y1)、(x2,y2)和(x3,y3)…(xi-1,yi-1)。则可分别计算出L01、L02、L03…L0i-1、L12、L13…L1i-1…Li-2i-1的斜率和与水平方向的夹角α={α01,α02,α03…αi-2i-1}。计算公式如下:
tanα=(yi-yj)/(xi-xj)
求得的夹角αij就是感兴趣区域aj、ai之间所连直线与水平方向的夹角,tanα也就是直线在图片原有的坐标系里的斜率。依次判断每一个α,如果夹角直线倾斜,则不做操作;如果夹角直线接近水平,则保留ai、aj作为两个轮胎区域。所有保留下来的ai、aj就是所要求的多个轮胎区域。设定夹角的临界值为采用弧度制。
本发明的有益效果:
本发明通过SVM分类器分类,加入先验信息的判断,利用直线角度检测,对感兴趣区域进行直线角度检测,做出进一步判断,能有效的消除图像上不匹配的感兴趣区域,锁定轮胎的位置,从而去除噪声。本发明采用的方法简单、有效,能适应在多种情况在对轮胎的识别,具有实用性。
附图说明
图1是本发明提出的车辆轮胎识别方法的流程图。
图2是本发明检测方法的一个示例说明图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明。
如图1所示,本发明提出的车辆轮胎安全检测方法包括两个部分:第一部分是提取HOG特征和SVM训练分类器,第二部分是基于最大输出概率区域上的轮胎检测。下面分别详细介绍。
1.提取HOG特征和SVM训练分类器
步骤一:选取大量的正负样本彩色图像,图像大小为64x64,正样本为200张轮胎图像,负样本为较杂乱的背景图像80张。进行HOG特征提取。所述HOG特征提取是统计梯度直方图特征,即利用图像大量局部梯度方向来表示整体图像的特征。
HOG特征中将4个单元(cell)组成一个块(block),每个块中有36维特征向量,块滑动扫描整幅图像。在本发明中块大小是16x 16,块的滑动步长8x 8,单元大小为8x8,把梯度方向平均划分为9个区间(bin),在每个单元里面对所有像素的梯度方向在各个方向区间进行直方图统计,即每个单元有9个向量。
最终将一幅图像所有“块”的HOG描述符组合在一起,形成最终的特征向量,总共1764维,该特征向量就描述了该样本图像的内容。
步骤二:通过实验对比等方法选取最优SVM算法参数。建立分类模型(model),即分类器。本发明中用的核函数是RBF函数,-g=0.0313,-c=0.5,-b=1。
2.基于先验信息的轮胎检测
因为图像检测的不可靠性,难以避免会出现噪声,单一的分类器识别,不能很好的排除错误目标。所以在这部分中,为了进一步滤除噪声目标,加入先验信息判断,即在求得感兴趣区域的基础上做直线角度检测,此方法可以有效的滤除噪声。具体步骤如下:
步骤一:对图像进行检测,采用“滑动窗口+分类器”对整幅图像进行扫描,扫描窗口大小为训练时分类器样本图像的大小,在这里扫描窗口大小为64x64,滑动步长为4x4。假设在一次实验中检测到了4个感兴趣区域,记为{a0,a1,a2,a3}
步骤二:建立每个感兴趣区域分别与其余3个感兴趣区域的直线方程,并计算直线与水平方向的夹角,即直线斜率。在本发明中用感兴趣区域左上角像素点坐标来表示感兴趣区域在图像中的位置坐标。分别以任意两个不相同感兴趣区域的位置坐标之间建立直线方程,分别记为L01、L02、L03、L12、L13、L23。设a0、a1、a2、a3在原图像上对应的位置坐标(x,y)分别为(x0,y0)、(x1,y1)、(x2,y2)和(x3,y3)。则可分别计算出L01、L02、L03、L12、L13、L23的斜率和与水平方向的夹角α={α01,α02,α03,α12,α13,α23}。计算公式如下:
tanα=(yi-yj)/(xi-xj)
求得的夹角αij就是感兴趣区域aj、ai之间所连直线与水平方向的夹角,tanα也就是直线在图片原有的坐标系里的斜率。根据先验信息,依次判断每一个αij,设定夹角的临界值为(弧度制)。如果夹角直线倾斜,则不做考虑;如果夹角直线接近水平,则保留这个aj、ai作为两个轮胎区域。依据此直线夹角阈值设定,如图2所示,只有a0、a1所连直线L01夹角满足条件,故而保留a0、a1为轮胎区域。最终输出的两个轮胎区域为a0,a1。
上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明,它们并非用以限制本发明的保护范围,凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于先验信息的车辆轮胎安全检测方法,其特征在于,包括HOG+SVM训练分类器的方法和基于先验信息的轮胎检测的方法;
所述HOG+SVM训练分类器的方法包括如下:
步骤一:选取若干幅大小一致的正负样本彩色图像,正样本为轮胎图像,负样本为较杂乱的背景图像,进行HOG特征提取;所述HOG特征提取是统计梯度直方图特征,即利用图像大量局部梯度方向来表示整体图像的特征;
将HOG特征中M个单元组成一个块,每个块中有N维特征向量,块滑动扫描整幅图像;
最后将一幅图像所有“块”的HOG描述符组合在一起,形成最终的特征向量,该特征向量就描述了该样本图像的内容;
步骤二:利用实验方法选取最优SVM算法参数,所述算法参数包括核函数、-g、-c、-b参数,建立分类模型,即为分类器;
所述基于先验信息的轮胎检测的方法中加入先验信息判断,即在求得感兴趣区域的基础上做直线角度检测,具体步骤如下:
步骤三:对图像进行检测,利用“滑动窗口+分类器”对整幅图像进行扫描,扫描窗口大小为训练时分类器样本图像的大小,滑动步长为nxn;假设检测到了i个感兴趣区域,记为{a0,a1,a2,…,ai-1};
步骤四:建立每个感兴趣区域分别与其余i-1个感兴趣区域的直线方程,并计算直线与水平方向的夹角α,将此夹角α与设定的临界值比较,若大于临界值则不操作,否则保留此直线对应的感兴趣区域,即为车辆轮胎区域。
2.根据权利要求1所述的一种基于先验信息的车辆轮胎安全检测方法,其特征在于,所述步骤一中所述样本彩色图像的宽高取值范围为32~128像素,图像大小以64x64最佳,正样本数量需大于150,负样本数量需大于60。
3.根据权利要求1所述的一种基于先验信息的车辆轮胎安全检测方法,其特征在于,所述步骤二中所述的核函数采用RBF函数,-g=0.0313,-c=0.5,-b=1。
4.根据权利要求1所述的一种基于先验信息的车辆轮胎安全检测方法,其特征在于,所述步骤三中所述的滑动步长为4x4。
5.根据权利要求1所述的一种基于先验信息的车辆轮胎安全检测方法,其特征在于,所述步骤四的具体实现过程包括:
利用感兴趣区域左上角像素点坐标来表示感兴趣区域在图像中的位置坐标,分别在任意两个不相同感兴趣区域的位置坐标之间建立直线方程,共可作Ci 2条直线,分别记为{L01、L02、L03…L0i-1、L12、L13…L1i-1……Li-2i-1};设a0、a1、a2、a3…ai-1在原图像上对应的位置坐标(x,y)分别为(x0,y0)、(x1,y1)、(x2,y2)和(x3,y3)…(xi-1,yi-1),则分别计算出L01、L02、L03…L0i-1、L12、L13…L1i-1…Li-2i-1的斜率和与水平方向的夹角α={α01,α02,α03···αi-2i-1};求得的夹角αij就是感兴趣区域aj、ai之间所连直线与水平方向的夹角,tanα也就是直线在图片原有的坐标系里的斜率;依次判断每一个α,如果夹角说明直线倾斜,则不做操作;如果夹角说明直线接近水平,则保留ai、aj作为两个轮胎区域;所有保留下来的ai、aj就是所要求的轮胎区域。
6.根据权利要求1或5所述的一种基于先验信息的车辆轮胎安全检测方法,其特征在于,所述步骤四中设定夹角的临界值采用弧度制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610573886.8A CN106203529A (zh) | 2016-07-18 | 2016-07-18 | 一种基于先验信息的车辆轮胎安全检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610573886.8A CN106203529A (zh) | 2016-07-18 | 2016-07-18 | 一种基于先验信息的车辆轮胎安全检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106203529A true CN106203529A (zh) | 2016-12-07 |
Family
ID=57493844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610573886.8A Pending CN106203529A (zh) | 2016-07-18 | 2016-07-18 | 一种基于先验信息的车辆轮胎安全检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106203529A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN107437243A (zh) * | 2017-06-19 | 2017-12-05 | 中国科学院自动化研究所 | 基于x光图像的轮胎杂质检测方法及装置 |
CN108629378A (zh) * | 2018-05-10 | 2018-10-09 | 上海鹰瞳医疗科技有限公司 | 图像识别方法和设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436253A (zh) * | 2007-11-14 | 2009-05-20 | 东软集团股份有限公司 | 一种用于验证车辆感兴趣区域的方法和装置 |
CN103208008A (zh) * | 2013-03-21 | 2013-07-17 | 北京工业大学 | 基于机器视觉的交通视频监控目标检测快速适应方法 |
CN103559791A (zh) * | 2013-10-31 | 2014-02-05 | 北京联合大学 | 一种融合雷达和ccd摄像机信号的车辆检测方法 |
KR101569411B1 (ko) * | 2015-04-01 | 2015-11-27 | 주식회사 피엘케이 테크놀로지 | 보행자 인식 장치 및 그 방법 |
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 |
CN105976392A (zh) * | 2016-05-30 | 2016-09-28 | 北京智芯原动科技有限公司 | 基于最大输出概率的车辆轮胎检测方法及装置 |
-
2016
- 2016-07-18 CN CN201610573886.8A patent/CN106203529A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101436253A (zh) * | 2007-11-14 | 2009-05-20 | 东软集团股份有限公司 | 一种用于验证车辆感兴趣区域的方法和装置 |
CN103208008A (zh) * | 2013-03-21 | 2013-07-17 | 北京工业大学 | 基于机器视觉的交通视频监控目标检测快速适应方法 |
CN103559791A (zh) * | 2013-10-31 | 2014-02-05 | 北京联合大学 | 一种融合雷达和ccd摄像机信号的车辆检测方法 |
KR101569411B1 (ko) * | 2015-04-01 | 2015-11-27 | 주식회사 피엘케이 테크놀로지 | 보행자 인식 장치 및 그 방법 |
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 |
CN105976392A (zh) * | 2016-05-30 | 2016-09-28 | 北京智芯原动科技有限公司 | 基于最大输出概率的车辆轮胎检测方法及装置 |
Non-Patent Citations (3)
Title |
---|
AMIR MUKHTAR,ET AL.: "Vision based motorcycle detection using HOG features", 《2015 IEEE INTERNATIONAL CONFERENCE ON SIGNAL AND IMAGE PROCESSING APPLICATIONS 》 * |
NATTHARIYA LAOPRACHA,ET AL.: "Improving vehicle detection by adapting parameters of HOG and kernel functions of SVM", 《2014 INTERNATIONAL COMPUTER SCIENCE AND ENGINEERING CONFERENCE》 * |
李星 等: "基于HOG特征和SVM的前向车辆识别方法", 《计算机科学》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107437243A (zh) * | 2017-06-19 | 2017-12-05 | 中国科学院自动化研究所 | 基于x光图像的轮胎杂质检测方法及装置 |
CN107437243B (zh) * | 2017-06-19 | 2020-06-16 | 中国科学院自动化研究所 | 基于x光图像的轮胎杂质检测方法及装置 |
CN107316300A (zh) * | 2017-07-17 | 2017-11-03 | 杭州盈格信息技术有限公司 | 一种基于深度卷积神经网络的轮胎x光病疵检测方法 |
CN108629378A (zh) * | 2018-05-10 | 2018-10-09 | 上海鹰瞳医疗科技有限公司 | 图像识别方法和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Luo et al. | MIO-TCD: A new benchmark dataset for vehicle classification and localization | |
CN106485274B (zh) | 一种基于目标特性图的物体分类方法 | |
CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN109886218B (zh) | 基于超像素统计相异性的sar图像舰船目标检测方法 | |
CN102110293B (zh) | 基于模型的赛场配准 | |
Yang et al. | Fast vehicle logo detection in complex scenes | |
CN105354568A (zh) | 基于卷积神经网络的车标识别方法 | |
CN103810474A (zh) | 一种基于多特征低秩矩阵表示的车牌检测方法 | |
CN103177243A (zh) | 一种海洋微生物的实时监测方法 | |
CN110659550A (zh) | 交通标志牌识别方法、装置、计算机设备和存储介质 | |
Xiang et al. | Lightweight fully convolutional network for license plate detection | |
CN101324958A (zh) | 一种目标跟踪方法及装置 | |
CN106203529A (zh) | 一种基于先验信息的车辆轮胎安全检测方法 | |
CN103065163B (zh) | 一种基于静态图片的快速目标检测识别系统及方法 | |
CN103903238A (zh) | 图像特征的显著结构和相关结构融合方法 | |
Tourani et al. | A robust vehicle detection approach based on faster R-CNN algorithm | |
CN106600613B (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
CN104463220A (zh) | 一种车牌检测方法和系统 | |
Liu et al. | Lane line detection based on mask R-CNN | |
CN104268595A (zh) | 通用物件检测方法及系统 | |
CN103745197A (zh) | 一种车牌检测方法及装置 | |
CN110473255A (zh) | 一种基于多重网格划分的船舶系船柱定位方法 | |
Zhou et al. | A novel object detection method in city aerial image based on deformable convolutional networks | |
CN104537384A (zh) | 一种结合似然比判决的sar目标鉴别方法 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161207 |
|
RJ01 | Rejection of invention patent application after publication |