CN106203529A - 一种基于先验信息的车辆轮胎安全检测方法 - Google Patents

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

一种基于先验信息的车辆轮胎安全检测方法

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,…,a_i-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C_i ²条直线。分别记为{L₀₁、L₀₂、L₀₃…L_0i-1、L₁₂、L₁₃…L_1i-1……L_i-2i-1}。设a₀、a₁、a₂、a₃…a_i-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)…(x_i-1,y_i-1)。则可分别计算出L₀₁、L₀₂、L₀₃…L_0i-1、L₁₂、L₁₃…L_1i-1…L_i-2i-1的斜率和与水平方向的夹角α＝{α₀₁，α₀₂，α₀₃…α_i-2i-1}。计算公式如下：

tanα＝(y_i-y_j)/(x_i-x_j)

求得的夹角α_ij就是感兴趣区域a_j、a_i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a_i、a_j作为两个轮胎区域。所有保留下来的a_i、a_j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＝(y_i-y_j)/(x_i-x_j)

求得的夹角α_ij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α_ij，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,…,a_i-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C_i ²条直线，分别记为{L₀₁、L₀₂、L₀₃…L_0i-1、L₁₂、L₁₃…L_1i-1……L_i-2i-1}；设a₀、a₁、a₂、a₃…a_i-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)…(x_i-1,y_i-1)，则分别计算出L₀₁、L₀₂、L₀₃…L_0i-1、L₁₂、L₁₃…L_1i-1…L_i-2i-1的斜率和与水平方向的夹角α＝{α₀₁，α₀₂，α₀₃···α_i-2i-1}；求得的夹角α_ij就是感兴趣区域a_j、a_i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a_i、a_j作为两个轮胎区域；所有保留下来的a_i、a_j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。