CN106372658A - 车辆分类器的训练方法 - Google Patents

Abstract

本发明提供了车辆分类器的训练方法，包括使用少量样本训练一个初始分类器，将摄像头传感器采集到的视频转化为图片，用初始分类器对这些图像进行检测，然后将通过该初始分类器的图片以及含有车辆目标但分类器未能检测出来的图片进行保存，通过该分类器的图片中可能包含正确检测的车辆图片和误捡为车辆的图片，将误捡的图片定义为负样本难例，含有车辆目标但分类器检测未能检测出来的图片定义为正样本难例，将正负样本难例加入正负样本库中并继续训练车辆分类器，直到训练出来的分类器的检测率和误检率达到客户要求。本发明能够增加分类器训练样本的多样性，提高车辆检测的检测率和降低误检率，最终优化分类器训练流程。

Description

车辆分类器的训练方法

技术领域

本发明涉及车辆图像识别检测技术领域，特别涉及车辆分类器的训练方法。

背景技术

现阶段，车辆图像识别检测技术在汽车辅助安全驾驶领域中得到一定的应用和关注，而提高检测率以及降低误检率是车辆图像识别检测技术应用中的关键指标。

现有技术中，车辆图像识别检测技术中是通过使用分类器进行学习以检测目标的表征，其中分类器大部分采用基于HaaR、HOG、LBP特征进行训练，或采用Adaboost学习算法，或SVM学习算法训练而成。现有技术中的分类器采用以上技术方案进行训练学习，容易随着检测样本的增多而引起内存不足、整个训练时间较长，甚至导致分类器的训练过程瘫痪等结果。

发明内容

本发明的主要目的是提出车辆分类器的训练方法，旨在优化分类器训练流程。

为实现上述目的，本发明提出车辆分类器的训练方法，包括以下步骤：

1)人工选取一定数量的车辆正样本图片和车辆负样本图片，并将所述车辆正样本图片和所述车辆负样本图片归一化至一定像素的正负样本图片；

2)使用积分通道特征对所述正负样本图片进行表征，形成特征样本；

3)采用Adaboost级联学习算法学习所述特征样本的最优特征，以形成分类器；

4)将摄像头传感器采集到的视频转换成图片，使用所述分类器对视频转换成的图片进行检测并进行判断；

5)当检测结果符合客户设定的检测率和误检率，则所述分类器停止训练；当检测结果与客户设定的检测率和误检率不相符时，对通过所述分类器的图片以及含有车辆目标但所述分类器未能检测出的图片进行保存；将误检图片定义为负样本难例，并将含有车辆目标但所述分类器未能检测出来的图片定义为正样本难例；

6)将所述正样本难例和所述负样本难例进行收集，按照所述1)步骤要求选择图片，并分别更新于正样本库和负样本库中，继续重复所述2)至5)步骤，直至所述分类器检测结果符合客户设定的检测率和误检率，所述分类器则停止训练。

优选地，所述正负样本图片的图片像素大小为64×64。

优选地，所述车辆正样本图片数量为2000个，所述车辆正样本图片选取标准为包含车辆左右两侧边并扩展10％的区域，同时包含前车下方的所有图像并向下扩展10％的区域；

优选地，所述车辆负样本图片数量为5000个，所述车辆负样本图片为不含车辆的道路场景或者自然场景图片。

优选地，所述误检图片为所述分类器检测到但不是车辆的图片。

优选地，所述积分通道特征利用积分图技术对所述正负样本图片的通道进行快速计算并级联得到一个高维特征矢量。

优选地，所述通道包括3个颜色通道、1个梯度幅值通道、6个方向梯度通道。

本发明的技术方案通过数量较少的样本图片对分类器进行训练，并且在训练的过程中不断对难例的样本库进行修改和完善，通过使用积分通道特征对正负样本图片进行表征，同时应用Adaboost学习算法对特征样本进行训练，使得分类器能够在较短的时间内训练完毕并达到客户设定要求，有效提高车辆分类器的检测率以及降低误检率，从而优化分类器训练流程。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。

图1为本发明实施例中训练车辆分类器的流程图；

图2为本发明实施例中采用积分通道特征训练分类器的流程图；

图3为本发明实施例中Adaboost学习算法的训练流程图；

图4为本发明实施例中Adaboost学习算法迭代训练的流程图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明，若本发明实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。

另外，若本发明实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本发明提出车辆分类器的训练方法。

实施例1

请见图1至图4，本实施例通过人工选取2000个车辆正样本图片和5000个车辆负样本图片，并将车辆正样本图片和车辆负样本图片归一化至64×64像素的图片，其中，车辆正样本图片的选取标准为包含车辆左右两边侧边并左右扩展10％的区域，包含前车下方的所有图像并向下扩展10％的区域；车辆负样本图片为不含车辆的道路或自然场景图片。

对车辆正样本图片和车辆负样本图片进行归一化后，使用积分通道特征对正负样本图片进行表征，以形成特征向量。

积分通道特征对图片大小为64×64像素的正负样本图片进行训练，通过对训练的图片缩小一定倍数以加快训练速度，优选图片缩小的倍数为4倍。设定训练过程中从所有形成的特征中选择3000个特征形成积分通道特征池，接着对图像进行滤波，然后计算图像的10个特征通道并级联得到一个高维特征矢量，其中10个特征通道包括3个颜色通道、1个梯度幅值通道、6个方向梯度通道。

其中，3个颜色通道是LUV色彩空间，L*表示物体亮度，u*和v*是色度。Luv的计算过程如下：

$\left[\begin{array}{c}X\\ Y\\ Z\end{array}\right]=\frac{1}{0.17697}\left[\begin{array}{ccc}0.49& 0.31& 0.20\\ 0.17697& 0.81240& 0.01063\\ 0.00& 0.01& 0.99\end{array}\right]\left[\begin{array}{c}R\\ G\\ B\end{array}\right]$

$L^{*}=\left\{\begin{array}{cc}116\·{\left(\frac{Y}{Y_n}\right)}^{\frac{1}{3}}-16,& \frac{Y}{Y_n}>{\left(\frac{6}{29}\right)}^3\\ {\left(\frac{29}{3}\right)}^3\frac{Y}{Y_n},& \frac{Y}{Y_n}\≤{\left(\frac{6}{29}\right)}^3\end{array}\right.$

u^*＝13L^*·(u′-u′_n)

v^*＝13L^*·(v′-v′_n)

其中，

梯度的幅值和梯度方向的计算如下：

Q_θ(x,y)＝G(x,y)·I[Θ(x,y)＝θ]

其中G(x,y)表示图像I(x,y)处的梯度的梯度幅值，I[Θ(x,y)＝θ]表示图像I(x,y)处的梯度的梯度方向，这里取6个方向，即每30度一个bin。

当使用积分通道特征对归一化的正负样本图片进行表征并形成特征样本后，使用Adaboost学习算法对特征样本进行训练，以形成分类器。

在Adaboost学习算法中，给定样本空间(x₁,y₁),…(x_n,y_n),x_i∈X，而车辆检测问题是一个二分类的问题，因此，y_n∈Y＝{-1,1}，S₁,S₂…S_T为迭代后权值调整后的样本集，D₁,D₂…D_T为样本权重根据弱分类器的分类误差ε_i进行自调整，h₁,h₂,…h_T为迭代过程中产生的弱分类器，β_i为弱分类器对应的投票权重。

Adaboost算法的每一个弱分类器h_i根据其对样本空间分类的误差ε_i影响样本的权值D_t的分布，进而减小上级分类器中分类错误的样本在下级被错分的可能，同样弱分类器利用其对应的分类误差ε_i计算得到投票权重β_t，得到最终的强分类器为：

$H=sign(\underset{i=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\β}}_i\×P_i-\mathrm{\θ})$

式中的P_i为h_i对应的分类标签，θ为强分类器的阈值

另外，Adaboost算法流程图如图3所示，具体算法步骤如下：

1)初始化权重，设样本数量为m，则初始化权值为：

$D_t\left(i\right)=\frac{1}{m},$

式中的D_t(i)对应第t次迭代，第i个样本的权值

2)循环t＝1，…，T

根据权值D_t在样本空间S_t中搜索本次分类精度最佳的弱分类器，h_t是本次弱分类器训练中所有错分样本的权值和，即本次的分类误差，目的是找到使得分类误差最小的弱分类器。

设置弱分类器的投票权重为：

${\mathrm{\β}}_t=\frac{1}{2}log\left(\frac{1-{\mathrm{\ϵ}}_t}{{\mathrm{\ϵ}}_t}\right)$

当ε_t≥0.3时退出循环。

更新样本权值分布：

$D_{t+1}=\left\{\begin{array}{cc}{D}_t\left(i\right)& y_i=h_t\left(x_i\right)\\ D_t\left(i\right)\frac{1-{\mathrm{\ϵ}}_t}{{\mathrm{\ϵ}}_t}& y_i\≠h_t\left(x_i\right)\end{array}\right.$

归一化样本权值：

$D_{t+1}\left(i\right)=\frac{D_{t+1}\left(i\right)}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{D}_{t+1}\left(i\right)}$

将得到的所有弱分类器进行权值投票，得到最终的强分类器判别函数：

$H\left(x\right)=sign\left(\underset{t=1}{\overset{T}{\mathrm{\Σ}}}{\mathrm{\β}}_t{h}_t\right(x\left)\right)$

3)分类器训练完成。

当分类器训练完毕后，将通过摄像头传感器采集到的视频转换成图片，使用分类器对视频转换成的图片进行检测并进行判断。当检测结果符合客户设定的检测率和误检率，即分类器检测率高于或等于客户设定的检测率以及低于或等于客户设定的误检率时，分类器则停止训练；当检测结果与客户设定的检测率和误检率不相符，即分类器检测率低于客户设定的检测率以及高于客户设定的误检率时，分类器对通过分类器的图片以及含有车辆目标但分类器后未能检测出的图片进行保存，将误检图片(如车道路牌上的车辆图标，道路栏杆等)定义为负样本难例，并将含有车辆目标但是通过分类器没有检测出来的图片定义为正样本难例。然后将正样本难例和负样本难例进行收集，然后人工从正样本难例和负样本难例中，选取一定数量的车辆正样本图片和车辆负样本图片，归一化至一定像素的正负样本图片并分别更新于正样本库和负样本库中，继续重复分类器的训练步骤，直至分类器的检测结果符合客户设定的检测率和误检率，分类器则停止进行训练。

实施例2

本实施例除下述特征外同实施例1：对车辆正样本图片和车辆负样本图片进行归一化后，使用HOG特征对归一化后的正负样本图片进行表征，从而形成特征。

该表征过程中将统计正负样本图片中的局部方向梯度出现的次数。在正负样本图片中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述。因此，将正负样本图片分成小的连通区域(细胞单元)，然后采集细胞单元中各像素点的梯度的或边缘的方向直方图，最后把这些直方图组合起来就可以构成特征描述器，具体的步骤如下：

1)将正负样本图片进行预处理，然后计算其梯度幅值。优选地，一阶中心对称模板[-101]效果最好。因为正负样本图片的边缘细节信息对图象的识别极其重要，而较大模板会引起正负样本图片的边缘模糊，边缘信息计算不准确，因此图像中点(x,y)的梯度计算公式为：

G_x(x,y)＝H(x+1,y)-H(x-1,y)

G_y(x,y)＝H(x,y+1)-H(x,y-1)

式中的G_x(x,y)、G_y(x,y)、H(x,y)分别表示输入正负样本图片中的像素点(x,y)处的水平方向梯度、垂直方向梯度、像素值。

另外，像素点(x,y)处的梯度幅值和梯度方向的计算公式分别为：

$G(x,y)=\sqrt{G_x{(x,y)}^2+G_y{(x,y)}^2}$

$\mathrm{\α}(x,y)={\tan }^{-1}\left(\frac{G_y(x,y)}{G_x(x,y)}\right)$

2)构建梯度方向直方图，使每个单元内的每个像素对直方图进行投票，其中单元的形状为2×2的矩形区域，HOG特征的直方图统计在0。-180。的范围内进行，并且将梯度的方向划分到9方向，因此每个HOG特征得到36维的向量。

3)对梯度的强度进行归一化，由于局部光照的变化以及前景—背景对比度的变化，使得梯度强度的变化范围非常大。这就需要对梯度强度做归一化。归一化能够进一步地对光照、阴影和边缘进行压缩。把各个矩形区域组合成大的、空间上连通的区间。这样，一个区间内所有矩形区域的特征向量串联起来便得到该区间的HOG特征。而且这些区间是互有重叠的，因此，每一个单元格的特征会以不同的结果多次出现在最后的特征向量中。

当使用HOG特征对归一化的正负样本图片进行表征并形成特征向量后，使用Adaboost学习算法对HOG特征表征形成的特征向量进行训练，以形成分类器。

本发明所采用对分类器进行训练的方法，相对于现有技术中关于分类器训练的技术方案相比，只需使用数量少量的样本即可训练出符合客户设定检测率和误检率的分类器，从而大大缩短分类器的训练时间，并提高车辆分类器的检测效果。

以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是在本发明的发明构思下，利用本发明说明书及附图内容所作的等效结构变换，或直接/间接运用在其他相关的技术领域均包括在本发明的专利保护范围内。

Claims (7)

1.车辆分类器的训练方法，其特征在于，包括以下步骤：

1)人工选取一定数量的车辆正样本图片和车辆负样本图片，并将所述车辆正样本图片和所述车辆负样本图片归一化至一定像素的正负样本图片；

2)使用积分通道特征对所述正负样本图片进行表征，形成特征样本；

3)采用Adaboost级联学习算法学习所述特征样本的最优特征，以形成分类器；

4)将摄像头传感器采集到的视频转换成图片，使用所述分类器对视频转换成的图片进行检测并进行判断；

5)当检测结果符合客户设定的检测率和误检率，则所述分类器停止训练；当检测结果与客户设定的检测率和误检率不相符时，对通过所述分类器的图片以及含有车辆目标但所述分类器未能检测出的图片进行保存；将误检图片定义为负样本难例，并将含有车辆目标但所述分类器未能检测出来的图片定义为正样本难例；

6)将所述正样本难例和所述负样本难例进行收集，按照所述1)步骤要求选择图片，并分别更新于正样本库和负样本库中，继续重复所述2)至5)步骤，直至所述分类器检测结果符合客户设定的检测率和误检率，所述分类器则停止训练。

2.如权利要求1所述的车辆分类器的训练方法，其特征在于，所述正负样本图片的图片像素大小为64×64。

3.如权利要求1所述的车辆分类器的训练方法，其特征在于，所述车辆正样本图片数量为2000个，所述车辆正样本图片选取标准为包含车辆左右两侧边并扩展10％的区域，同时包含前车下方的所有图像并向下扩展10％的区域。

4.如权利要求1所述的车辆分类器的训练方法，其特征在于，所述车辆负样本图片数量为5000个，所述车辆负样本图片为不含车辆的道路场景或者自然场景图片。

5.如权利要求1所述的车辆分类器的训练方法，其特征在于，所述误检图片为所述分类器检测到但不是车辆的图片。

6.如权利要求1所述的车辆分类器的训练方法，其特征在于，所述积分通道特征利用积分图技术对所述正负样本图片的通道进行快速计算并级联得到一个高维特征矢量。

7.如权利要求1所述的车辆分类器的训练方法，其特征在于，所述通道包括3个颜色通道、1个梯度幅值通道、6个方向梯度通道。