CN106446929A - 基于边缘梯度势能的车辆类型检测方法 - Google Patents

Abstract

一种基于边缘梯度势能的车辆检测方法。该方法包括以下步骤：提取训练样本梯度势能特征；利用置信图从训练图像中学习出用于表示车辆对象的边缘梯度势能强度参数，以及所述车辆目标边缘梯度势能的置信概率；利用学习得到的边缘梯度势能对输入的测试图像检测窗口进行粗过滤，再利用面向梯度的直方图特征精细检测，得到测试图像中车辆所在的区域。本发明具有适于轻微车辆类型变化，车辆部分遮挡以及不同时间段和不同环境条件等优点，特别是在对实时性要求较高的车辆检测，同时也对车辆轮廓等信息进行了详细描述。

Description

基于边缘梯度势能的车辆类型检测方法

技术领域

本发明属于智能交通领域，具有设计一种基于边缘梯度势能的车辆类型检测方法。

背景技术

随着现代汽车工业的发展，城市交通道路日见拥堵，交通事故日益频发，交通环境也越来越恶化。目前，利用传感器技术，视频监控技术以及计算机相关技术来提高交通系统处理效率的智能交通系统应运而生。车辆检测是最基础和最重要的部分。准确及时地检测出车辆是后续车辆跟踪，车牌识别，车辆信息提取等处理的重要保证。与传统的基于传感器的车辆检测方法不同，基于视频的车辆检测方法由于其成本低，适用范围广，安装简单等优点，越来越受到青睐。

现有的车辆检测方法如专利号：CN103310213B，利用了边缘对称性进行视频车辆检测。但该方法对于视频图像中车辆检测的准确率将受车辆出现位置的影响，如车辆与图像出现45度夹角，边缘对称性将无法很好体现效果。

专利CN102779272B，根据灰度概率算法与临界差值结合，避免了灰度临界差值附近的检测模式频繁切换，亦能保证光照状况突变条件下的检测模式的随机切换。但由于该方法首临界差值的影响，系统鲁棒性将受到影响。

专利CN103903437，首先将视频检测器归属到某个交通小区，并建立视频检测器、视频检测点与相应的起讫点矩阵与交通小区之间的对应关系，该方法可对区域通过车辆数量进行检测。

随着视频监控设备在城市内的大规模布设使用，利用高效的车辆检测技术，使得对视频中相应车辆的跟踪识别成为可能。

发明内容

针对现有的车辆类型识别技术的不足，本发明提出了一种利用边缘梯度势能的车辆检测新方法，该方法包括基于边缘梯度势能的车辆粗过滤和基于面向梯度直方图的精细过滤两阶段构成。

本发明的目的是给出一种高效，快速且自动的视频图像车辆位置检测方法，其能为车辆监控，交通规划和车辆识别提供高质量的输入数据。

实时车辆检测系统是指利用交通固定监控设备拍摄路口路面车辆行驶情况。本发明提出了一种基于边缘梯度势能的视频车辆检测方法，充分依托已布设的视频检测器资源，能低成本、快速、自动的获取高质量的车辆位置和尺度数据。在介绍实施例之前，先将本发明运用到的边缘梯度势能特征作说明

边缘梯度势能直接利用了图像像素的边缘梯度信息，利用1维的离散微分掩码模板[‐10 1]，同时在水平和垂直两个方向上对图像进行卷积计算，获取图像一阶梯度信息，与HOG特征不同，该特征计算简单对于目标具有一定的区分能力，可加快目标检测过程。同时相对于HOG特征，该方法不需要过多计算花销，为进一步获取目标位置和尺度信息，可在边缘梯度势能检测后进行精细的HOG特征目标检测。

首先在RGB图像中3个通道中二阶边缘梯度势能函数最大的通道作为边缘梯度势能能量分布，计算过程采用公式(4)

对候选检测窗口计算分别计算边缘梯度势能和HOG特征。建立多尺度的边缘梯度势能置信图其中i为层次序号，W为第i层的像素宽度个数，H为第i层的像素高度个数。

对目标按不同尺度进行检测，计算出不同尺度下图像的边缘梯度势能特征，车辆候选检测窗口CW_L集合计算如公式(9)所示：

CW_L＝W_L-S_L-F_L (9)

其中W_L为第L层的检测窗口集合，L为不同尺度的层次，S_L为稠密窗口势能窗口集，F_L为稀疏势能窗口集，它们均由训练阶段样本的稠密上界T_H和稀疏下界T_L系数确定。

本发明的一种基于边缘梯度势能的车辆类型检测方法，步骤如下：

步骤S010：首先对车辆图像信息进行正样本训练，对其进行尺度归一化后得到车辆模板库(64*64像素大小)，在RGB色彩空间上对图像进行色彩伽马归一化。计算正样本图像的边缘梯度势能，计算负样本图像的边缘梯度势能，利用SVM进行训练，生成车辆边缘梯度势能的分类器M1；计算正样本图像的HOG特征，计算负样本图像的HOG特征，提取其边缘梯度势能特征，利用SVM进行训练，生成车辆边缘梯度势能的分类器M2。

步骤S020：利用分类器M1对图像进行粗检测，对边缘梯度势能大于T_H或小于T_L，的检测窗口，提取其HOG特征，进行车辆精细位置检测，后得到三类车辆模板库；提取其梯度势能特征，分别采集各类车辆的前脸，车后尾和车侧身三种类车型的样本图片，对其进行尺度归一化后得到三类车辆模板库；提取其梯度势能特征，利用SVM进行训练，生成车辆梯度势能的分类器M1和HOG的分类器M2。

步骤S030：将输入的视频图像，采用尺度缩放因子很滑动窗口检测的方法对图像中检测窗口进行预处理，计算边缘梯度势能，找出边缘梯度势能小于T_H且大于T_L的检测窗口作为粗过滤窗口集W。

步骤S040：对粗过滤窗口集W，利用车辆梯度势能的分类器M1和HOG的分类器M2提取车辆精细位置信息。阈值范围内的窗口作为检测结果。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

本发明的优点是：通过计算目标边缘梯度势能，能更为准确地为目标检测提供依据；同时由于边缘梯度势能在目标梯度的基础上进行检测，利用了HOG特征计算中一阶边缘梯度信息的计算结果，因此不需要过多的计算开销；另外，通过对检测窗口集的过滤，该方法与传统的HOG滑动窗口检测方法比较，具有较少数量的检测窗口特征计算操作。

附图说明

图1是本发明使用的车辆检测系统S01的总体硬件框图。

图2本发明的流程图。

图3包含目标对象的检测窗口中边缘梯度势能获取示意图。

图4包含背景的检测窗口中的边缘梯度势能获取示意图。

图5基于边缘梯度势能的车辆检测结果示意图。

具体实施方式

下面将结合具体实施例及附图对本发明车辆检测方法作进一步详细描述。

本发明所提出的边缘梯度势能除了考虑边缘的梯度特性还考虑了梯度势能特性，对于目标边缘显著性分布更具可区分性。利用HOG中对梯度信息结合来进行预处理，并不需要过多的特征计算，具体实施步骤如下：

一种基于边缘梯度势能的车辆类型检测方法，具体包括：

步骤S010：首先对车辆图像信息进行正样本训练，对其进行尺度归一化后得到车辆模板库(64*64像素大小)，在RGB色彩空间上对图像进行色彩伽马归一化。

步骤S011：为去除光照对图像的影响，在RGB色彩空间上对图像进行色彩伽马归一化。利用Gamma压缩公式(1)标准化整幅图像像素的Gamma空间,

I(x,y)＝I(x,y)^gamma (1)

其中Gamma＝1/2.2；目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

步骤S012：计算正样本图像的边缘梯度势能，计算负样本图像的边缘梯度势能，

首先计算图像边缘信息：使用1维的离散微分掩码模板[‐1 0 1]，同时在水平和垂直两个方向上对图像进行卷积计算，获取图像一阶梯度信息。其中表示x方向(水平方向)的图像梯度信息，表示y方向(垂直方向)的梯度信息；图像中像素点(x,y)的梯度如公式(2)，其梯度方向如公式(3)所示：

步骤S013，对于所述正样本训练图像，建立多尺度的边缘梯度势能置信图其中i为层次序号，W为第i层的像素宽度个数，H为第i层的像素高度个数；边缘梯度势能的置信图的计算如公式(4)所示：

步骤S014，利用边缘梯度势能从训练图像中学习车辆目标梯度势能活动域，该参数用于判断车辆边缘特征的分布的边缘梯度势能活动域边界(含稠密上界T_H和稀疏下界T_L)，其中N为正样本数量，0≤θ≤1为调节因子，当θ＝0时系统只考虑边缘梯度势能的下界，当θ＝1时系统仅考虑边缘梯度势能的上界。实验中采用θ＝0.8,获得较好检测效果；

步骤S015，计算正样本图像的HOG特征，计算负样本图像的HOG特征，HOG特征计算过程中的参数设置如下：令B为直方图区间数(bins)。根据计算的水平方向和垂直方向梯度为每个细胞单元构建梯度方向直方图，将图像分成若干个矩形“子单元格cell”，实施中采用，块(block)大小为16*16像素，cell为8*8像素，检测窗口为64*64像素；计算像素点(x,y)处的梯度幅度和梯度方向分别采用公式(7)和公式(8)：

步骤S016，把子单元组合成大的块(block)，由于一个检查窗口被划分为49个块，1个块又划分为4个cells。B＝9个区间。因此特征维度为：49*4*9＝1764维。块内归一化梯度直方图。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，需要对梯度强度做归一化最后收集HOG特征；最后利用SVM进行训练，生成车辆边缘梯度势能的分类器M1；

步骤S020：利用分类器M1对图像进行粗检测，对边缘梯度势能大于T_H或小于T_L，的检测窗口，提取其HOG特征，进行车辆精细位置检测，后得到三类车辆模板库；提取其梯度势能特征，分别采集各类车辆的前脸，车后尾和车侧身三种类车型的样本图片，对其进行尺度归一化后得到三类车辆模板库；提取其梯度势能特征，利用SVM进行训练，生成车辆梯度势能的分类器M1和HOG的分类器M2。

步骤S030：将输入的视频图像，采用尺度缩放因子很滑动窗口检测的方法对图像中检测窗口进行预处理，计算边缘梯度势能，找出边缘梯度势能小于T_H且大于T_L的检测窗口作为粗过滤窗口集W。

步骤S040，利用边缘梯度信息计算窗口的多尺度边缘梯度势能特征C'_M和面向梯度的直方图特征(HOG)和联机支持向量机Online‐SVM进行训练，对粗过滤窗口集W，利用车辆梯度势能的分类器M1和HOG的分类器M2提取车辆精细位置信息。获取待检测图像进行车辆检测信息，该步骤包含如下子步骤：

步骤S041：对待处理图像首先计算图像的边缘梯度信息，

步骤S042：进行粗窗口过滤检测，如果窗口的边缘梯度势能大于T_H或小于T_L，则切换当前窗口到的精细检测模式，否则跳过该窗口检测。

步骤S043：进行精细窗口过滤检测，利用待检测窗口的HOG特征及边缘梯度势能特征，使采用检测窗口分类器模型进行检测。

本发明还可以通过一种车辆位置信息检测硬件系统来实施。按照本发明实施例的车辆位置信息检测系统S01的总体硬件框图，如图1所示。车辆位置信息检测系统S01可以包括：训练样本图像集，例如具有车辆图像的正样本和背景图像的负样本；离线训练模型设备，用于实施上述的本发明实施例的检测模型产生；图像输入设备，用于从外部输入有关图像或信息，例如车辆道路监控设备拍摄的图像监控视频信息，还可以包括键盘、鼠标器、以及通信网络及其所连接的远程输入设备等等；检测处理设备，用于实施本发明实施例的车辆边缘梯度势能检测方法，例如可以包括计算机的中央处理器或其它的具有处理能力的芯片等等，可以连接到互联网或局域网的设备，根据处理过程的需要向远程传送处理后的图像等等；输出设备，用于将车辆检测后所得的结果向外部输出的设备，例如可以包括显示器、打印机、磁盘等存储介质。

Claims (1)

1.一种基于边缘梯度势能的车辆类型检测方法，具体包括：

步骤S010：首先对车辆图像信息进行正样本训练，对其进行尺度归一化后得到车辆模板库，在RGB色彩空间上对图像进行色彩伽马归一化；

步骤S011：为去除光照对图像的影响，在RGB色彩空间上对图像进行色彩伽马归一化；利用Gamma压缩公式(1)标准化整幅图像像素的Gamma空间,

I(x,y)＝I(x,y)^gamma (1)

Gamma变量是调节参数，目的是调节图像的对比度，降低图像局部的阴影和光照变化所造成的影响，同时可以抑制噪音的干扰；

步骤S012：计算正样本图像的边缘梯度势能，计算负样本图像的边缘梯度势能，首先计算图像边缘信息：使用1维的离散微分掩码模板[‐1 0 1]，同时在水平和垂直两个方向上对图像进行卷积计算，获取图像一阶梯度信息；其中表示x方向的图像梯度信息，x方向是水平方向，表示y方向的梯度信息，y方向是垂直方向；图像中像素点(x,y)的梯度如公式(2)，其梯度方向如公式(3)所示：

$\∂I_x=I(x+1,y)-I(x-1,y)---\left(2\right)$

$\∂I_y=I(x,y+1)-I(x,y-1)---\left(3\right)$

步骤S013，对于所述正样本训练图像，建立多尺度的边缘梯度势能置信图其中i为层次序号，W为第i层的像素宽度个数，H为第i层的像素高度个数；置信图的计算如公式(4)所示：

$C_M^i=({\left(\∂I_x\right)}^2+{\left(\∂I_y\right)}^2)/2(W_i\×H_i)---\left(4\right)$

步骤S014，利用边缘梯度势能从训练图像中学习车辆目标梯度势能活动域:

稠密上界:

稀疏下界:

该参数用于判断车辆边缘特征的分布的边缘梯度势能活动域边界，其中N为正样本数量，0≤θ≤1为调节因子，当θ＝0时系统只考虑边缘梯度势能的下界，当θ＝1时系统仅考虑边缘梯度势能的上界；

步骤S015，计算正样本图像的HOG特征，计算负样本图像的HOG特征，根据计算的水平方向和垂直方向梯度为每个细胞单元构建梯度方向直方图，将图像分成若干个矩形“子单元格cell”，计算像素点(x,y)处的梯度幅度和梯度方向分别如公式(7)和(8)所示：

$G(x,y)=\sqrt{\∂{I_x}^2+\∂{I_y}^2}---\left(7\right)$

$\mathrm{\θ}(x,y)=atan\left(\frac{\∂I_y(x,y)}{\∂I_x(x,y)}\right)---\left(8\right)$

步骤S016，把子单元组合成大的块block，由于一个检查窗口被块内归一化梯度直方图；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，需要对梯度强度做归一化参数P_i为第i个区间bins的梯度强度。最后收集HOG特征；最后利用SVM进行训练，生成车辆边缘梯度势能的分类器M1；

步骤S020：利用分类器M1对图像进行粗检测，对边缘梯度势能大于T_H或小于T_L，的检测窗口，提取其HOG特征，进行车辆精细位置检测，后得到三类车辆模板库；提取其梯度势能特征，分别采集各类车辆的前脸，车后尾和车侧身三种类车型的样本图片，对其进行尺度归一化后得到三类车辆模板库；提取其梯度势能特征，利用SVM进行训练，生成车辆梯度势能的分类器M1和HOG的分类器M2；

步骤S030：将输入的视频图像，采用尺度缩放因子很滑动窗口检测的方法对图像中检测窗口进行预处理，计算边缘梯度势能，找出边缘梯度势能小于T_H且大于T_L的检测窗口作为粗过滤窗口集W；

步骤S040，利用边缘梯度信息计算窗口的多尺度边缘梯度势能特征C'_M和面向梯度的直方图特征HOG和联机支持向量机Online‐SVM进行训练，对粗过滤窗口集W，利用车辆梯度势能的分类器M1和HOG的分类器M2提取车辆精细位置信息；获取待检测图像进行车辆检测信息，该步骤包含如下子步骤：

步骤S041：对待处理图像首先计算图像的边缘梯度信息；

步骤S042：进行粗窗口过滤检测，如果窗口的边缘梯度势能大于T_H或小于T_L，则切换当前窗口到的精细检测模式，否则跳过该窗口检测；

步骤S043：进行精细窗口过滤检测，利用待检测窗口的HOG特征及边缘梯度势能特征，使采用检测窗口分类器模型进行检测。