CN106570439A - 一种车辆检测方法及装置 - Google Patents
一种车辆检测方法及装置 Download PDFInfo
- Publication number
- CN106570439A CN106570439A CN201510648221.4A CN201510648221A CN106570439A CN 106570439 A CN106570439 A CN 106570439A CN 201510648221 A CN201510648221 A CN 201510648221A CN 106570439 A CN106570439 A CN 106570439A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- window
- detection
- detection block
- target
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/59—Context or environment of the image inside of a vehicle, e.g. relating to seat occupancy, driver state or inner lighting conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明实施例公开了一种车辆检测方法及装置。本发明实施例方法包括获取目标图像的图像金字塔;根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块;利用预先训练好的多个级联分类器,确定所述多个检测块中含有车辆的检测块,并将所述含有车辆的检测块标记为车辆候选窗口,记录每个所述车辆候选窗口的置信度;对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。本发明实施例提高了车辆检测的准确度,也维持了较快的检测速度。
Description
技术领域
本发明涉及车辆检测技术领域,特别涉及一种车辆检测方法及装置。
背景技术
计算机视觉是一门研究如何使机器“看”的科学,更进一步的说,就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉,并进一步做图形处理,使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科,计算机视觉研究相关的理论和技术,试图建立能够从图像或者多维数据中获取‘信息’的人工智能系统。
由于在汽车半自动、自动驾驶领域中的关键作用,多年来车辆自动检测一直是计算机视觉领域的热门研究课题,近年来,人们一直在努力寻找车辆检测更有效的方式,但离车辆的自动检测和实用要求仍有不少差距。
目前,一种现有车辆检测技术是直接利用一般进行目标检测的方式应用在车辆检测中,但现有的目标检测方式算法过于复杂,且应用在车辆检测中准确率过低。
发明内容
本发明实施例提供了一种车辆检测方法及装置,提高了车辆检测的准确度,也维持了较快的检测速度。
本发明实施例第一方面提供一种车辆检测方法,包括:
获取目标图像的图像金字塔;
根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块;
利用预先训练好的级联分类器,确定所述多个检测块中含有车辆的检测块,并将所述含有车辆的检测块标记为车辆候选窗口,记录每个所述车辆候选窗口的置信度;
对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。
本发明实施例第二方面提供一种车辆检测装置,包括:
第一获取单元,用于获取目标图像的图像金字塔;
第二获取单元,用于根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块;
确定单元,用于利用预先训练好的级联分类器,确定所述多个检测块中含有车辆的检测块,并将所述含有车辆的检测块标记为车辆候选窗口,记录每个所述车辆候选窗口的置信度;
输出单元,用于对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,获取目标图像的图像金字塔;根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块,利用预先训练好的级联分类器,确定所述多个检测块中含有车辆的检测块,对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。由于采用级联分类器对含有车辆的检测块进行多次检测,可有效提高车辆检测的准确率,同时本实施例中车辆检测方法算法简单,可以维持较快的检测速度。
附图说明
图1是本发明实施例中车辆检测方法的一个实施例示意图;
图2是本发明实施例中车辆检测装置的一个实施例示意图;
图3是本发明实施例中车辆检测装置的另一个实施例示意图。
具体实施方式
本发明实施例提供了一种车辆检测方法及装置,提高了车辆检测的准确度,也维持了较快的检测速度。
为了使本技术领域的人员更好地理解本发明方案,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一部分的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
下面首先对本发明实施例中涉及的一些概念做简单介绍。
分类是数据挖掘的一种非常重要的方法,分类的概念是在已有数据的基础上学会一个分类函数或构造出一个分类模型(即我们通常所说的分类器(Classifier))。该函数或模型能够把数据库中的数据纪录映射到给定类别中的某一个,从而可以应用于数据预测。总之,分类器是数据挖掘中对样本进行分类的方法的统称,包含决策树、逻辑回归、朴素贝叶斯、神经网络等算法。
“级联分类器”指的是多个接连分类器,例如级联强分类器:是将若干个强分类器由简单到复杂排列,希望经过训练使每个强分类器都有较高检测率,而误识率可以放低,这样的效果就可以满足现实的需要了。
下面首先介绍本发明实施例中车辆检测方法的实施例,所述车辆检测方法的执行主体为车辆检测装置,该车辆检测装置可以安装在汽车、车辆检测仪等装置中。
请参阅图1,本发明实施例中车辆检测方法的一个实施例,包括:
101、获取目标图像的图像金字塔;
本实施例中,所述目标图像为需要拍摄车辆设备拍摄的图像,例如车载摄像头等。
图像金字塔是一个图像集合,集合中所有的图像都源于同一个原始图像(本发明实施例中即为目标图像),而且是通过对原始图像连续采样获得,直到达到中止条件才停止采样。
所述获取目标图像的图像金字塔,可以包括:获取目标图像,对所述目标图像进行聚合处理后进行多尺度缩放,形成由多幅图像构成的图像金字塔。
其中,所述图像金字塔可以包括所述目标图像的颜色特征信息、梯度方向特征信息和梯度特征信息,颜色特征可以是RGB特征,也可以是LUV特征或HSV特征,颜色特征可以直接获取,梯度方向特征可以是计算所述目标图像中每个像素点的颜色特征的梯度值,并且去最大值作为当前像素点的像素梯度,其次将360度划分为6个区间,在6个梯度方向获取当前每个像素点梯度方向直方图,获取到梯度方向信息和梯度信息。
对所述图像进行聚合处理后进行多尺度缩放,形成由多幅图像构成的图像金字塔可以是:对所述目标图像进行简单快速的全局像素强度归一化,根据检测窗口大小填充数个像素宽度的边缘,将图像转换到LUV颜色空间,按一定的缩放系数,比如1.05对图像进行反复缩放,形成由多幅图像构成的图像金字塔。
102、根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块;
本发明实施例中,所述根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块,具体可以包括:
根据预设的步长在所述图像金字塔上依次从左到右或从上到下滑动检测窗口,形成多个与检测窗口大小相同的矩形检测块,其中,所述预设的步长小于检测窗口的长和宽,例如选择64X32大小的窗口,以4的步长在每个特征矩阵上从左到右或从上到下依次滑动检测窗口,可以形成多个与检测窗口大小相同的矩形检测块,实现了对目标图像的全方位、全尺度扫描。
103、利用预先训练好的多个级联分类器,确定所述多个检测块中含有车辆的检测块,并将所述含有车辆的检测块标记为车辆候选窗口,记录每个所述车辆候选窗口的置信度;
其中,置信度是指确定分类结果正确与否的正确度。在鉴别性分类器中,一般会把待分类的样本离分类面的距离为置信度的高低,在生成性分类器中,一般会把待分类的样本离类中心的距离为置信度的高低。一般会把距离最后归一化到0~1或者0~100。
本实施例中,所述利用预先训练好的多个级联分类器,确定所述多个检测块中含有车辆的检测块,具体可以包括:
预先对多个级联分类器中各级联分类器按照其在训练时的表现从高到低进行排序,所述表现是指级联分类器在训练时体现出来的分类性能,比如说,A级联分类器比B级联分类器能去除更多的检测块,就说明A级联分类器的表现更好。
分别将所述多个检测块的特征向量输入所述多个级联分类器中进行判断是否为含有车辆的检测块,若所述多个级联分类器第一个级联分类器中当前判断的检测块判断结果为含有车辆的检测块,则使用下一个级联分类器继续进行判断,直至所述多个级联分类器中最后一个级联分类器的判断结果仍为含有车辆的检测块,则确定当前判断的检测块为含有车辆的检测块;若当前判断的检测块判断结果为不含车辆的检测块,则放弃所述检测块。
例如,使用预先训练好的32个级联分类器构成级联分类器对所述多个检测块进行判断,这32个级联分类器就构成了车辆检测器。
可选的,所述分别将所述多个检测块的特征向量输入所述多个级联分类器中进行判断是否为含有车辆的检测块,可以采用如下公式:
其中,αp是所述多个级联分类器中第p个级联分类器Hp的权值,Hp[1]是所述多个级联分类器中第p个级联分类器Hp的第一输出值,所述第一个输出值按照设定的阈值输出0或1;Hp[2]为所述多个级联分类器中第p个级联分类器作为分类得分的第二输出值;若所述多个级联分类器中分类器当前判断的检测块的第一输出值为1,则该级联分类器当前判断的检测块的判断结果为含有车辆的检测块;
当当前判断的检测块在所述多个级联分类器中最后一个级联分类器的第一输出值为1时,确定当前判断的检测块为含有车辆的检测块,当当前判断的检测块在所述多个级联分类器中最后一个级联分类器的第一输出值为0时,则放弃当前检测块,具体的,即当所述多个级联分类器中所有级联分类器都确定当前判断的检测块为含有车辆的检测块时,则确定当前判断的检测块为含有车辆的检测块,当所述多个级联分类器中某一个级联分类器当前判断的检测块为不含有车辆的检测块时,则放弃当前判断的检测块,所述级联分类器中其下一个级联分类器不再进行判断。
104、对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。
本实施例中,输出的所述目标车辆窗口信息为所述目标车辆窗口对应的车辆的位置、大小等信息,输出对象可以是车辆辅助驾驶系统等。
在本发明的一些实施例中,所述对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息,具体可以包括:
若所述车辆候选窗口中两个车辆候选窗口重叠面积超过设定阈值,确定所述两个车辆候选窗口为重叠窗口,并在所重叠窗口中去除置信度低的车辆候选窗口,得到第一目标车辆窗口,输出所述第一目标车辆窗口信息,同样的,输出的所述第一目标车辆窗口信息为所述第一目标车辆窗口对应的车辆的位置、大小等信息,输出对象可以是车辆辅助驾驶系统等。
具体的,可以是计算第一车辆候选窗口与第二车辆候选窗口重叠面积A,假设第二车辆候选窗口面积小于第一车辆候选窗口,第二车辆候选窗口面积为B,若A/B比例大于65%,则认为这两个车辆候选窗口重叠面积超过设定阈值,确定这两个车辆候选窗口为重叠窗口,则去掉置信度低的车辆候选窗口,直到没有任何两个车辆候选窗口的重叠面积超过设定阈值为止。
在本发明的另一些实施例中,所述对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息,具体可以包括:
若所述车辆候选窗口中两个车辆候选窗口重叠面积超过设定阈值,确定所述两个车辆候选窗口为重叠窗口,并在所重叠窗口中去除置信度低的车辆候选窗口,得到第一目标车辆窗口;
根据空间几何关系,在所述第一目标车辆窗口中,对空间位置明显错误的车辆候选窗口进行过滤,得到第二目标车辆窗口,输出所述第二目标车辆窗口信息,例如第二车辆窗口的高度明显远远高于现有车辆的高度的情况,这种车辆候选窗口可以直接进行过滤,同样的,输出的所述第二目标车辆窗口信息为所述第一目标车辆窗口对应的车辆的位置、大小等信息,输出对象可以是车辆辅助驾驶系统等。
本发明实施例中,获取目标图像的图像金字塔;根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块,利用预先训练好的级联分类器,确定所述多个检测块中含有车辆的检测块,对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。由于采用级联分类器对含有车辆的检测块进行多次检测,可有效提高车辆检测的准确率,同时本实施例中车辆检测方法算法简单,可以维持较快的检测速度。
上面介绍本发明实施例中车辆检测方法的实施例,下面介绍本发明实施例中车辆检测装置的实施例。
请参阅图2,本发明实施例中车辆检测装置200的一个实施例包括:
第一获取单元201,用于获取目标图像的图像金字塔;
第二获取单元202,用于根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块;
确定单元203,用于利用预先训练好的级联分类器,确定所述多个检测块中含有车辆的检测块,并将所述含有车辆的检测块标记为车辆候选窗口,记录每个所述车辆候选窗口的置信度;
输出单元204,用于对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。
本发明实施例中,第一获取单元201获取目标图像的图像金字塔;第二获取单元202根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块,确定单元203利用预先训练好的级联分类器,确定所述多个检测块中含有车辆的检测块,输出单元204对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。由于采用级联分类器对含有车辆的检测块进行多次检测,可有效提高车辆检测的准确率,同时本实施例中车辆检测方法算法简单,可以维持较快的检测速度。
在本发明一些实施例中,所述第一获取单元201具体用于获取目标图像,对所述目标图像进行聚合处理后进行多尺度缩放,形成由多幅图像构成的图像金字塔。
在本发明一些实施例中,所述第二获取单元202具体用于根据预设的步长在所述图像金字塔上依次从左到右或从上到下滑动检测窗口,形成多个与检测窗口大小相同的矩形检测块,其中,所述预设的步长小于检测窗口的长和宽。
在本发明一些实施例中,所述确定单元203具体用于预先对级联分类器中各分类器按照其在训练时的表现从高到低进行排序,所述表现是指分类器在训练时体现出来的分类性能;
分别将所述多个检测块的特征向量输入所述级联分类器中进行判断是否为含有车辆的检测块,若所述级联分类器第一个分类器中当前判断的检测块判断结果为含有车辆的检测块,则使用下一个分类器继续进行判断,直至所述级联分类器中最后一个分类器的判断结果仍为含有车辆的检测块,则确定当前判断的检测块为含有车辆的检测块;若当前判断的检测块判断结果为不含车辆的检测块,则放弃所述当前判断的检测块。
在本发明一些实施例中,所述输出单元204具体用于在所述车辆候选窗口中两个车辆候选窗口重叠面积超过设定阈值时,确定所述两个车辆候选窗口为重叠窗口,并在所重叠窗口中去除置信度低的车辆候选窗口,得到第一目标车辆窗口,输出所述第一目标车辆窗口信息。
在本发明一些实施例中,所述输出单元204具体用于在所述车辆候选窗口中两个车辆候选窗口重叠面积超过设定阈值时,确定所述两个车辆候选窗口为重叠窗口,并在所重叠窗口中去除置信度低的车辆候选窗口,得到第一目标车辆窗口;根据空间几何关系,在所述第一目标车辆窗口中,对空间位置明显错误的车辆候选窗口进行过滤,得到第二目标车辆窗口,输出所述第二目标车辆窗口信息。
上面从单元化功能实体的角度对本发明实施例中的车辆检测装置进行了描述,下面从硬件处理的角度对本发明实施例中的车辆检测装置进行描述,请参阅图3,本发明实施例中的车辆检测装置300包括:
输入装置301、输出装置302、处理器303和存储器304(其中处理器303的数量可以一个或多个,图3中以一个处理器303为例)。在本发明的一些实施例中,输入装置301、输出装置302、处理器303和存储器304可通过总线或其它方式连接,其中,图3中以通过总线连接为例。
本发明实施例涉及的车辆检测装置可以具有比图3所示出的更多或更少的部件,可以组合两个或更多个部件,或者可以具有不同的部件配置或设置,各个部件可以在包括一个或多个信号处理和/或专用集成电路在内的硬件、软件或硬件和软件的组合实现。
其中,通过调用存储器304存储的操作指令,处理器303用于执行如下步骤:
获取目标图像的图像金字塔;
根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块;
利用预先训练好的级联分类器,确定所述多个检测块中含有车辆的检测块,并将所述含有车辆的检测块标记为车辆候选窗口,记录每个所述车辆候选窗口的置信度;
对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。
在本发明一些实施例中,通过调用存储器304存储的操作指令,处理器303具体用于执行如下步骤:
获取目标图像,对所述目标图像进行聚合处理后进行多尺度缩放,形成由多幅图像构成的图像金字塔。
在本发明一些实施例中,通过调用存储器304存储的操作指令,处理器303具体用于执行如下步骤:
根据预设的步长在所述图像金字塔上依次从左到右或从上到下滑动检测窗口,形成多个与检测窗口大小相同的矩形检测块,其中,所述预设的步长小于检测窗口的长和宽。
在本发明一些实施例中,通过调用存储器304存储的操作指令,处理器303具体用于执行如下步骤:
预先对级联分类器中各分类器按照其在训练时的表现从高到低进行排序,所述表现是指分类器在训练时体现出来的分类性能;
分别将所述多个检测块的特征向量输入所述级联分类器中进行判断是否为含有车辆的检测块,若所述级联分类器第一个分类器中当前判断的检测块判断结果为含有车辆的检测块,则使用下一个分类器继续进行判断,直至所述级联分类器中最后一个分类器的判断结果仍为含有车辆的检测块,则确定当前判断的检测块为含有车辆的检测块;若当前判断的检测块判断结果为不含车辆的检测块,则放弃所述当前判断的检测块。
在本发明一些实施例中,通过调用存储器304存储的操作指令,处理器303具体用于执行如下步骤:
若所述车辆候选窗口中两个车辆候选窗口重叠面积超过设定阈值,确定所述两个车辆候选窗口为重叠窗口,并在所重叠窗口中去除置信度低的车辆候选窗口,得到第一目标车辆窗口,输出所述第一目标车辆窗口信息。
在本发明一些实施例中,通过调用存储器304存储的操作指令,处理器303具体用于执行如下步骤:
若所述车辆候选窗口中两个车辆候选窗口重叠面积超过设定阈值,确定所述两个车辆候选窗口为重叠窗口,并在所重叠窗口中去除置信度低的车辆候选窗口,得到第一目标车辆窗口;
根据空间几何关系,在所述第一目标车辆窗口中,对空间位置明显错误的车辆候选窗口进行过滤,得到第二目标车辆窗口,输出所述第二目标车辆窗口信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种车辆检测方法,其特征在于,包括:
获取目标图像的图像金字塔;
根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块;
利用预先训练好的多个级联分类器,确定所述多个检测块中含有车辆的检测块,并将所述含有车辆的检测块标记为车辆候选窗口,记录每个所述车辆候选窗口的置信度;
对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。
2.根据权利要求1所述的方法,其特征在于,
所述获取目标图像的图像金字塔,包括:
获取目标图像,对所述目标图像进行聚合处理后进行多尺度缩放,形成由多幅图像构成的图像金字塔。
3.根据权利要求1或2所述的方法,其特征在于,
所述根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块,包括:
根据预设的步长在所述图像金字塔上依次从左到右或从上到下滑动检测窗口,形成多个与检测窗口大小相同的矩形检测块,其中,所述预设的步长小于检测窗口的长和宽。
4.根据权利要求1或2所述的方法,其特征在于,
所述利用预先训练好的多个级联分类器,确定所述多个检测块中含有车辆的检测块,包括:
预先对多个级联分类器中各级联分类器按照其在训练时的表现从高到低进行排序,所述表现是指级联分类器在训练时体现出来的分类性能;
分别将所述多个检测块的特征向量输入所述多个级联分类器中进行判断是否为含有车辆的检测块,若所述多个级联分类器第一个级联分类器中当前判断的检测块判断结果为含有车辆的检测块,则使用下一个级联分类器继续进行判断,直至所述多个级联分类器中最后一个级联分类器的判断结果仍为含有车辆的检测块,则确定当前判断的检测块为含有车辆的检测块;若当前判断的检测块判断结果为不含车辆的检测块,则放弃所述当前判断的检测块。
5.根据权利要求4所述的方法,其特征在于,
所述对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息,包括:
若所述车辆候选窗口中两个车辆候选窗口重叠面积超过设定阈值,确定所述两个车辆候选窗口为重叠窗口,并在所重叠窗口中去除置信度低的车辆候选窗口,得到第一目标车辆窗口,输出所述第一目标车辆窗口信息。
6.根据权利要求4所述的方法,其特征在于,
所述对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息,还包括:
若所述车辆候选窗口中两个车辆候选窗口重叠面积超过设定阈值,确定所述两个车辆候选窗口为重叠窗口,并在所重叠窗口中去除置信度低的车辆候选窗口,得到第一目标车辆窗口;
根据空间几何关系,在所述第一目标车辆窗口中,对空间位置明显错误的车辆候选窗口进行过滤,得到第二目标车辆窗口,输出所述第二目标车辆窗口信息。
7.一种车辆检测装置,其特征在于,包括:
第一获取单元,用于获取目标图像的图像金字塔;
第二获取单元,用于根据预设的步长在所述图像金字塔上滑动检测窗口,获得多个检测块;
确定单元,用于利用预先训练好的多个级联分类器,确定所述多个检测块中含有车辆的检测块,并将所述含有车辆的检测块标记为车辆候选窗口,记录每个所述车辆候选窗口的置信度;
输出单元,用于对所述车辆候选窗口进行过滤,确定目标车辆窗口,输出所述目标车辆窗口信息。
8.根据权利要求7所述的装置,其特征在于,
所述第一获取单元具体用于获取目标图像,对所述目标图像进行聚合处理后进行多尺度缩放,形成由多幅图像构成的图像金字塔。
9.根据权利要求7或8所述的装置,其特征在于,
所述第二获取单元具体用于根据预设的步长在所述图像金字塔上依次从左到右或从上到下滑动检测窗口,形成多个与检测窗口大小相同的矩形检测块,其中,所述预设的步长小于检测窗口的长和宽。
10.根据权利要求7或8所述的装置,其特征在于,
所述确定单元具体用于预先对多个级联分类器中各级联分类器按照其在训练时的表现从高到低进行排序,所述表现是指级联分类器在训练时体现出来的分类性能;
分别将所述多个检测块的特征向量输入所述多个级联分类器中进行判断是否为含有车辆的检测块,若所述多个级联分类器第一个级联分类器中当前判断的检测块判断结果为含有车辆的检测块,则使用下一个级联分类器继续进行判断,直至所述多个级联分类器中最后一个级联分类器的判断结果仍为含有车辆的检测块,则确定当前判断的检测块为含有车辆的检测块;若当前判断的检测块判断结果为不含车辆的检测块,则放弃所述当前判断的检测块。
11.根据权利要求10所述的装置,其特征在于,
所述输出单元具体用于在所述车辆候选窗口中两个车辆候选窗口重叠面积超过设定阈值时,确定所述两个车辆候选窗口为重叠窗口,并在所重叠窗口中去除置信度低的车辆候选窗口,得到第一目标车辆窗口,输出所述第一目标车辆窗口信息。
12.根据权利要求10所述的装置,其特征在于,
所述输出单元具体用于在所述车辆候选窗口中两个车辆候选窗口重叠面积超过设定阈值时,确定所述两个车辆候选窗口为重叠窗口,并在所重叠窗口中去除置信度低的车辆候选窗口,得到第一目标车辆窗口;根据空间几何关系,在所述第一目标车辆窗口中,对空间位置明显错误的车辆候选窗口进行过滤,得到第二目标车辆窗口,输出所述第二目标车辆窗口信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510648221.4A CN106570439B (zh) | 2015-10-09 | 2015-10-09 | 一种车辆检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510648221.4A CN106570439B (zh) | 2015-10-09 | 2015-10-09 | 一种车辆检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106570439A true CN106570439A (zh) | 2017-04-19 |
CN106570439B CN106570439B (zh) | 2020-06-19 |
Family
ID=58507500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510648221.4A Active CN106570439B (zh) | 2015-10-09 | 2015-10-09 | 一种车辆检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106570439B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107392176A (zh) * | 2017-08-10 | 2017-11-24 | 华南理工大学 | 一种基于kmeans的高效车辆检测方法 |
CN107463896A (zh) * | 2017-07-30 | 2017-12-12 | 合肥徽工工业自动化工程有限公司 | 一种应用于自动化系统的图像物体检测方法 |
CN109086657A (zh) * | 2018-06-08 | 2018-12-25 | 华南理工大学 | 一种基于机器学习的耳朵检测方法、系统及模型 |
CN109948582A (zh) * | 2019-03-28 | 2019-06-28 | 湖南大学 | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 |
CN110674690A (zh) * | 2019-08-21 | 2020-01-10 | 成都华为技术有限公司 | 检测方法、检测装置与检测设备 |
CN110856206A (zh) * | 2018-08-20 | 2020-02-28 | 富士通株式会社 | 干扰识别方法、装置和终端设备 |
CN112241004A (zh) * | 2019-07-17 | 2021-01-19 | 丰田自动车株式会社 | 物体识别装置 |
CN112396832A (zh) * | 2020-11-03 | 2021-02-23 | 广州小鹏汽车科技有限公司 | 一种车辆数据处理方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120027258A1 (en) * | 2009-04-23 | 2012-02-02 | Naohide Uchida | Object detection device |
CN103886308A (zh) * | 2014-04-15 | 2014-06-25 | 中南大学 | 一种使用聚合通道特征和软级联分类器的行人检测方法 |
CN104050477A (zh) * | 2014-06-27 | 2014-09-17 | 西北工业大学 | 基于道路辅助信息和显著性检测的红外图像车辆检测方法 |
US20150077237A1 (en) * | 2013-09-17 | 2015-03-19 | Toyota Motor Engineering & Manufacturing North America, Inc. | Interactive vehicle window display system with a safe driving reminder system |
CN104751190A (zh) * | 2015-04-23 | 2015-07-01 | 武汉大学 | 一种面向车辆精细识别的车辆部件定位方法 |
-
2015
- 2015-10-09 CN CN201510648221.4A patent/CN106570439B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120027258A1 (en) * | 2009-04-23 | 2012-02-02 | Naohide Uchida | Object detection device |
US20150077237A1 (en) * | 2013-09-17 | 2015-03-19 | Toyota Motor Engineering & Manufacturing North America, Inc. | Interactive vehicle window display system with a safe driving reminder system |
CN103886308A (zh) * | 2014-04-15 | 2014-06-25 | 中南大学 | 一种使用聚合通道特征和软级联分类器的行人检测方法 |
CN104050477A (zh) * | 2014-06-27 | 2014-09-17 | 西北工业大学 | 基于道路辅助信息和显著性检测的红外图像车辆检测方法 |
CN104751190A (zh) * | 2015-04-23 | 2015-07-01 | 武汉大学 | 一种面向车辆精细识别的车辆部件定位方法 |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107463896A (zh) * | 2017-07-30 | 2017-12-12 | 合肥徽工工业自动化工程有限公司 | 一种应用于自动化系统的图像物体检测方法 |
CN107392176A (zh) * | 2017-08-10 | 2017-11-24 | 华南理工大学 | 一种基于kmeans的高效车辆检测方法 |
CN107392176B (zh) * | 2017-08-10 | 2020-05-22 | 华南理工大学 | 一种基于kmeans的高效车辆检测方法 |
CN109086657A (zh) * | 2018-06-08 | 2018-12-25 | 华南理工大学 | 一种基于机器学习的耳朵检测方法、系统及模型 |
CN110856206A (zh) * | 2018-08-20 | 2020-02-28 | 富士通株式会社 | 干扰识别方法、装置和终端设备 |
CN109948582A (zh) * | 2019-03-28 | 2019-06-28 | 湖南大学 | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 |
CN109948582B (zh) * | 2019-03-28 | 2021-03-02 | 湖南大学 | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 |
CN112241004A (zh) * | 2019-07-17 | 2021-01-19 | 丰田自动车株式会社 | 物体识别装置 |
CN112241004B (zh) * | 2019-07-17 | 2024-05-10 | 丰田自动车株式会社 | 物体识别装置 |
CN110674690A (zh) * | 2019-08-21 | 2020-01-10 | 成都华为技术有限公司 | 检测方法、检测装置与检测设备 |
CN110674690B (zh) * | 2019-08-21 | 2022-06-14 | 成都华为技术有限公司 | 检测方法、检测装置与检测设备 |
CN112396832A (zh) * | 2020-11-03 | 2021-02-23 | 广州小鹏汽车科技有限公司 | 一种车辆数据处理方法和装置 |
CN112396832B (zh) * | 2020-11-03 | 2022-05-13 | 广州小鹏汽车科技有限公司 | 一种车辆数据处理方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106570439B (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106570439A (zh) | 一种车辆检测方法及装置 | |
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN109918969B (zh) | 人脸检测方法及装置、计算机装置和计算机可读存储介质 | |
Conaire et al. | Detector adaptation by maximising agreement between independent data sources | |
US8379961B2 (en) | Mitotic figure detector and counter system and method for detecting and counting mitotic figures | |
CN103093212B (zh) | 基于人脸检测和跟踪截取人脸图像的方法和装置 | |
CN107688784A (zh) | 一种基于深层特征和浅层特征融合的字符识别方法及存储介质 | |
CN105678813A (zh) | 一种肤色检测方法及装置 | |
US11348238B2 (en) | Method and system for training a separation of overlapping chromosome recognition model based on simulation | |
CN108921083A (zh) | 基于深度学习目标检测的非法流动摊贩识别方法 | |
CN107808126A (zh) | 车辆检索方法及装置 | |
CN105426903A (zh) | 一种遥感卫星图像的云判方法及系统 | |
CN111507371A (zh) | 方法和装置 | |
Dawar et al. | Continuous detection and recognition of actions of interest among actions of non-interest using a depth camera | |
CN107871314A (zh) | 一种敏感图像鉴别方法和装置 | |
CN109919149A (zh) | 基于物体检测模型的物体标注方法及相关设备 | |
Liu et al. | Multi-type road marking recognition using adaboost detection and extreme learning machine classification | |
CN106780727A (zh) | 一种车头检测模型重建方法及装置 | |
CN108288061A (zh) | 一种基于mser快速在自然场景中定位倾斜文本的方法 | |
CN106682691A (zh) | 基于图像的目标检测方法及装置 | |
CN112488220B (zh) | 一种基于深度学习的小目标检测方法 | |
JP5759124B2 (ja) | カメラ・システムから得られた画像の中のオブジェクトを分析するためのコンピュータ化方法及びシステム | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
KR101584091B1 (ko) | 공유 지역 특징을 이용한 다시점 객체 검출 방법 | |
JP4749884B2 (ja) | 顔判別装置の学習方法、顔判別方法および装置並びにプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |