CN108133231A - 一种尺度自适应的实时车辆检测方法 - Google Patents

Abstract

本发明公开了一种尺度自适应的实时车辆检测方法，属于模式识别领域。该方法首先通过人工选取车辆及非车辆的图片，并分别标记为正、负样本；然后将任意一个正负样本用Haar特征进行表征，生成Haar特征向量H_i，采用Adaboost算法对H_i进行训练，即可训练得到车辆分类器C；接着通过图像采集装置采集车辆前方的图像，通过分类器C的反馈值调整检测区域范围，实现尺度自适应检测；最后通过对检测窗口进行尺度自适应变化及轮询遍历后，检测出一幅感兴趣区域图像中所有存在车辆。本发明减少了检测窗口的搜索次数，提高了车辆检测算法的实时性并保证准确率。

Description

一种尺度自适应的实时车辆检测方法

技术领域

本发明属于模式识别领域，具体涉及一种尺度自适应的实时车辆检测方法。

背景技术

伴随着城市化的进展和汽车的普及，交通事故的发生剧增，造成了大量的人员伤害和经济损失。如何保障好车辆在公路上的安全、快速的行驶，避免追尾等交通事故的发生，成为汽车领域的重要课题。而传统的被动安全已经远远不能避免交通的事故发生，汽车主动安全的概念应运而生，而道路上的前车检测已成为汽车主动安全技术研究的一个热点。视觉传感由于具有信息量大、成本低廉的特点，在汽车主动安全领域有着广泛的应用。

车辆检测技术是指利用图像传感手段对图像中的车辆搜寻和判定，获得图像中车辆的多种属性(如位置、速度、形状、外观)的过程。它是汽车主动安全领域，尤其是实现追尾预警(Forward Collision Warning，FCW)以及自动紧急刹车(Automatic EmergencyBraking，AEB)功能的关键技术之一。

目前，基于Adaboost的车辆检测方法较为成熟。但是，由于算法耗时相对较长，使得车辆检测效率不足，导致无法满足产业化需求。因此，如何提高车辆检测算法的准确性、鲁棒性和实时性，提高车辆检测效率一直是亟待解决的问题。

通过研究，发现检测窗口的搜索次数过多是造成检测效率低下的一个重要原因。基于此，本发明提出了一种尺度自适应的目标检测算法，目的是减少检测窗口的搜索次数，以提高车辆检测算法的实时性并保证准确率。

发明内容

本发明的目的在于提供一种尺度自适应的实时车辆检测方法，通过对ROI区域内的首次车辆检测的输出结果迭代更新下一次检测时的检测窗口位置，从而减少检测窗口的搜索次数，提升检测速度。该方法检测的准度高，实时性好，具有工程实用价值。

本发明详细技术方案如下：

一种尺度自适应的实时车辆检测方法，包括以下步骤：

步骤1，人工选取车辆及非车辆的图片，并分别标记为正、负样本；

步骤2，将任意一个正负样本S_i用Haar特征进行表征，生成Haar特征向量H_i，

i＝1,2,...,n；

步骤2-1，选取Haar特征；

步骤2-2，不同类型、尺度和位置的Haar特征计算数值构成了某个样本的一个多维Haar特征列向量H_i，i＝1,2,...,n；

步骤3，采用Adaboost算法对Haar特征向量H_i进行训练，即可训练得到车辆分类器C；

步骤4，通过图像采集装置采集车辆前方的图像；

步骤5，通过分类器C的反馈值调整检测区域范围，实现尺度自适应检测；

步骤5-1，初始感兴趣区域ROI提取，初始感兴趣区域ROI的取值范围由图像采集装置的安装角度确定；

步骤5-2，检测窗口的起始位置选在初始感兴趣区域ROI的左上角处，以该位置作为首次检测车辆的位置；

步骤5-3，用分类器C检测检测窗口所在位置的图片，输出对应的返回值i，i为该图片未通过分类器时所对应的分类器被排除的层数；

步骤5-4，根据分类器被排除的层数i，为检测窗口自适应选取后续检测的位置；

步骤5-5，在对初始感兴趣区域ROI从左上角到右下角按步骤5-2至5-4遍历完一遍后，将检测窗口乘以比例系数k，进行下一次的遍历；

步骤6，通过对步骤5中的检测窗口进行尺度自适应变化及轮询遍历后，检测出一幅感兴趣区域ROI图像中所有存在车辆。

进一步，所述步骤4中图像采集装置为CCD摄像机或CMOS摄像机。

进一步，所述步骤5-4中检测窗口检测的位置确定公式为：

其中：(X,Y,X',Y')为忽略的检测范围，即检测窗口不会完全在这区间内，且满足X≥0，Y≥0，X′≤img_width，Y′≤img_height，img_width、img_height分别表示图像B的宽度和高度；(x_LT,y_LT,x_RD,y_RD)为检测窗口的位置，x_LT,y_LT表示检测窗口左上角的横纵坐标，x_RD,y_RD表示检测窗口右下角的横纵坐标；L为分类器C的总级数。

本发明的有益效果为：

本发明提出了一种尺度自适应的实时车辆检测方法，该方法通过分类器的输出结果自适应的调整下一检测窗口的位置，实现车辆的实时检测和定位，极大地减少了搜索次数，提高了车辆检测的速度并保证了准确率和鲁棒性。

附图说明

图1为本发明实施方案流程图；

图2为本发明选取的10类Haar特征示意图；

图3为本发明ROI区域及检测窗口与忽略范围图；

图4为车辆检测分类器级联结构示意图。

具体实施方式

下面将结合说明书附图对本发明作进一步的说明。

为使本发明便于理解，对以下几个概念进行说明：

感兴趣区(ROI：Reign of Interest)：在图像处理领域，感兴趣区域(ROI)是指从图像中选择的一个局部图像区域，这个区域是图像分析所关注的重点。确定该区域以便进行进一步处理。使用ROI往往可以减少处理时间，增加精度。

步长：即为检测窗口移动的像素个数。

如图1所示，一种尺度自适应的实时车辆检测方法，包括步骤：

步骤1：通过人工选取出大量的车辆及非车辆的图片，分别标记为正负样本，并将所有正负样本都归一化到24x24像素的尺寸。设正负样本数共为n。

步骤2：将任意一个正负样本S_i用Haar特征进行表征，生成Haar特征向量H_i(i＝1,2,...,n)：

步骤2-1：选取如图2所示的10类Haar特征；

步骤2-2：不同类型、尺度和位置的Haar特征计算数值就构成了某个样本的一个多维Haar特征列向量H_i(i＝1,2,...,n)。

步骤3：分类器训练：采用Adaboost算法对步骤2中生成的Haar特征向量H_i进行训练，即可训练得到车辆分类器C。

步骤4：图像采集：将图像采集装置(CCD或CMOS摄像机)安装于车辆后视镜下方，调整CMOS摄像机的位置和姿态，以获得本车前方视野合适、画面清晰的图像；CMOS摄像机采集的车辆前方的图像，记为图像A(图3)。

步骤5：自适应尺度检测窗口检测：

步骤5-1：初始感兴趣区域(ROI)提取，由于图像A中上三分之一部分为天空、树木、标识牌或建筑物等干扰信息，而前方车辆只会处于图像A的下三分之二部分，因此选定图像A的下三分之二部分作为初始感兴趣区域以减少后续计算量，将该初始ROI区域图像记为图像B，如图3所示；ROI的取值范围仅为本实施例的合适比例，其余情况下的比例参数视摄像机的安装角度而定；

步骤5-2：检测窗口的起始位置选在图像B的左上角(0，0，win_size，win_size)处，以该位置作为首次检测车辆的位置；为下面叙述方便，将检测窗口的位置统一表示成(x_LT,y_LT,x_RD,y_RD)，其中：x_LT,y_LT表示检测窗口左上角的横纵坐标，x_RD,y_RD表示检测窗口右下角的横纵坐标，win_size的初始值设为24；

步骤5-3：设车辆分类器C共有L级，其结构示意图如图4所示，对于任意位置的检测窗口(x_LT,y_LT,x_RD,y_RD)，将该窗口内的图片用Haar特征向量H_i表征，然后将向量H_i输入到步骤3得到的分类器C中，如果分类器C输出待判断图片为车辆，为了能更好的把握该图片周边细致特征，将检测窗口以较小步长每次一个像素按照自左而右自上而下的顺序进行移动；若该图片在分类器C的某一级被认定为非车辆，则分类器记录下该级的层数，记为i，进入下一步的迭代；

步骤5-4：在步骤5-3中，若某一检测窗口内的待检图片在前级被排除，则该检测窗口周边的5个像素范围予以忽略，如图3所示的忽略区域，不参与后期的检测，同时检测窗口向右移动6个像素；同理，若某一检测窗口内的待检图片在前级被排除，则该检测窗口周边的4个像素范围予以忽略，同时检测窗口向右移动5个像素；若某一检测窗口内的待检图片在前级被排除，则该检测窗口周边的3个像素范围予以忽略，同时检测窗口向右移动4个像素；若某一检测窗口内的待检图片在最后级被排除，则该检测窗口周边的2个像素范围予以忽略，同时检测窗口向右移动3个像素，其计算公式如下：

其中：(X,Y,X',Y')为忽略的检测范围，即检测窗口不会完全在这区间内，且满足X≥0，Y≥0，X′≤img_width，Y′≤img_height，img_width、img_height分别表示图像B的宽度和高度；

步骤5-5：在对图像B从左上角到右下角按步骤5-2-5-4遍历完一遍后，将检测窗口乘以比例系数k，使之尺寸变为win_size*k(结果取整数)，重复步骤5-2-5-4，直到检测窗口大于图像B的宽度或高度的一半后停止遍历。

步骤6：通过对步骤5中的检测窗口进行尺度自适应变化及轮询遍历后，检测出一幅ROI图像中所有存在车辆。

步骤1至步骤6即对传统Adaboost算法改进后，通过检测窗口的尺度自适应变化，实现实时车辆检测的全部过程。

采用上述方法，首先使用C++语言编写尺度自适应车辆检测软件；然后将摄像机安装在汽车上(内部和外部皆可)，并在车辆行驶过程中对前方图像进行采集；随后，把拍摄到的原始图像(640x480)输入到车辆检测软件中进行处理；实验共采集多种工况下约50小时的视频，检测的正确率为93％，平均每帧处理时间约为40ms，运行环境为WinXP，CPU的主频为2.4GHz。

综上所述，本发明充分利用传统车辆检测算法中检测窗口搜索次数过多的缺点，采用自适应尺度范围变化的实时车辆检测策略，从而实现了准确、实时的从所提供的输入源图像中检测出车辆的方法。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种尺度自适应的实时车辆检测方法，其特征在于，包括以下步骤：

步骤1，人工选取车辆及非车辆的图片，并分别标记为正、负样本；

步骤2，将任意一个正负样本S_i用Haar特征进行表征，生成Haar特征向量H_i，i＝1,2,...,n；

步骤3，采用Adaboost算法对Haar特征向量H_i进行训练，即可训练得到车辆分类器C；

步骤4，通过图像采集装置采集车辆前方的图像；

步骤5，通过分类器C的反馈值调整检测区域范围，实现尺度自适应检测；

步骤6，通过对步骤5中的检测窗口进行尺度自适应变化及轮询遍历后，检测出一幅感兴趣区域ROI图像中所有存在车辆。

2.根据权利要求1所述的一种尺度自适应的实时车辆检测方法，其特征在于，所述步骤2具体为：

步骤2-1，选取Haar特征；

步骤2-2，不同类型、尺度和位置的Haar特征计算数值构成了某个样本的一个多维Haar特征列向量H_i，i＝1,2,...,n。

3.根据权利要求1所述的一种尺度自适应的实时车辆检测方法，其特征在于，所述步骤4中图像采集装置为CCD摄像机。

4.根据权利要求1所述的一种尺度自适应的实时车辆检测方法，其特征在于，所述步骤4中图像采集装置为CMOS摄像机。

5.根据权利要求1所述的一种尺度自适应的实时车辆检测方法，其特征在于，所述步骤5具体为：

步骤5-1，初始感兴趣区域ROI提取；

步骤5-2，检测窗口的起始位置选在初始感兴趣区域ROI的左上角处，以该位置作为首次检测车辆的位置；

步骤5-3，用分类器C检测检测窗口所在位置的图片，输出对应的返回值i，i为该图片未通过分类器时所对应的分类器被排除的层数；

步骤5-4，根据分类器被排除的层数i，为检测窗口自适应选取后续检测的位置；

步骤5-5，在对初始感兴趣区域ROI从左上角到右下角按步骤5-2至5-4遍历完一遍后，将检测窗口乘以比例系数k，进行下一次的遍历。

6.根据权利要求5所述的一种尺度自适应的实时车辆检测方法，其特征在于，所述步骤5-1中初始感兴趣区域ROI的取值范围由图像采集装置的安装角度确定。

7.根据权利要求5所述的一种尺度自适应的实时车辆检测方法，其特征在于，所述步骤5-4中检测窗口检测的位置确定公式为：

其中：(X,Y,X',Y')为忽略的检测范围，即检测窗口不会完全在这区间内，且满足X≥0，Y≥0，X′≤img_width，Y′≤img_height，img_width、img_height分别表示图像B的宽度和高度；(x_LT,y_LT,x_RD,y_RD)为检测窗口的位置，x_LT,y_LT表示检测窗口左上角的横纵坐标，x_RD,y_RD表示检测窗口右下角的横纵坐标；L为分类器C的总级数。