CN108256386A - 自适应特征选择的夜间车辆检测方法 - Google Patents

自适应特征选择的夜间车辆检测方法 Download PDF

Info

Publication number
CN108256386A
CN108256386A CN201611235591.6A CN201611235591A CN108256386A CN 108256386 A CN108256386 A CN 108256386A CN 201611235591 A CN201611235591 A CN 201611235591A CN 108256386 A CN108256386 A CN 108256386A
Authority
CN
China
Prior art keywords
night
image
vehicle
feature
fuzzy
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.)
Withdrawn
Application number
CN201611235591.6A
Other languages
English (en)
Inventor
不公告发明人
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanning Haofa Technology Co Ltd
Original Assignee
Nanning Haofa Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanning Haofa Technology Co Ltd filed Critical Nanning Haofa Technology Co Ltd
Priority to CN201611235591.6A priority Critical patent/CN108256386A/zh
Publication of CN108256386A publication Critical patent/CN108256386A/zh
Withdrawn legal-status Critical Current

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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
    • G06V20/584—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads of vehicle lights or traffic lights
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
    • G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种自适应特征选择的夜间车辆检测方法，包括以下步骤：S1：采集夜间车辆视频图像，并对图像进行预处理；S2：提取车辆的颜色特征、纹理特征和形状特征，融合颜色、纹理和形1状特征，得到夜间运动车辆的特征向量；S3：利用Boosting算法和遗传算法设计的Boosting模糊分类器对输入样本进行训练，且每轮训练都通过遗传算法以迭代的方式获取一条模糊规则对应的权值，自适应选择特征；S4：采用Boosting方法以加权投票方式自适应选择对检测最有利的特征，实现夜间运动车辆的检测。

Description

自适应特征选择的夜间车辆检测方法
技术领域
本发明涉及一种自适应特征选择的夜间车辆检测方法。
背景技术
车辆检测是智能交通管理系统的重要组成部分，随着计算机视觉技术的发展，基于视频的车辆检测技术由于其成本低廉、安装及维护便利，已经成为交通运输领域的研究热点并得到广泛的应用。然而，由于夜晚交通场景光照条件复杂等特殊性，使得夜间交通视频图像中运动车辆本身可分辨信息量少，光照亮度变化大，车辆灯光有明显光晕，梯度信息不明显，目标提取困难，车辆检测误检率和漏检率高。大部分交通视频检测算法的研究都集中在白天，背景削减和帧间差分等许多适用于白天的视频检测算法，并不适应夜间环境。夜间环境车辆检测一直是视频车辆检测技术的难点。
发明内容
本发明要解决的技术问题是提供了一种自适应特征选择的夜间车辆检测方法。
自适应特征选择的夜间车辆检测方法，包括以下步骤：
S1：采集夜间车辆视频图像，并对图像进行预处理；
S2：提取车辆的颜色特征、纹理特征和形状特征，融合颜色、纹理和形1状特征，得到夜间运动车辆的特征向量；
S3：利用Boosting算法和遗传算法设计的Boosting模糊分类器对输入样本进行训练，且每轮训练都通过遗传算法以迭代的方式获取一条模糊规则对应的权值，自适应选择特征；
S4：采用Boosting方法以加权投票方式自适应选择对检测最有利的特征，实现夜间运动车辆的检测。
进一步的，所述颜色特征的提取方法如下：
图像HSV颜色特征信息为，其中，为权重，即量化级数，取,则L=16H+4S+V，，得到图像的颜色特征。
进一步的，纹理特征的提取方法如下：
设I(x,y)为图像函数，分别为中心处及邻域内各像素点的灰度值，定义符号函数为：
则图像像素点在m*m邻域内的灰度变化即LBP纹理算子计算公式为：
。
进一步的，所述形状特征的提取方法如下：
1）采用高斯金字塔检测图像局部极值点，设I(x,y)为输入图像，为图像尺度空间，为可变尺度的高斯函数，则图像局部极值为
；
2）图像局部极值点的精确定位，通过拟合三维二次函数精确定位图像局部极值点的位置和尺度，并去除对比度低的局部极值点和不稳定的边缘响应点，筛选出稳定的特征点；
3）图像局部极值点主方向的分配，通过统计以极值点为中心的一个邻域内所有点的梯度方向直方图来计算特征点的主方向，即
；
4）生成SIFT特征向量，将每个特征点的16个4*4的子区域，计算每一个子区域内8个方向的梯度并构成梯度直方图，得到4*4*8共128维的SIFT特征向量，归一化该特征向量。
进一步的，所述Boosting模糊分类器的分类方法如下：
1）设训练样本集为，给每个样本赋相等的初始权值；
2）对训练样本进行T轮训练(For 1 to T Do)，获取T条模糊规则；
2-1）找出最大适应度F所对应的模糊规则Ri,利用遗传算法计算：
当F1越大且F2越小时，则适应度F最大，其对应的模糊规则Ri即为所求；
2-2）在不改变当前样本分布的条件下，计算满足适应度F最大的模糊规则Ri对应的分类错误率e(Ri)及模糊规则Ri对应的权值ht：
；
2-3）根据错误率更新样本的权值Di，设zt是归一化因子，则
2-4)由模糊分类器对未知样本进行分类判别，得到其类别为：
；
2-5）为使训练样本的分类错误最小，每条模糊规则的参数均采用遗传算法来确定，设k个训练样本，其中，表示第i个训练样本的类别，定义适应度函数为：
其中：Dk表示第k个训练样本的对应权值；F1表示类别相同的所有样本第t条模糊规则被激活的程度；F2表示类别不同的所有样本第t条模糊规则被激活的程度；kmax取0.5。
本发明的有益效果是：
本发明融合了多种特征，不需要背景先验知识，采用Boosting方法对夜间交通场景的照度和对比度低的变化自适应地选择检测最有利的特征，实时、准确地检测夜间运动车辆，算法复杂度低，具有较高的识别率和很强的鲁棒性，能够满足高速公路和城市道路等多种道路夜间环境下的实时检测要求。
具体实施方式
以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。
自适应特征选择的夜间车辆检测方法，包括以下步骤：
S1：采集夜间车辆视频图像，并对图像进行预处理；
S2：提取车辆的颜色特征、纹理特征和形状特征，融合颜色、纹理和形1状特征，得到夜间运动车辆的特征向量；
S3：利用Boosting算法和遗传算法设计的Boosting模糊分类器对输入样本进行训练，且每轮训练都通过遗传算法以迭代的方式获取一条模糊规则对应的权值，自适应选择特征；
S4：采用Boosting方法以加权投票方式自适应选择对检测最有利的特征，实现夜间运动车辆的检测。
所述颜色特征的提取方法如下：
图像HSV颜色特征信息为，其中，为权重，即量化级数，取,则L=16H+4S+V，，得到图像的颜色特征。
纹理特征的提取方法如下：
设I(x,y)为图像函数，分别为中心处及邻域内各像素点的灰度值，定义符号函数为：
则图像像素点在m*m邻域内的灰度变化即LBP纹理算子计算公式为：
。
所述形状特征的提取方法如下：
1）采用高斯金字塔检测图像局部极值点，设I(x,y)为输入图像，为图像尺度空间，为可变尺度的高斯函数，则图像局部极值为
；
2）图像局部极值点的精确定位，通过拟合三维二次函数精确定位图像局部极值点的位置和尺度，并去除对比度低的局部极值点和不稳定的边缘响应点，筛选出稳定的特征点；
3）图像局部极值点主方向的分配，通过统计以极值点为中心的一个邻域内所有点的梯度方向直方图来计算特征点的主方向，即
；
4）生成SIFT特征向量，将每个特征点的16个4*4的子区域，计算每一个子区域内8个方向的梯度并构成梯度直方图，得到4*4*8共128维的SIFT特征向量，归一化该特征向量。
所述Boosting模糊分类器的分类方法如下：
1）设训练样本集为，给每个样本赋相等的初始权值；
2）对训练样本进行T轮训练(For 1 to T Do)，获取T条模糊规则；
2-1）找出最大适应度F所对应的模糊规则Ri,利用遗传算法计算：
当F1越大且F2越小时，则适应度F最大，其对应的模糊规则Ri即为所求；
2-2）在不改变当前样本分布的条件下，计算满足适应度F最大的模糊规则Ri对应的分类错误率e(Ri)及模糊规则Ri对应的权值ht：
；
2-3）根据错误率更新样本的权值Di，设zt是归一化因子，则
2-4)由模糊分类器对未知样本进行分类判别，得到其类别为：
；
2-5）为使训练样本的分类错误最小，每条模糊规则的参数均采用遗传算法来确定，设k个训练样本，其中，表示第i个训练样本的类别，定义适应度函数为：
其中：Dk表示第k个训练样本的对应权值；F1表示类别相同的所有样本第t条模糊规则被激活的程度；F2表示类别不同的所有样本第t条模糊规则被激活的程度；kmax取0.5。

Claims (5)

1.自适应特征选择的夜间车辆检测方法，其特征在于，包括以下步骤：
S1：采集夜间车辆视频图像，并对图像进行预处理；
S2：提取车辆的颜色特征、纹理特征和形状特征，融合颜色、纹理和形状特征，得到夜间运动车辆的特征向量；
S3：利用Boosting算法和遗传算法设计的Boosting模糊分类器对输入样本进行训练，且每轮训练都通过遗传算法以迭代的方式获取一条模糊规则对应的权值，自适应选择特征；
S4：采用Boosting方法以加权投票方式自适应选择对检测最有利的特征，实现夜间运动车辆的检测。
2.根据权利要求1所述的自适应特征选择的夜间车辆检测方法，其特征在于，所述颜色特征的提取方法如下：
图像HSV颜色特征信息为，其中，为权重，即量化级数，取,则L=16H+4S+V，，得到图像的颜色特征。
3.根据权利要求1所述的自适应特征选择的夜间车辆检测方法，其特征在于，纹理特征的提取方法如下：
设I(x,y)为图像函数，分别为中心处及邻域内各像素点的灰度值，定义符号函数为：
则图像像素点在m*m邻域内的灰度变化即LBP纹理算子计算公式为：
。
4.根据权利要求1所述的自适应特征选择的夜间车辆检测方法，其特征在于，所述形状特征的提取方法如下：
1）采用高斯金字塔检测图像局部极值点，设I(x,y)为输入图像，为图像尺度空间，为可变尺度的高斯函数，则图像局部极值为
；
2）图像局部极值点的精确定位，通过拟合三维二次函数精确定位图像局部极值点的位置和尺度，并去除对比度低的局部极值点和不稳定的边缘响应点，筛选出稳定的特征点；
3）图像局部极值点主方向的分配，通过统计以极值点为中心的一个邻域内所有点的梯度方向直方图来计算特征点的主方向，即
；
4）生成SIFT特征向量，将每个特征点的16个4*4的子区域，计算每一个子区域内8个方向的梯度并构成梯度直方图，得到4*4*8共128维的SIFT特征向量，归一化该特征向量。
5.根据权利要求1所述的自适应特征选择的夜间车辆检测方法，其特征在于，所述Boosting模糊分类器的分类方法如下：
1）设训练样本集为，给每个样本赋相等的初始权值；
2）对训练样本进行T轮训练(For 1 to T Do)，获取T条模糊规则；
2-1）找出最大适应度F所对应的模糊规则Ri,利用遗传算法计算：
当F1越大且F2越小时，则适应度F最大，其对应的模糊规则Ri即为所求；
2-2）在不改变当前样本分布的条件下，计算满足适应度F最大的模糊规则Ri对应的分类错误率e(Ri)及模糊规则Ri对应的权值ht：
；
2-3）根据错误率更新样本的权值Di，设zt是归一化因子，则
2-4)由模糊分类器对未知样本进行分类判别，得到其类别为：
；
2-5）为使训练样本的分类错误最小，每条模糊规则的参数均采用遗传算法来确定，设k个训练样本，其中，表示第i个训练样本的类别，定义适应度函数为：
其中：Dk表示第k个训练样本的对应权值；F1表示类别相同的所有样本第t条模糊规则被激活的程度；F2表示类别不同的所有样本第t条模糊规则被激活的程度；kmax取0.5。
CN201611235591.6A 2016-12-28 2016-12-28 自适应特征选择的夜间车辆检测方法 Withdrawn CN108256386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611235591.6A CN108256386A (zh) 2016-12-28 2016-12-28 自适应特征选择的夜间车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611235591.6A CN108256386A (zh) 2016-12-28 2016-12-28 自适应特征选择的夜间车辆检测方法

Publications (1)

Publication Number Publication Date
CN108256386A true CN108256386A (zh) 2018-07-06

Family

ID=62720098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611235591.6A Withdrawn CN108256386A (zh) 2016-12-28 2016-12-28 自适应特征选择的夜间车辆检测方法

Country Status (1)

Country Link
CN (1) CN108256386A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584604A (zh) * 2018-11-18 2019-04-05 中设设计集团股份有限公司 一种服务区检测车位疏密度的智慧灯杆及方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101382997A (zh) * 2008-06-13 2009-03-11 青岛海信电子产业控股股份有限公司 夜间车辆的检测与跟踪方法及装置
CN102044151A (zh) * 2010-10-14 2011-05-04 吉林大学 基于光照可见度辨识的夜间车辆视频检测方法
CN103914701A (zh) * 2014-03-20 2014-07-09 燕山大学 一种基于图像的夜间车辆检测方法
CN105009027A (zh) * 2012-12-03 2015-10-28 纳维森斯有限公司 用于估计对象的运动的系统和方法
CN105488536A (zh) * 2015-12-10 2016-04-13 中国科学院合肥物质科学研究院 一种基于多特征深度学习技术的农田害虫图像识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101382997A (zh) * 2008-06-13 2009-03-11 青岛海信电子产业控股股份有限公司 夜间车辆的检测与跟踪方法及装置
CN102044151A (zh) * 2010-10-14 2011-05-04 吉林大学 基于光照可见度辨识的夜间车辆视频检测方法
CN105009027A (zh) * 2012-12-03 2015-10-28 纳维森斯有限公司 用于估计对象的运动的系统和方法
CN103914701A (zh) * 2014-03-20 2014-07-09 燕山大学 一种基于图像的夜间车辆检测方法
CN105488536A (zh) * 2015-12-10 2016-04-13 中国科学院合肥物质科学研究院 一种基于多特征深度学习技术的农田害虫图像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱韶平: "基于自适应特征选择的夜间运动车辆检测算法", 《吉首大学学报（自然科学版）》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109584604A (zh) * 2018-11-18 2019-04-05 中设设计集团股份有限公司 一种服务区检测车位疏密度的智慧灯杆及方法

Similar Documents

Publication Publication Date Title
KR102030628B1 (ko) Cnn 기반 차량 번호판 인식 방법 및 시스템
Asmaa et al. Road traffic density estimation using microscopic and macroscopic parameters
CN106683119B (zh) 基于航拍视频图像的运动车辆检测方法
CN107273832B (zh) 基于积分通道特征与卷积神经网络的车牌识别方法及系统
Romdhane et al. An improved traffic signs recognition and tracking method for driver assistance system
CN103679187B (zh) 图像识别方法和系统
CN104036284A (zh) 基于Adaboost算法的多尺度行人检测方法
Hechri et al. Automatic detection and recognition of road sign for driver assistance system
CN107909081A (zh) 一种深度学习中图像数据集的快速获取和快速标定方法
CN111046789A (zh) 一种行人重识别方法
CN105868734A (zh) 基于bow图像表征模型的输电线路大型施工车辆识别方法
Liu et al. Multi-type road marking recognition using adaboost detection and extreme learning machine classification
T'Jampens et al. Automatic detection, tracking and counting of birds in marine video content
US20070223785A1 (en) Image processor and method
Murugan et al. Automatic moving vehicle detection and classification based on artificial neural fuzzy inference system
Harianto et al. Data augmentation and faster rcnn improve vehicle detection and recognition
CN116740652B (zh) 一种基于神经网络模型的锈斑面积扩大的监测方法与系统
CN106446832B (zh) 一种基于视频的实时检测行人的方法
CN108256386A (zh) 自适应特征选择的夜间车辆检测方法
CN112101283A (zh) 一种交通标志智能识别方法及系统
CN110334703B (zh) 一种昼夜图像中的船舶检测和识别方法
Dalka et al. Vehicle classification based on soft computing algorithms
Vijayalakshmi et al. Performance evaluation of object detection techniques for object detection
Nguyen et al. Triple detector based on feature pyramid network for license plate detection and recognition system in unusual conditions
Abdillah et al. Improvement CNN performance by edge detection preprocessing for vehicle classification problem

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20180706

WW01 Invention patent application withdrawn after publication