CN108364027B - 一种快速的前向多车型车辆检测方法 - Google Patents

一种快速的前向多车型车辆检测方法 Download PDF

Info

Publication number
CN108364027B
CN108364027B CN201810176949.5A CN201810176949A CN108364027B CN 108364027 B CN108364027 B CN 108364027B CN 201810176949 A CN201810176949 A CN 201810176949A CN 108364027 B CN108364027 B CN 108364027B
Authority
CN
China
Prior art keywords
detection
vehicle
training
image
windows
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.)
Active
Application number
CN201810176949.5A
Other languages
English (en)
Other versions
CN108364027A (zh
Inventor
李旻先
张超
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.)
Nanjing University of Science and Technology
Original Assignee
Nanjing University of Science and Technology
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 Nanjing University of Science and Technology filed Critical Nanjing University of Science and Technology
Priority to CN201810176949.5A priority Critical patent/CN108364027B/zh
Publication of CN108364027A publication Critical patent/CN108364027A/zh
Application granted granted Critical
Publication of CN108364027B publication Critical patent/CN108364027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/08—Detecting or categorising vehicles

Abstract

本发明公开了一种快速的前向多车型车辆检测方法。方法为：首先准备多车型的训练正负样本，并归一化到同一尺度；设置训练参数，训练得到Adaboost分类器；然后输入待检测图像进行多尺度缩放，形成图像金字塔，计算积分图，并用固定大小的滑动窗口产生多个检测窗口；接着利用训练好的Adaboost分类器对所有检测窗口进行分类，并且合并检测窗口；最后根据目标的相对信息进行后验处理去掉误检，降低虚警率，完成车辆检测。本发明方法简单、计算效率高，并且提升了前方车辆检测的精准性。

Description

一种快速的前向多车型车辆检测方法
技术领域
本发明涉及计算机视觉和模式识别技术领域，特别是一种快速的前向多车型车辆检测方法。
背景技术
计算机视觉近几年来一直是研究的热点和难点，而车辆检测作为高层视觉任务的基础，已成为计算机视觉领域中至关重要的研究问题。计算机视觉即通过机器视觉来模仿人眼的视觉系统，认知心理学和神经生物学的研究发现，人类在识别一个具体的物体是什么之前具有一种很强的感知物体的能力。对一幅复杂的图像来说，人类的视觉系统在一开始的反应时间内只会关注其中的某些部分，并忽略图像中其余不显著的部分。这进一步说明在识别一个具体事物之前，在人类的视觉系统中存在一个简单的视觉注意机制，该机制用来筛选出最有可能含有物体的区域。
在高级驾驶辅助系统中需要利用边界框的变化率来估计碰撞时间(TTC)和相对速度，因此对前向车辆检测的精准性和检测速度有较高的要求。但是，目前对前向车辆检测的方法中，普遍存在分类器的复杂度高、检测速度慢、检测精准性低的问题。
发明内容
本发明目的在于提供一种快速的前向多车型车辆检测方法，以提高前向多车型车辆检测的精准性和检测速度。
实现本发明目的的技术解决方案为：一种快速的前向多车型车辆检测方法，包括以下步骤：
步骤1、准备多车型的训练正负样本，并归一化到同一尺度；
步骤2、设置训练参数，训练得到Adaboost分类器；
步骤3、输入待检测图像进行多尺度缩放，形成图像金字塔，计算积分图，并用固定大小的滑动窗口产生多个检测窗口；
步骤4、利用步骤2中训练好的Adaboost分类器对所有检测窗口进行分类；
步骤5、合并检测窗口；
步骤6、根据目标的相对信息进行后验处理去掉误检，完成车辆检测。
进一步地，步骤1所述的准备多车型的训练正负样本，并归一化到同一尺度，具体如下：
1.1)准备训练的正样本，正样本同时满足准确性和多样性；
1.2)准备训练的负样本，将来源于实际道路场景的背景区域样本加入负样本，负样本中不包括车尾部分；
1.3)将训练样本缩放到24*24分辨率。
进一步地，步骤1.1)所述的准备训练的正样本，正样本同时满足准确性和多样性，具体如下：
1.1.1)对所有车辆样本只选择车尾进行裁剪，车尾完整时将其加入正样本；
1.1.2)准备正样本时贴合车辆上下左右四个方向的边缘，下部包括车轮；
1.1.3)正样本中，每个车辆包含远、中、近及其他姿态4种样本；
1.1.4)将不同车型、不同光照、不同天气的车辆图像加入正样本；
1.1.5)对于长宽比小于1:2的扁型货车，将其与上方的部分背景共同裁剪为正方形加入正样本。
进一步地，步骤2所述的设置训练参数，训练得到Adaboost分类器，具体如下：
2.1)选用opencv中的traincascade工具，作为训练Adaboost分类器的工具；
2.2)设置训练参数：
训练的分类器的级数numStages：20，
分类器的每一级希望得到的最小检测率minHitRate：0.95，
分类器的每一级希望得到的最大误检率maxFalseAlarmRate：0.5，
弱分类器树最大的深度maxDepth：1，
每一级中的弱分类器的最大数目maxWeakCount：100，
Haar特征的类型：BASIC；
2.3)进行训练，生成Adaboost分类器。
进一步地，步骤3所述的输入待检测图像进行多尺度缩放，形成图像金字塔，计算积分图，并用固定大小的滑动窗口产生多个检测窗口，具体如下：
3.1)输入待检测图像，分辨率为640*480；
3.2)设置滑动窗口大小为24*24分辨率，最大检测目标分辨率为150*150，最小检测目标分辨率为24*24；
3.3)缩放参数设置为1.2，使用该参数对待检测图像进行多尺度缩放，形成图像金字塔；
3.4)使用图像金字塔中的所有图像，分别生成积分图；
3.5)使用滑动窗口产生多个检测窗口，滑动窗口步长为2。
进一步地，步骤4所述的利用步骤2中训练好的Adaboost分类器对所有检测窗口进行分类，具体如下：
4.1)将获得的检测窗口，分别根据积分图，遍历生成的分类器，计算窗口的特征值；
4.2)若遍历后得到的结果大于分类器的阈值，则将该窗口图像加入候选窗口；反之则舍弃。
进一步地，步骤5所述的合并检测窗口，具体如下：
5.1)定义相似性函数如下：
Figure BDA0001587583580000031
其中，
Figure BDA0001587583580000032
abs(·)为绝对值计算函数，min(·)为较小值计算函数，
Figure BDA0001587583580000033
表示第j个窗口的左上角点横坐标，
Figure BDA0001587583580000034
表示第j个窗口的右下角点横坐标，
Figure BDA0001587583580000035
表示第j个窗口的左上角点纵坐标，
Figure BDA0001587583580000036
表示第j个窗口的右下角点纵坐标；
5.2)根据相似性函数，使用并查集算法对一张图像中所有的候选窗口进行分组，并计算组中成员个数；
5.3)遍历各组，若组中成员小于3个，则舍弃该组中的所有候选窗口；否则计算组中的平均候选窗口位置，作为该组合并后的目标位置；
5.4)将步骤5.3)得到的各组合并后的目标位置，根据目标之间的位置关系进行进一步筛选，得到检测结果。
进一步地，步骤5.4)所述的将步骤5.3)得到的各组合并后的目标位置，根据目标之间的位置关系进行进一步筛选，得到检测结果，具体如下：
5.4.1)若两个目标位置存在包含关系，则取面积大的检测结果，舍弃面积较小的检测结果；
5.4.2)若两个目标不存在包含关系，且其IOU大于0.6，则取组中成员多的检测结果，舍弃组中成员少的检测结果。
进一步地，步骤6所述的根据目标的相对信息进行后验处理去掉误检，降低虚警率，完成车辆检测，具体如下：
6.1)对训练样本中不同大小的样本在图像中的相对位置进行统计，即统计不同大小样本距离图像下边缘的距离，生成筛选器；
6.2)将步骤5.4.2)得到的检测结果输入到筛选器中进行筛选，获得最终的车辆检测结果。
本发明与现有技术相比，其显著优点为：(1)提取图像中感兴趣区域的Haar特征，使用Adaboost方法训练的分类器进行目标检测，减小了分类器的复杂度，提高了检测速度；(2)提出了新颖的多车型检测、合并检测窗口、降低虚警率等算法，提升了前方车辆检测的精准性。
附图说明
图1是本发明快速的前向多车型车辆检测方法的流程示意图。
图2是本发明中正样本选择示意图。
图3是本发明中Adaboost车辆分类器训练流程图。
具体实施方式
下面结合附图，对本发明做进一步详细说明。
结合图1，本发明快速的前向多车型车辆检测方法，包括以下6个步骤：
步骤1、准备多车型的训练正负样本，并归一化到同一尺度；
步骤2、设置训练参数，训练得到Adaboost分类器；
步骤3、输入待检测图像进行多尺度缩放，形成图像金字塔，计算积分图，并用固定大小的滑动窗口产生大量的检测窗口；
步骤4、利用步骤2中训练好的Adaboost分类器对所有检测窗口进行分类；
步骤5、合并检测窗口；
步骤6、根据目标的相对信息进行后验处理去掉误检，降低虚警率，完成车辆检测。
进一步地,步骤1所述的准备多车型的训练正负样本，并归一化到同一尺度，具体如下：
1.1)准备训练的正样本，正样本同时满足准确性和多样性；
1.2)准备训练的负样本，将来源于实际道路场景的背景区域样本加入负样本，负样本中不可包括车尾部分；
1.3)将训练样本缩放到24*24分辨率。
进一步地，如图2所示，步骤1.1)所述的准备训练的正样本，正样本同时满足准确性和多样性，具体如下：
1.1.1)对所有车辆样本只选择车尾进行裁剪，包括倾斜车辆，车尾完整时将其加入正样本；
1.1.2)为了提高精度，准备正样本时应尽量贴合车辆上下左右四个方向的边缘，下部应尽量包括车轮；
1.1.3)正样本中，每个车辆尽可能包含4种样本(远、中、近及其他姿态)，即在保证每辆车多样性的情况下，样本尽可能少；
1.1.4)将各种车型，各种光照，各种天候的车辆图像加入正样本；
1.1.5)为了防止归一化后形变严重，对于长宽比小于1:2的扁型货车，将与其上方的部分背景共同裁剪为正方形加入正样本。
进一步地，如图3的流程图所示，步骤2所述的设置训练参数，训练得到Adaboost分类器，具体如下：
21)选用opencv中的traincascade工具作为Adaboost分类器的训练；
22)设置训练参数：
训练的分类器的级数(numStages)：20，
分类器的每一级希望得到的最小检测率(minHitRate)：0.95，
分类器的每一级希望得到的最大误检率(maxFalseAlarmRate)：0.5，
弱分类器树最大的深度(maxDepth)：1，
每一级中的弱分类器的最大数目(maxWeakCount)：100，
Haar特征的类型：BASIC；
23)进行训练，生成Adaboost分类器。
进一步地,步骤3所述的输入待检测图像进行多尺度缩放，形成图像金字塔，计算积分图，并用固定大小的滑动窗口产生大量的检测窗口，具体如下：
31)输入待检测图像，分辨率为640*480；
32)设置滑动窗口大小为24*24分辨率，最大检测目标分辨率为150*150分辨率，最小检测目标分辨率为24*24；
33)缩放参数设置为1.2，使用该参数，对待检测图像进行多尺度缩放，形成图像金字塔；
34)使用图像金字塔中的所有图像，分别生成积分图；
35)使用滑动窗口产生大量的检测窗口，滑动窗口步长为2；
进一步地，步骤4所述的利用步骤2中训练好的Adaboost分类器对所有检测窗口进行分类，具体如下：
41)将步骤3.5)获得的检测窗口，分别根据积分图，遍历步骤2.3)生成的分类器，计算窗口的特征值；
42)若遍历后的到的结果大于分类器的阈值，则将该窗口图像加入候选窗口；反之则舍弃。
进一步地,步骤5所述的合并检测窗口，具体如下：
5.1)定义相似性函数如下：
Figure BDA0001587583580000061
其中，
Figure BDA0001587583580000062
abs(·)为绝对值计算函数，min(·)为较小值计算函数，
Figure BDA0001587583580000063
表示第j个窗口的左上角点横坐标，
Figure BDA0001587583580000064
表示第j个窗口的右下角点横坐标，
Figure BDA0001587583580000065
表示第j个窗口的左上角点纵坐标，
Figure BDA0001587583580000066
表示第j个窗口的右下角点纵坐标。
5.2)使用并查集算法对一张图像中所有的候选窗口进行分组，并计算组中成员个数；
5.3)遍历各组，若组中成员小于3个，则舍弃该组中的所有候选窗口；否则计算组中的平均候选窗口位置，作为该组合并后的目标位置；
5.4)将步骤5.3)得到的各组合并后的目标位置，根据目标之间的位置关系进行进一步筛选，得到检测结果。
进一步地，步骤5.4)所述的将步骤5.3)得到的各组合并后的目标位置，根据目标之间的位置关系进行进一步筛选，得到检测结果，具体如下：
5.4.1)若两个目标位置存在包含关系，则取面积大的检测结果，舍弃面积较小的检测结果；
5.4.2)若两个目标不存在包含关系，且其IOU大于0.6，则取组中成员多的检测结果，舍弃组中成员少的检测结果。
对IOU的解释，IOU即交叠率(Intersection over Union)，其计算公式如下：
Figure BDA0001587583580000071
其中，Bi表示第i个检测区域框，Bgt表示真实区域框，area(·)为面积计算函数。
进一步地，步骤6所述的根据目标的相对信息进行后验处理去掉误检，降低虚警率，完成车辆检测，具体如下：
6.1)对训练样本的中不同大小样本在图像中的相对位置进行统计，即统计不同大小样本距离图像下边缘的距离，生成筛选器；
6.2)将步骤5.4.2)得到的检测结果输入到筛选器中进行筛选，获得最终的车辆检测结果。
综上所述，本发明提供的快速的前向多车型车辆检测方法，提取图像中感兴趣区域的Haar特征，使用Adaboost方法训练的分类器进行目标检测，并且减小了分类器的复杂度以提高速度，同时还提出了新颖的多车型检测、合并检测窗口、降低虚警率等算法，在很大程度上提升了前方车辆检测的精准性。

Claims (8)

1.一种快速的前向多车型车辆检测方法，其特征在于，包括以下步骤：
步骤1、准备多车型的训练正负样本，并归一化到同一尺度；
步骤2、设置训练参数，训练得到Adaboost分类器；
步骤3、输入待检测图像进行多尺度缩放，形成图像金字塔，计算积分图，并用固定大小的滑动窗口产生多个检测窗口；
步骤4、利用步骤2中训练好的Adaboost分类器对所有检测窗口进行分类；
步骤5、合并检测窗口，具体如下：
5.1)定义相似性函数如下：
Figure FDA0003259596560000011
其中，
Figure FDA0003259596560000012
abs(·)为绝对值计算函数，min(·)为较小值计算函数，
Figure FDA0003259596560000013
表示第j个窗口的左上角点横坐标，
Figure FDA0003259596560000014
表示第j个窗口的右下角点横坐标，
Figure FDA0003259596560000015
表示第j个窗口的左上角点纵坐标，
Figure FDA0003259596560000016
表示第j个窗口的右下角点纵坐标；
5.2)根据相似性函数，使用并查集算法对一张图像中所有的候选窗口进行分组，并计算组中成员个数；
5.3)遍历各组，若组中成员小于3个，则舍弃该组中的所有候选窗口；否则计算组中的平均候选窗口位置，作为该组合并后的目标位置；
5.4)将步骤5.3)得到的各组合并后的目标位置，根据目标之间的位置关系进行进一步筛选，得到检测结果；
步骤6、根据目标的相对信息进行后验处理去掉误检，完成车辆检测。
2.根据权利要求1所述的快速的前向多车型车辆检测方法，其特征在于，步骤1所述的准备多车型的训练正负样本，并归一化到同一尺度，具体如下：
1.1)准备训练的正样本，正样本同时满足准确性和多样性；
1.2)准备训练的负样本，将来源于实际道路场景的背景区域样本加入负样本，负样本中不包括车尾部分；
1.3)将训练样本缩放到24*24分辨率。
3.根据权利要求2所述的快速的前向多车型车辆检测方法，其特征在于，步骤1.1)所述的准备训练的正样本，正样本同时满足准确性和多样性，具体如下：
1.1.1)对所有车辆样本只选择车尾进行裁剪，车尾完整时将其加入正样本；
1.1.2)准备正样本时贴合车辆上下左右四个方向的边缘，下部包括车轮；
1.1.3)正样本中，每个车辆包含远、中、近及其他姿态4种样本；
1.1.4)将不同车型、不同光照、不同天气的车辆图像加入正样本；
1.1.5)对于长宽比小于1:2的扁型货车，将其与上方的部分背景共同裁剪为正方形加入正样本。
4.根据权利要求1所述的快速的前向多车型车辆检测方法，其特征在于，步骤2所述的设置训练参数，训练得到Adaboost分类器，具体如下：
2.1)选用opencv中的traincascade工具，作为训练Adaboost分类器的工具；
2.2)设置训练参数：
训练的分类器的级数numStages：20，
分类器的每一级希望得到的最小检测率minHitRate：0.95，
分类器的每一级希望得到的最大误检率maxFalseAlarmRate：0.5，
弱分类器树最大的深度maxDepth：1，
每一级中的弱分类器的最大数目maxWeakCount：100，
Haar特征的类型：BASIC；
2.3)进行训练，生成Adaboost分类器。
5.根据权利要求1所述的快速的前向多车型车辆检测方法，其特征在于，步骤3所述的输入待检测图像进行多尺度缩放，形成图像金字塔，计算积分图，并用固定大小的滑动窗口产生多个检测窗口，具体如下：
3.1)输入待检测图像，分辨率为640*480；
3.2)设置滑动窗口大小为24*24分辨率，最大检测目标分辨率为150*150，最小检测目标分辨率为24*24；
3.3)缩放参数设置为1.2，使用该参数对待检测图像进行多尺度缩放，形成图像金字塔；
3.4)使用图像金字塔中的所有图像，分别生成积分图；
3.5)使用滑动窗口产生多个检测窗口，滑动窗口步长为2。
6.根据权利要求1所述的快速的前向多车型车辆检测方法，其特征在于，步骤4所述的利用步骤2中训练好的Adaboost分类器对所有检测窗口进行分类，具体如下：
4.1)将获得的检测窗口，分别根据积分图，遍历生成的分类器，计算窗口的特征值；
4.2)若遍历后得到的结果大于分类器的阈值，则将该窗口图像加入候选窗口；反之则舍弃。
7.根据权利要求1所述的快速的前向多车型车辆检测方法，其特征在于，步骤5.4)所述的将步骤5.3)得到的各组合并后的目标位置，根据目标之间的位置关系进行进一步筛选，得到检测结果，具体如下：
5.4.1)若两个目标位置存在包含关系，则取面积大的检测结果，舍弃面积较小的检测结果；
5.4.2)若两个目标不存在包含关系，且其IOU大于0.6，则取组中成员多的检测结果，舍弃组中成员少的检测结果。
8.根据权利要求7所述的快速的前向多车型车辆检测方法，其特征在于，步骤6所述的根据目标的相对信息进行后验处理去掉误检，降低虚警率，完成车辆检测，具体如下：
6.1)对训练样本中不同大小的样本在图像中的相对位置进行统计，即统计不同大小样本距离图像下边缘的距离，生成筛选器；
6.2)将步骤5.4.2)得到的检测结果输入到筛选器中进行筛选，获得最终的车辆检测结果。
CN201810176949.5A 2018-03-04 2018-03-04 一种快速的前向多车型车辆检测方法 Active CN108364027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810176949.5A CN108364027B (zh) 2018-03-04 2018-03-04 一种快速的前向多车型车辆检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810176949.5A CN108364027B (zh) 2018-03-04 2018-03-04 一种快速的前向多车型车辆检测方法

Publications (2)

Publication Number Publication Date
CN108364027A CN108364027A (zh) 2018-08-03
CN108364027B true CN108364027B (zh) 2022-02-15

Family

ID=63003380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810176949.5A Active CN108364027B (zh) 2018-03-04 2018-03-04 一种快速的前向多车型车辆检测方法

Country Status (1)

Country Link
CN (1) CN108364027B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110969065B (zh) * 2018-09-30 2023-11-28 北京四维图新科技股份有限公司 车辆检测方法、装置、前车防撞预警设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104639933A (zh) * 2015-01-07 2015-05-20 前海艾道隆科技（深圳）有限公司 一种立体视图的深度图实时获取方法及系统
CN105718866A (zh) * 2016-01-15 2016-06-29 北京大学 一种视觉目标检测与识别方法
CN106778800A (zh) * 2016-11-14 2017-05-31 天津津航技术物理研究所 一种AdaBoost级联分类器快速检测方法
CN107491762A (zh) * 2017-08-23 2017-12-19 珠海安联锐视科技股份有限公司 一种行人检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104639933A (zh) * 2015-01-07 2015-05-20 前海艾道隆科技（深圳）有限公司 一种立体视图的深度图实时获取方法及系统
CN105718866A (zh) * 2016-01-15 2016-06-29 北京大学 一种视觉目标检测与识别方法
CN106778800A (zh) * 2016-11-14 2017-05-31 天津津航技术物理研究所 一种AdaBoost级联分类器快速检测方法
CN107491762A (zh) * 2017-08-23 2017-12-19 珠海安联锐视科技股份有限公司 一种行人检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
无人车视觉导航中的前方车辆检测方法研究;赵起超;《中国优秀硕士学位论文全文数据库信息科技辑》;20170715(第7期);第I138-664页 *

Also Published As

Publication number Publication date
CN108364027A (zh) 2018-08-03

Similar Documents

Publication Publication Date Title
US7724962B2 (en) Context adaptive approach in vehicle detection under various visibility conditions
Sun et al. A real-time precrash vehicle detection system
CN101350063B (zh) 人脸特征点定位方法及装置
Yoshioka et al. Real-time object classification for autonomous vehicle using LIDAR
Wali et al. Comparative survey on traffic sign detection and recognition: a review
Romdhane et al. An improved traffic signs recognition and tracking method for driver assistance system
CN104091157A (zh) 一种基于特征融合的行人检测方法
Kuang et al. Feature selection based on tensor decomposition and object proposal for night-time multiclass vehicle detection
CN107315990B (zh) 一种基于xcs-lbp特征的行人检测算法
Hechri et al. Robust road lanes and traffic signs recognition for driver assistance system
Yuen et al. On looking at faces in an automobile: Issues, algorithms and evaluation on naturalistic driving dataset
Kim et al. Autonomous vehicle detection system using visible and infrared camera
Cai et al. Real-time arrow traffic light recognition system for intelligent vehicle
Liu et al. Multi-type road marking recognition using adaboost detection and extreme learning machine classification
CN106407951A (zh) 一种基于单目视觉的夜间前方车辆检测方法
Fleyeh et al. Traffic sign detection based on AdaBoost color segmentation and SVM classification
Yang et al. An extreme learning machine-based pedestrian detection method
Cai et al. Vehicle detection based on deep dual-vehicle deformable part models
Karthika et al. An automated vision-based algorithm for out of context detection in images
CN108364027B (zh) 一种快速的前向多车型车辆检测方法
CN104966064A (zh) 基于视觉的前方行人测距方法
CN108133231A (zh) 一种尺度自适应的实时车辆检测方法
Álvarez et al. Perception advances in outdoor vehicle detection for automatic cruise control
Golgire Traffic Sign Recognition using Machine Learning: A Review
CN108288041B (zh) 一种行人目标错检去除的预处理方法

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