CN108830332A - 一种视觉车辆检测方法及系统 - Google Patents

Abstract

本发明涉及一种视觉车辆检测方法及系统，所述方法包括：从计算机获取车辆检测分类器模型以及样本训练集；获取行车视频，基于当前车辆检测分类器模型对所述行车视频进行识别检测，得到当前车辆检测分类器模型的检测结果；根据所述检测结果确定被当前车辆检测分类器模型错误分类的图像区域；通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集以进行分类的迭代训练；检测训练后的车辆检测分类器模型是否满足车辆检测性能要求；如果否，将训练后的车辆检测分类器模型作为新的车辆检测分类器模型，基于新的车辆检测分类器模型继续对所述行车视频进行识别检测。通过本发明，降低了人工标注成本。

Description

一种视觉车辆检测方法及系统

技术领域

本发明涉及视频监控技术和智能交通技术领域，具体地涉及一种视觉车辆检测方法及系统。

背景技术

视觉车辆检测的一般原理是通过大量人工标注的正、负样本库来训练用于分类车辆和背景的二分类分类器，实现对采集图像序列中每帧图像的车辆检测；其中，正样本就是包含车辆的图片，负样本就是不包含车辆的背景图片。

目前，采用人工标注正、负样本存在的主要缺陷在于：一是，采用人工标注方式制作样本成本较高。二是，人工标注具有一定的偏好性，而且很难确定当前样本库中缺少什么类型的训练样本。因此，花费了大量人力、物力制作训练的样本库所训练出的分类器难以满足实际应用的需求，同时也难以确定分类器的调整方向。

发明内容

针对现有技术中的缺陷与不足，本发明提供了一种视觉车辆检测方法及系统，以降低人工标注成本。

为了实现上述目的，本发明提供了如下技术方案：

一种视觉车辆检测方法，所述方法包括：

从计算机获取车辆检测分类器模型以及样本训练集；

获取行车视频，基于当前车辆检测分类器模型对所述行车视频进行识别检测，得到当前车辆检测分类器模型的检测结果；

根据所述检测结果确定被当前车辆检测分类器模型错误分类的图像区域；

通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集以进行分类的迭代训练，从而得到训练后的车辆检测分类器模型；

检测训练后的车辆检测分类器模型是否满足车辆检测性能要求；如果否，将训练后的车辆检测分类器模型作为新的车辆检测分类器模型，基于新的车辆检测分类器模型继续对所述行车视频进行识别检测。

优选地，所述方法还包括：

如果检测到训练后的车辆检测分类器模型满足车辆检测性能要求，输出训练后的车辆检测分类器模型。

优选地，所述方法还包括：

从计算机获取车辆检测分类器模型以及样本训练之前，所述计算机从视频数据库中读取视频数据生成样本训练集；

根据所述样本训练集，利用迭代算法结合Haar-like特征训练得到所述车辆检测分类器模型。

优选地，所述检测结果包括：

正样本、负样本、未标记正样本以及未标记负样本；所述未标记正样本中不确定区域为漏检错误分类，所述未标记负样本中不确定区域为误检错误分类；所述图像区域包括：所述漏检错误分类或/和所述误检错误分类。

优选地，所述通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集包括：

在可视化界面中，通过所述计算机将所述误检错误分类归档作为负样本增量保存到负样本中转库中；

通过所述计算机将所述漏检错误分类归档作为正样本增量保存到正样本中转库中；

通过所述计算机检测所述负样本中转库中负样本增加是否达到第一设定值；如果是，将所述负样本中转库中负样本更新到当前样本训练集中；或/和

通过所述计算机检测所述正样本中转库中正样本增量是否达到第二设定值；如果是，将所述正样本中转库中正样本更新到当前样本训练集中。

优选地，所述检测训练后的车辆检测分类器模型是否满足车辆检测性能要求包括：

根据所述训练后的车辆检测分类器模型的检测结果，计算准确率或/和识别率；

如果所述准确率达到设定准确率值或/和所述识别率达到设定识别率值，确定所述训练后的车辆检测分类器模型满足车辆检测性能要求。

一种视觉车辆检测系统，所述系统包括：车载相机、计算机以及并行机；所述车载相机用于采集行车视频，所述计算机与所述并行机连接，所述并行机与所述车载相机连接；所述并行机从计算机获取车辆检测分类器模型以及样本训练集，从所述车载相机获取行车视频，基于当前车辆检测分类器模型对所述行车视频进行识别检测，得到当前车辆检测分类器模型的检测结果；所述并行机根据所述检测结果确定被当前车辆检测分类器模型错误分类的图像区域；通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集以进行分类的迭代训练，得到训练后的车辆检测分类器模型；检测训练后的车辆检测分类器模型是否满足车辆检测性能要求；如果否，将训练后的车辆检测分类器模型作为当前车辆检测分类器模型，基于当前车辆检测分类器模型继续对所述行车视频进行识别检测。

优选地，所述系统还包括：与所述车载相机连接的移动硬盘；所述车载相机将所述行车视频存储到移动硬盘中；

所述计算机从所述移动硬盘的视频数据库中读取视频数据生成样本训练集；所述计算机根据所述样本训练集，利用迭代算法结合Haar-like特征训练得到所述车辆检测分类器模型。

优选地，所述检测结果包括：

正样本、负样本、未标记正样本以及未标记负样本；所述未标记正样本中不确定区域为漏检错误分类，所述未标记负样本中不确定区域为误检错误分类；所述图像区域包括：所述漏检错误分类或/和所述误检错误分类。

优选地，所述系统还包括：与所述计算机连接的显示器；

在所述显示器的可视化界面中，所述并行机通过计算机将所述误检错误分类归档作为负样本增量保存到负样本中转库中；通过计算机将所述漏检错误分类归档作为正样本增量保存到正样本中转库中；所述并行机通过所述计算机检测所述负样本中转库中负样本增加是否达到第一设定值；如果是，将所述负样本中转库中负样本更新到当前样本训练集中；或/和

所述并行机通过所述计算机检测所述正样本中转库中正样本增量是否达到第二设定值；如果是，将所述正样本中转库中正样本更新到当前样本训练集中。

本发明的有益效果在于：

本发明实施例提供的视觉车辆检测方法及系统，并行机从计算机获取车辆检测分类器模型以及样本训练集，从车载相机获取行车视频，基于当前车辆检测分类模型对所述行车视频进行识别检测，得到当前车辆检测分类器模型的检测结果以及样本训练集；所述并行机根据所述检测结果确定被当前车辆检测分类器模型错误分类的图像区域；通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集已进行分类的迭代训练，得到训练后的车辆检测分类器模型；检测训练后的车辆检测分类器模型是否满足车辆检测性能要求；如果否，将训练后的车辆检测分类器模型作为当前车辆检测分类器模型，基于当前检测分类器模型继续对所述行车视频进行识别检测。通过本发明，大大降低了人工标注的成本，并且提升了分类器的准确率和召回率。

附图说明

图1是本发明实施例视觉车辆检测方法的一种流程图。

图2是本发明实施例中检测结果的示意图。

图3是本发明实施例视觉车辆检测系统的一种结构示意图。

具体实施方式

为了使本领域技术人员能更进一步了解本发明的特征及技术内容，下面结合附图和实施方式对本发明实施例作详细说明。

如图1所示是本发明实施例视觉车辆检测方法的一种流程图，包括以下步骤：

步骤100：开始。

步骤101：从计算机获取车辆检测分类器模型以及样本训练集。

需要说明的是，本发明的操作流程可以通过并行机实现；计算机中的样本训练集可以通过人工采用传统的方法制作。

步骤102：获取行车视频，基于当前车辆检测分类器模型对所述行车视频进行识别检测，得到当前车辆检测分类器模型的检测结果。

需要说明的是，本发明实施例中，可以使用OpenCV库函数实现当前车辆检测分类器模型以及实际行车视频的载入，通过车辆检测算法对实际行车视频中的车辆进行检测，得到当前车辆检测分类器模型的检测结果。进一步，OpenCV库函数是一个开源的图像处理软件，里面包含大量的函数库，通过调用里面的库函数可以实现物体识别、图像分割以及运动跟踪等功能。本发明实施例中，可通过调用OpenCV库函数中的函数库，进行车辆轮廓检测识别车辆，比如，通过调用OpenCV库函数中的车辆轮廓检测函数或通过OpenCV库函数自行开发车辆轮廓检测算法识别车辆。

具体地，所述检测结果，如图2所示包括：

正样本、负样本、未标记正样本以及未标记负样本；所述未标记正样本中不确定区域Qz为漏检错误分类，所述未标记负样本中不确定区域Qf为误检错误分类。

步骤103：根据所述检测结果确定被当前车辆检测分类器模型错误分类的图像区域。

具体地，所述图像区域包括：所述漏检错误分类或/和所述误检错误分类。

具体地，在未标注行车视频中，分析当前车辆检测分类器模型的不确定区域，将未标注负样本中不确定区域作为误检错误分类，将未标注正样本中不确定区域作为漏检错误分类。其中，不确定区域的定义为：

其中，R(S^m)为不确定区域，为车辆检测分类器模型，x为给定的任意带有标签的测试样本，T(x)为样本x的标签。

进一步，车辆检测分类器模型的定义为：

其中，S^m为样本训练集，s为测试样本，表示所述图像区域中某个子区域被识别分类为车辆，表示所述图像区域某个子区域被识别分类为背景。

步骤104：通过计算机对所述错误分类图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集以进行分类的迭代训练，从而得到训练后的车辆检测分类器模型。

具体地，所述通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集包括：

在可视化界面中，通过所述计算机将所述误检错误分类归档作为负样本增量保存到负样本中转库中；通过所述计算机将所述漏检错误分类归档作为正样本增量保存到正样本中转库中；通过所述计算机检测所述负样本中转库中负样本增加是否达到第一设定值；如果是，将所述负样本中转库中负样本更新到当前样本训练集中；或/和通过所述计算机检测所述正样本中转库中正样本增量是否达到第二设定值；如果是，将所述正样本中转库中正样本更新到当前样本训练集中。

具体地，操作人员可以通过计算对当前样本训练集进行更新，比如，并行机根据当前车辆检测分类器模型进行自动检测，并将检测结果标注为红色显示在可视化界面中，操作人员根据可视化界面的指导，通过鼠标将检测结果中误检错误分类作为负样本增量保存到负样本中转库中，通过鼠标将检测结果中漏检错误分类作为正样本增量保存到正样本中转库中。当负样本中转库中样本增量达到第一设定值或/和正样本中转库中样本增量达到第二设定值时，并行机将负样本中转库和/或正样本中转库中的样本增量更新到当前样本训练集中。其中，第一设定值与第二设定值根据计算机的型号标定确定，比如，第一设定值为5～10个，第二设定值为5～10个。第一设定值与第二设定值可以相同，也可以不相同，具体与系统中正样本中转库与负样本中转库的容量有关。需要说明的是，通过检测结果可视化模块将实际行车视频序列中每帧图像的检测结果在可视化界面中进行显示，包括正确的检测结果、误检结果以及漏检结果。在可视化界面中，将误检矩形框用红色表示，将漏检矩形框用蓝色表示，把鼠标移动到误检矩形框内，单击右键对误检区域归档保存到负样本中转库中。在可视化界面中没有检测到目标车辆即漏检，也就是说位于正样本不确定区域的车辆样本，用鼠标滑动，用蓝色矩形框框选出合适的车辆样本。通过键盘交互“S”键保存归档选出的车辆样本至样本训练集中，同时进行下一帧图像的检测。

步骤105：检测训练后的车辆检测分类器模型是否满足车辆检测性能要求；如果是，执行步骤106；否则，执行步骤108；

需要说明的是，本发明实施例中通过筛选对分类器模型性能提升起关键作用的训练样本，使得训练得到的车辆检测分类器模型满足视觉车辆检测性能要求。

具体地，所述检测训练后的车辆检测分类器模型是否满足车辆检测性能要求包括：

根据所述训练后的车辆检测分类器模型的检测结果，计算准确率或/和识别率；如果所述准确率达到设定准确率值或/和所述识别率达到设定识别率值，确定所述训练后的车辆检测分类器模型满足车辆检测性能要求。其中准确率为正样本中准确识别(识别出来并判断是何种类型的车辆)的车辆个数除以总的车辆个数。识别率为正样本中识别出的车辆个数除以总的车辆个数，包含识别出车辆但是没有判断正确是何种类型的车辆、识别出来并判断正确的车辆。需要说明的是，设定准确率值以及设定识别率值是本领域技术人员经过多次试验得到的一个用于与检测到的准确率与识别率进行比较的经验值，比如，设定准确率值为98％，设定识别率值为98％。

步骤106：输出训练后的车辆检测分类器模型。

步骤107：结束。

步骤108：将训练后的车辆检测分类器模型作为新的车辆检测分类器模型，返回继续执行步骤102。

本发明实施例提供的视觉车辆检测方法，为一种车辆检测的主动学习分类方法，为了使车辆检测分类器模型满足视觉车辆性能的需求，对行车视频、已标注样本训练集、实时行车视频中未标注样本集和当前车辆检测分类器模型之间的关系进行分析，将未标注样本集中被当前车辆检测分类器模型分类的样本筛选出来，并更新到当前样本训练集中，进行下一次迭代训练。本发明通过主动样本筛选和训练迭代的方式，不仅大大降低了人工标注的成本，还可以训练出满足车辆检测性能要求的分类器模型，能够最大限度的提升分类器的准确率和召回率。

为了更好的实现初始化的分类器模型的建模以及获取训练样本集，本发明的另一个实施例中包括以下步骤：

步骤200：开始。

步骤201：计算机从视频数据库中读取视频数据生成样本训练集。

需要说明的是，样本训练集形成过程为：训练样本集是完成每次训练后，得到新的车辆检测分类器模型后筛选得到的。其筛选的依据是根据样本库中的大量样本选择一个最具代表性的样本，该样本基本能够代表同一类型的所用样本。

需要说明的是，本发明实施例中，计算机可以从移动硬盘的视频数据库总读取视频数据。

进一步，本发明的另一个实施例中，计算机也可以直接从车载相机读取视频，然后将标注后的视频存入到移动硬盘中。

步骤202：计算机根据所述样本训练集，利用迭代算法结合Haar-like特征训练得到车辆检测分类器模型。

具体地，Haar-like特征(Haar-like features)是用于物体识别的一种数字图像特征。它们因为与Haar小波转换极为相似而得名，haar-like特征是计算机视觉领域一种常用的特征描述算子。它最早是用于人脸描述，目前常用的Haar-like特征可以分为三类：线性特征、边缘特征、点特征(中心特征)、对角线特征等。

步骤203：从计算机获取车辆检测分类器模型以及样本训练集。

步骤204：获取行车视频，基于当前车辆检测分类器模型对所述行车视频进行识别检测，得到当前车辆检测分类器模型的检测结果。

步骤205：根据所述检测结果确定被当前车辆检测分类器模型错误分类的图像区域。

步骤206：通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集以进行分类的迭代训练，从而得到训练后的车辆检测分类器模型。

步骤207：检测训练后的车辆检测分类器模型是否满足车辆检测性能要求；如果是，执行步骤208；否则，执行步骤210；

步骤208：输出训练后的车辆检测分类器模型。

步骤209：结束。

步骤210：将训练后的车辆检测分类器模型作为新的车辆检测分类器模型，返回继续执行步骤204。

本发明实施例提供的视觉车辆检测方法，可以通过使用少量的人工标注的样本对初始车辆检测分类器模型进行训练，得到当前用于迭代训练的车辆检测分类器模型，并筛选出对车辆检测分类器模型性能提升起关键作用的训练样本集，从而在降低人工成本、时间成本的基础上，提升了车辆检测分类器模型的性能。

针对上述方法，本发明是提供了一种视觉车辆检测系统，如图3所示，所述系统包括：车载相机、计算机以及并行机；所述车载相机用于采集行车视频，所述计算机与所述并行机连接，所述并行机与所述车载相机连接；所述并行机从计算机获取车辆检测分类器模型以及样本训练集，从所述车载相机获取行车视频，基于当前车辆检测分类器模型对所述行车视频进行识别检测，得到当前车辆检测分类器模型的检测结果；所述并行机根据所述检测结果确定被当前车辆检测分类器模型错误分类的图像区域；通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集以进行分类的迭代训练，得到训练后的车辆检测分类器模型；检测训练后的车辆检测分类器模型是否满足车辆检测性能要求；如果否，将训练后的车辆检测分类器模型作为新的车辆检测分类器模型，基于新的车辆检测分类器模型继续对所述行车视频进行识别检测。

需要说明的是，本发明实施例中，并行机可以是20核的并行机，当然，并行机也可以是其他型号的并行机。所述并行机包括车辆检测模块、检测结果可视化模块、鼠标交互模块以及键盘交互模块；车辆检测模块使用OpenCV库函数实现分类器模型以及车辆行驶视频的载入，并对视频中的车辆进行检测；检测结果可视化模块与车辆检测模块连接，检测结果可视化模块将车辆检测模块的检测结果进行显示；鼠标交互模块和键盘交互模块分别与检测结果可视化模块连接，以对检测结果中出现的错误分类的未标注样本进行标注。在对当前分类器错误分类的图像区域，进行人工标注，存入正、负样本库，进行下一轮的分类器迭代训练。

计算机从车辆行驶视频中抠出正负样本，形成训练样本库以训练出车辆检测分类器模型。进一步，计算机每次还对误检和漏检的样本进行自动标注，形成新的样本库进行迭代训练，直至车辆检测分类器模型满足车辆检测性能要求为止。

进一步，本发明的另一个实施例，所述系统还可以包括：与所述车载相机连接的移动硬盘；所述车载相机将所述行车视频存储到移动硬盘中；所述计算机从所述移动硬盘的视频数据库中读取视频数据生成样本训练集；所述计算机根据所述样本训练集，利用迭代算法结合Haar-like特征训练得到所述车辆检测分类器模型。需要说明的是，样本训练集以及车辆检测分类器模型可以是操作人员通过操作计算机得到的。

需要说明的是，本发明的另一个实施例中，所述计算机也可以直接从所述车载相机读取视频，然后将标注后的视频存入到移动硬盘中。

具体地，本发明实施例中，所述检测结果包括：正样本、负样本、未标记正样本以及未标记负样本；所述未标记正样本中不确定区域为漏检错误分类，所述未标记负样本中不确定区域为误检错误分类；所述图像区域包括：所述漏检错误分类或/和所述误检错误分类。

更进一步，本发明的另一个实施例中，所述系统还可以包括：与所述计算机连接的显示器；在所述显示器的可视化界面中，所述并行机通过计算机将所述误检错误分类归档作为负样本增量保存到负样本中转库中；通过计算机将所述漏检错误分类归档作为正样本增量保存到正样本中转库中；所述并行机通过所述计算机检测所述负样本中转库中负样本增加是否达到第一设定值；如果是，将所述负样本中转库中负样本更新到当前样本训练集中；或/和所述并行机通过所述计算机检测所述正样本中转库中正样本增量是否达到第二设定值；如果是，将所述正样本中转库中正样本更新到当前样本训练集中。

需要说明的是，具体地，所述并行机检测训练后的车辆检测分类器模型是否满足车辆检测性能要求按下列要求操作：并行机根据所述训练后的车辆检测分类器模型的检测结果，计算准确率或/和识别率；如果所述准确率得到设定准确率值或/和所述识别率达到设定识别率值，确定所述训练后的车辆检测分类器模型满足车辆检测性能要求。其中准确率为准确识别(识别出来并判断是何种类型的车辆)的车辆个数除以总的车辆个数。识别率为识别出的车辆个数除以总的车辆个数，包含识别出车辆但是没有判断正确是何种类型的车辆、识别出来并判断正确的车辆。需要说明的是，设定准确率值以及设定识别率值是本领域技术人员经过多次试验得到的一个用于与检测到的准确率与识别率进行比较的经验值，比如，设定准确率值为98％，设定识别率值为98％。

进一步，在本发明的另一个实施例中，在所述显示器的可视化界面中，操作人员通过计算机将所述误检错误分类归档作为负样本增量保存到负样本中转库中；通过计算机将所述漏检错误分类归档作为正样本增量保存到正样本中转库中；所述并行机通过所述计算机检测所述负样本中转库中负样本增加是否达到第一设定值；如果是，将所述负样本中转库中负样本更新到当前样本训练集中；或/和所述并行机通过所述计算机检测所述正样本中转库中正样本增量是否达到第二设定值；如果是，将所述正样本中转库中正样本更新到当前样本训练集中。

以上对本发明实施例进行了详细介绍，本文中应用了具体实施方式对本发明进行了阐述，以上实施例的说明只是用于帮助理解本发明的系统及方法；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种视觉车辆检测方法，其特征在于，所述方法包括：

从计算机获取车辆检测分类器模型以及样本训练集；

获取行车视频，基于当前车辆检测分类器模型对所述行车视频进行识别检测，得到当前车辆检测分类器模型的检测结果；

根据所述检测结果确定被当前车辆检测分类器模型错误分类的图像区域；

通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集以进行分类的迭代训练，从而得到训练后的车辆检测分类器模型；

检测训练后的车辆检测分类器模型是否满足车辆检测性能要求；如果否，将训练后的车辆检测分类器模型作为新的车辆检测分类器模型，基于新的车辆检测分类器模型继续对所述行车视频进行识别检测。

2.根据权利要求1所述的视觉车辆检测方法，其特征在于，所述方法还包括：

如果检测到训练后的车辆检测分类器模型满足车辆检测性能要求，输出训练后的车辆检测分类器模型。

3.根据权利要求1或2所述的视觉车辆检测方法，其特征在于，所述方法还包括：

从计算机获取车辆检测分类器模型以及样本训练之前，所述计算机从视频数据库中读取视频数据生成样本训练集；

根据所述样本训练集，利用迭代算法结合Haar-like特征训练得到所述车辆检测分类器模型。

4.根据权利要求1所述的视觉车辆检测方法，其特征在于，所述检测结果包括：

正样本、负样本、未标记正样本以及未标记负样本；所述未标记正样本中不确定区域为漏检错误分类，所述未标记负样本中不确定区域为误检错误分类；所述图像区域包括：所述漏检错误分类或/和所述误检错误分类。

5.根据权利要求4所述的视觉车辆检测方法，其特征在于，所述通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集包括：

在可视化界面中，通过所述计算机将所述误检错误分类归档作为负样本增量保存到负样本中转库中；

通过所述计算机将所述漏检错误分类归档作为正样本增量保存到正样本中转库中；

通过所述计算机检测所述负样本中转库中负样本增加是否达到第一设定值；如果是，将所述负样本中转库中负样本更新到当前样本训练集中；或/和

通过所述计算机检测所述正样本中转库中正样本增量是否达到第二设定值；如果是，将所述正样本中转库中正样本更新到当前样本训练集中。

6.根据权利要求1所述的视觉车辆检测方法，其特征在于，所述检测训练后的车辆检测分类器模型是否满足车辆检测性能要求包括：

根据所述训练后的车辆检测分类器模型的检测结果，计算准确率或/和识别率；

如果所述准确率达到设定准确率值或/和所述识别率达到设定识别率值，确定所述训练后的车辆检测分类器模型满足车辆检测性能要求。

7.一种视觉车辆检测系统，其特征在于，所述系统包括：车载相机、计算机以及并行机；所述车载相机用于采集行车视频，所述计算机与所述并行机连接，所述并行机与所述车载相机连接；所述并行机从计算机获取车辆检测分类器模型以及样本训练集，从所述车载相机获取行车视频，基于当前车辆检测分类器模型对所述行车视频进行识别检测，得到当前车辆检测分类器模型的检测结果；所述并行机根据所述检测结果确定被当前车辆检测分类器模型错误分类的图像区域；通过计算机对所述图像区域进行标注，并将标注后的样本作为样本增量更新到当前样本训练集以进行分类的迭代训练，得到训练后的车辆检测分类器模型；检测训练后的车辆检测分类器模型是否满足车辆检测性能要求；如果否，将训练后的车辆检测分类器模型作为当前车辆检测分类器模型，基于当前车辆检测分类器模型继续对所述行车视频进行识别检测。

8.根据权利要求7所述的视觉车辆检测系统，其特征在于，所述系统还包括：与所述车载相机连接的移动硬盘；所述车载相机将所述行车视频存储到移动硬盘中；

所述计算机从所述移动硬盘的视频数据库中读取视频数据生成样本训练集；所述计算机根据所述样本训练集，利用迭代算法结合Haar-like特征训练得到所述车辆检测分类器模型。

9.根据权利要求7所述的视觉车辆检测系统，其特征在于，所述检测结果包括：

正样本、负样本、未标记正样本以及未标记负样本；所述未标记正样本中不确定区域为漏检错误分类，所述未标记负样本中不确定区域为误检错误分类；所述图像区域包括：所述漏检错误分类或/和所述误检错误分类。

10.根据权利要求9所述的视觉车辆检测系统，其特征在于，所述系统还包括：与所述计算机连接的显示器；

在所述显示器的可视化界面中，所述并行机通过计算机将所述误检错误分类归档作为负样本增量保存到负样本中转库中；通过计算机将所述漏检错误分类归档作为正样本增量保存到正样本中转库中；所述并行机通过所述计算机检测所述负样本中转库中负样本增加是否达到第一设定值；如果是，将所述负样本中转库中负样本更新到当前样本训练集中；或/和

所述并行机通过所述计算机检测所述正样本中转库中正样本增量是否达到第二设定值；如果是，将所述正样本中转库中正样本更新到当前样本训练集中。