CN110688935B - 一种基于快速搜索的单车道车辆检测方法 - Google Patents

Abstract

本发明公开了一种基于快速搜索的单车道车辆检测方法，标记一定数量的车道监控图像样本，密集提取SIFT点聚类得到单词表；然后利用正负样本的直方图特征训练一个线性的支持向量机模型，进而得到每个单词的得分；对于待检测的车道图像，搜索其中得分大于偏执项相反数的矩形区域为检测到的车辆。在搜索过程中，根据车道车辆的先验知识，选择性地搜索部分区域，大大降低搜索的次数。同时使用正负积分图，大大提高区域得分的计算效率。

Description

一种基于快速搜索的单车道车辆检测方法

技术领域

本发明属于模式识别领域，涉及一种基于快速搜索的单车道车辆检测方法。

背景技术

在有些应用场景下，比如可变车道的自动控制系统当中，需要识别某个目标车道的车流量，这个需求可以通过单车道的车辆检测来完成。经过几十年的技术迭代，目前最优的车辆检测技术多依赖于深度卷积神经网络，但是复杂的卷积计算和不断堆叠的网络深度需要巨大的计算资源。当把这些基于深度卷积神经网络的车辆检测算法应用于可变车道自动控制系统中时，会带来一些技术难题：算法的实现对很多工具箱的依赖使其很难嵌入到前段控制器当中；另外高昂的计算复杂度依赖于性能强大的硬件资源，而GPU等设备的引入会带来硬件成本的大幅度增加，使得新产品难以普及。因此针对路口车道环境的特殊结构，设计技术上更加优化的检测算法，使其可以嵌入前端控制器进行快速的处理，具有重要的意义。

发明内容

为了解决上述问题，本发明提出一种基于快速搜索的单车道车辆检测方法。标记一定数量的车道监控图像样本，密集提取SIFT点聚类得到单词表，然后利用正负样本的直方图特征训练一个线性的支持向量机模型，进而得到每个单词的得分。对于待检测的车道图像，搜索其中得分大于偏执项相反数的矩形区域为检测到的车辆。在搜索过程中，根据车道车辆的先验知识，选择性地搜索部分区域，大大降低搜索的次数。同时使用正负积分图，大大提高区域得分的计算效率。

本发明中主要采用的技术方案为，一种基于快速搜索的单车道车辆检测方法，具体步骤如下：

步骤S1：将摄像头安装在目标车道正上方的标识牌上，收集若干幅图像，并手动将其中的车辆位置用矩形框标记；

步骤S2：对所有收集的每一幅图像以步长s＝5密集提取SIFT特征，并聚类成k＝100个类别，取每一个类中心构成单词表{C₁,C₂,…,C_k}；

步骤S3：用步骤S1中标记的车和非车的图像区域构造正负样本，并分别用步骤S2中的单词表计算每个样本的直方图特征；

步骤S4：用正负样本的直方图特征训练支持向量机分类器，并由训练结果得到每个单词的得分；

步骤S5：构造待检测车道区域外接矩形的得分表；

步骤S6：构造待检测车道区域外接矩形的正负积分表I⁺,I^-；

步骤S7：对于任一帧待检测图像，用快速搜索的方法检测该区域内的车辆；

步骤S8：用非极大抑制对以上检测结果进行筛选，得到最终的检测结果；

作为本发明的优选，所述步骤S3的具体步骤如下：

步骤S3.1：用每幅图像中标记的每个车的矩形区域作为一个正样本；

步骤S3.2：对于每一个正样本，在所在图像内随机选取一个同等大小且与之无重合的区域作为负样本；

步骤S3.3：对每个样本内的每个SIFT点，计算其与每个单词的距离，并将其归类为距离最近的单词，然后统计归类到每个单词的点的个数，得到该样本的直方图特征表示；

作为本发明的优选，所述步骤S4的具体步骤如下：

步骤S4.1：解如下的二次规划问题，得到W和b：

其中C是由交叉验证得到的超参数，h_i为第i个样本的直方图特征，l_i为其标签；

步骤S4.2：将向量W的第j个元素作为第j个单词的得分；

作为本发明的优选，所述步骤S5的具体步骤如下：

步骤S5.1：建立一个与车道区域的外接矩形相对应的全0矩阵，其中每一个元素对应图像中的一个像素；

步骤S5.2：对于以上矩阵中所有提取过SIFT特征的元素，若该SIFT点属于第j个单词，则该矩阵元素值为w_j；

作为本发明的优选，所述步骤S6的具体步骤如下：

步骤S6.1：建立一个与得分表相同大小的全0矩阵，对于矩阵的每个元素(m,n)，计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有正的得分之和，得到正积分表；

步骤S6.2：建立一个与得分表相同大小的全0矩阵，对于矩阵的每个元素(m,n)，计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有负的得分之和，得到负积分表；

作为本发明的优选，所述步骤S7中快速搜索的具体步骤如下：

步骤S7.1：对待检测的区域以左上角为原点建立坐标系，记纵坐标为y，并令初始值y＝0；

步骤S7.2：对于y，计算左侧车道线上纵坐标值为y的点的横坐标，记为x＝f(y),横向扫描指定区域；

步骤S7.3：更新y＝y+5，然后重复执行步骤S7.2，直至到达图像边缘；

所述步骤S7.2中横向扫描的具体步骤如下：

步骤S7.2.1：计算点(x,y)和点(x+a,y+d)之间的矩形区域的得分，

I⁺(x+a,y+d)-I⁺(x+a,y)-I⁺(x,y+d)+I⁺(x,y)+I^-(x+a,y+d)-I^-(x+a,y)-I^-(x,y+d)+I^-(x,y)

其中d＝0.43*y+0.1*h，a＝0.75r(y)，r(y)为纵坐标y处两车道线的横向距离；

步骤S7.2.1：更新x＝x+5，重复步骤S7.2.1，直到矩形框接触到右侧的车道线；

作为本发明的优选，所述步骤S8的具体步骤如下：

步骤S8.1：每一个得分大于-b的矩形框为一个初步的车辆检测结果；

步骤S8.2：计算上述步骤中每一个框与其他框的重合率，若融合率大于0.7，则取得分最大的框，放弃其余的框。

有益效果：

本发明提供的基于快速搜索的单车道车辆检测方法，在搜索过程中，根据车道车辆的先验知识，选择性地搜索部分区域，大大降低搜索的次数。同时使用正负积分图，大大提高区域得分的计算效率。

附图说明

图1为本发明方法流程图；

图2为标记样本示例图；

图3为待检测区域得分表示意图；

图4为待检测图像帧；

图5为积分图计算得分示意图；

图6为区域搜索示意图；

图7为检测结果展示图。

具体实施方式

为了使本技术领域的人员更好地理解本申请中的技术方案，下面对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。

下面结合以某焊件的超声扫描图像为例附图对本发明的技术方案做了进一步的详细说明。

一种基于快速搜索的单车道车辆检测方法，如图1所示，具体步骤如下：

具体步骤如下：

步骤S1：将摄像头安装在目标车道正上方的标识牌上，收集了100幅图像，并手动将其中的车辆位置用矩形框标记，部分图片如图2所示；

步骤S2：对所有收集的每一幅图像以步长s＝5密集提取SIFT特征，并聚类成k＝100个类别，取每一个类中心构成单词表{C₁,C₂,…,C_k}；

步骤S3：用步骤S1中标记的车和非车的图像区域构造正负样本，并分别用步骤S2中的单词表计算每个样本的直方图特征；

步骤S4：用正负样本的直方图特征训练支持向量机分类器，并由训练结果得到每个单词的得分；

步骤S5：构造待检测车道区域外接矩形的得分表，其示意图如图3所示；

步骤S6：构造待检测车道区域外接矩形的正负积分表I⁺,I^-；

步骤S7：对于如图4所示的一帧待检测图像，黑框范围为目标车道，用快速搜索的方法检测该区域内的车辆；

步骤S8：用非极大抑制对以上检测结果进行筛选，得到最终的检测结果如图7所示；

所述步骤S3的具体步骤如下：

步骤S3.1：用每幅图像中标记的每个车的矩形区域作为一个正样本；

步骤S3.2：对于每一个正样本，在所在图像内随机选取一个同等大小且与之无重合的区域作为负样本；

步骤S3.3：对每个样本内的每个SIFT点，计算其与每个单词的距离，并将其归类为距离最近的单词，然后统计归类到每个单词的点的个数，得到该样本的直方图特征表示；

所述步骤S4的具体步骤如下：

步骤S4.1：解如下的二次规划问题，得到W和b：

其中C是由交叉验证得到的超参数，h_i为第i个样本的直方图特征，l_i为其标签；

步骤S4.2：将向量W的第j个元素作为第j个单词的得分；

所述步骤S5的具体步骤如下：

步骤S5.1：建立一个与车道区域的外接矩形相对应的全0矩阵，其中每一个元素对应图像中的一个像素；

步骤S5.2：对于以上矩阵中所有提取过SIFT特征的元素，若该SIFT点属于第j个单词，则该矩阵元素值为w_j；

所述步骤S6的具体步骤如下：

步骤S6.1：建立一个与得分表相同大小的全0矩阵，对于矩阵的每个元素(m,n)，计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有正的得分之和，得到正积分表；

步骤S6.2：建立一个与得分表相同大小的全0矩阵，对于矩阵的每个元素(m,n)，计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有负的得分之和，得到负积分表；

所述步骤S7中快速搜索的具体步骤如下：

步骤S7.1：对待检测的区域以左上角为原点建立坐标系，记纵坐标为y，并令初始值y＝0；

步骤S7.2：对于y，计算左侧车道线上纵坐标值为y的点的横坐标，记为x＝f(y),横向扫描指定区域；

步骤S7.3：更新y＝y+5，然后重复执行步骤S7.2，直至到达图像边缘，搜索过程的示意图如图6所示；

所述步骤S7.2中横向扫描的具体步骤如下：

步骤S7.2.1：计算点(x,y)和点(x+a,y+d)之间的矩形区域的得分，

I⁺(x+a,y+d)-I⁺(x+a,y)-I⁺(x,y+d)+I⁺(x,y)+I^-(x+a,y+d)-I^-(x+a,y)-I^-(x,y+d)+I^-(x,y)

其中d＝0.43*y+0.1*h，a＝0.75r(y)，r(y)为纵坐标y处两车道线的横向距离，用积分图快速计算某矩形区域得分的原理示意图如图5所示。

步骤S7.2.1：更新x＝x+5，重复步骤S7.2.1，直到矩形框接触到右侧的车道线；

所述步骤S8的具体步骤如下：

步骤S8.1：每一个得分大于-b的矩形框为一个初步的车辆检测结果；

步骤S8.2：计算上述步骤中每一个框与其他框的重合率，若融合率大于0.7，则取得分最大的框，放弃其余的框。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于快速搜索的单车道车辆检测方法，其特征在于，具体步骤如下：

步骤S1：将摄像头安装在目标车道正上方的标识牌上，收集若干幅图像，并手动将其中的车辆位置用矩形框标记；

步骤S2：对所有收集的每一幅图像以步长s＝5密集提取SIFT特征，并聚类成k＝100个类别，取每一个类中心构成单词表{C₁,C₂,…,C_k}；

步骤S3：用步骤S1中标记的车和非车的图像区域构造正负样本，并分别用步骤S2中的单词表计算每个样本的直方图特征；

步骤S4：用正负样本的直方图特征训练支持向量机分类器，并由训练结果得到每个单词的得分；

步骤S5：构造待检测车道区域外接矩形的得分表；

步骤S6：构造待检测车道区域外接矩形的正负积分表I⁺、I^-；

所述步骤S6的具体步骤如下：

步骤S6.1：建立一个与得分表相同大小的全0矩阵，对于矩阵的每个元素(m,n)，计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有正的得分之和，得到正积分表；

步骤S6.2：建立一个与得分表相同大小的全0矩阵，对于矩阵的每个元素(m,n)，计算以(0,0)为左上角和(m,n)为右下角的矩阵中所有负的得分之和，得到负积分表；

步骤S7：对于任一帧待检测图像，用快速搜索的方法检测待检测车道区域内的车辆；

所述步骤S7中快速搜索的具体步骤如下：

步骤S7.1：对待检测的区域以左上角为原点建立坐标系，记纵坐标为y，并令初始值y＝0；

步骤S7.2：对于y，计算左侧车道线上纵坐标值为y的点的横坐标，记为x＝f(y),横向扫描指定区域；

所述步骤S7.2中横向扫描的具体步骤如下：

步骤S7.2.1：计算点(x,y)和点(x+a,y+d)之间的矩形区域的得分，

I⁺(x+a,y+d)-I⁺(x+a,y)-I⁺(x,y+d)+I⁺(x,y)+I^-(x+a,y+d)-I^-(x+a,y)-I^-(x,y+d)+I^-(x,y)

其中d＝0.43*y+0.1*h，a＝0.75r(y)，r(y)为纵坐标y处两车道线的横向距离；

步骤S7.2.2：更新x＝x+5，重复步骤S7.2.1，直到矩形框接触到右侧的车道线；

步骤S7.3：更新y＝y+5，然后重复执行步骤S7.2，直至到达图像边缘；

步骤S8：用非极大抑制对以上检测结果进行筛选，得到最终的检测结果。

2.根据权利要求1所述的一种基于快速搜索的单车道车辆检测方法，其特征在于，所述步骤S3的具体步骤如下：

步骤S3.1：用每幅图像中标记的每个车的矩形区域作为一个正样本；

步骤S3.2：对于每一个正样本，在所在图像内随机选取一个同等大小且与之无重合的区域作为负样本；

步骤S3.3：对每个样本内的每个SIFT点，计算其与每个单词的距离，并将其归类为距离最近的单词，然后统计归类到每个单词的点的个数，得到该样本的直方图特征表示。

3.根据权利要求1所述的一种基于快速搜索的单车道车辆检测方法，其特征在于，所述步骤S4的具体步骤如下：

步骤S4.1：解如下的二次规划问题，得到W和b：

其中C是由交叉验证得到的超参数，h_i为第i个样本的直方图特征，l_i为其标签；

步骤S4.2：将向量W的第j个元素作为第j个单词的得分。

4.根据权利要求1所述的一种基于快速搜索的单车道车辆检测方法，其特征在于，所述步骤S5的具体步骤如下：

步骤S5.1：建立一个与车道区域的外接矩形相对应的全0矩阵，其中每一个元素对应图像中的一个像素；

步骤S5.2：对于以上全0矩阵中所有提取过SIFT特征的元素，若全0矩阵的SIFT点属于第j个单词，则全0矩阵的矩阵元素值为w_j。

5.根据权利要求1所述的一种基于快速搜索的单车道车辆检测方法，其特征在于，所述步骤S8的具体步骤如下：

步骤S8.1：每一个得分大于-c的矩形框为一个初步的车辆检测结果；

步骤S8.2：计算上述步骤中每一个框与其他框的重合率，若融合率大于0.7，则取得分最大的框，放弃其余的框。

Images