CN110909781A - 一种基于车辆倒车镜的车辆检测方法 - Google Patents

Abstract

本发明公开了一种基于车辆倒车镜的车辆检测方法，在训练阶段，首先采集车辆倒车镜及非车辆倒车镜样本，归一化处理后进行训练得到车辆倒车镜矩形特征及弱分类器；利用Adaboost算法识别车辆倒车镜的强分类器；经多次训练得到车辆倒车镜检测分类器；检测阶段中，首先计算实时环境下采集图像的积分图；利用训练好的车辆倒车镜强分类器对图像当中若干个窗口进行检测，若检测成功则该处出现车辆，根据车辆倒车镜大小检测车辆大小，若检测不成功则该处无车辆，标记后精确获得车辆出现位置。本发明提高了车辆检测的效率，提高了车辆检测的准确性。

Description

一种基于车辆倒车镜的车辆检测方法

技术领域

本发明属于车辆检测技术领域，具体涉及一种基于车辆倒车镜的车辆检测方法。

背景技术

随着社会的不断发展，车辆的相关问题一直是社会所关注的问题。而车辆检测越来越受到大家的关注，应用的领域也越来越广泛，生活中的各个地方也都有了车联检测的接触，在生活中每一种事物都有着自己的特征，而对于这种特征我们有着自己的识别方法，车辆检测的研究作为实物自身特征识别的一个重要的部分，在研究中扮演着非常重要的角色。在目前的研究领域当中车辆检测已经成为了计算机视觉和模式识别中一个十分重要的角色，在研究的过程中也扮演着十分重要的作用。对于车辆检测目前也是很多学者注意的问题。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于车辆倒车镜的车辆检测方法,重新规划车辆倒车镜的特征模型,原有车辆检测的基础上可以更好的实现车辆检测的目的。

本发明采用以下技术方案：

一种基于车辆倒车镜的车辆检测方法，在训练阶段，首先采集车辆倒车镜及非车辆倒车镜样本，归一化处理后进行训练得到车辆倒车镜矩形特征及弱分类器；利用Adaboost算法识别车辆倒车镜的强分类器；经多次训练得到车辆倒车镜检测分类器；检测阶段中，首先计算实时环境下采集图像的积分图；利用训练好的车辆倒车镜强分类器对图像当中若干个窗口进行检测，若检测成功则该处出现车辆，根据车辆倒车镜大小检测车辆大小，若检测不成功则该处无车辆，标记后精确获得车辆出现位置。

具体的，训练阶段的具体步骤如下：

S101、采用摄像头采集若干个车辆倒车镜及非车辆倒车镜样本，对样本进行尺度和光照归一化处理；

S102、对采集好的关于倒车镜的车辆样本进行训练，构造能够进行车辆倒车镜矩形特征及弱分类器；

S103、利用步骤S102得到的弱分类器和改进的Adaboost算法进行训练，得出能够识别车辆倒车镜的强分类器；

S104、重复步骤S102和S103的训练过程得到结构简单且多层的分类器；

S105、将步骤S104中得到的分类器进行级联，得到一个完整的车辆倒车镜检测的分类器用于车辆倒车镜检测。

进一步的，步骤S101中，引入车辆倒车镜的正面特征，包括两个大小相似的矩形特征，将倒车镜正面的模型分为四个拐角特征进行检测。

进一步的，步骤S102具体为：构造Haar-like特征用于提供车辆检测的模型，反应实时采集图像的局部灰度变化；计算矩形区域的特征值；挑选出矩形的特征值并构成与其相对应的弱分类器。

更进一步的，对于一个能够鉴别车辆倒车镜图像的弱分类器h_j(x)，如果计算相关车辆倒车镜的特征值处于一个上限值upperlimit和一个下限值lowerlimit之间，即被训练成强分类器的最佳分类器，具体为：

。

进一步的，步骤S103中，采用多分类法对Adaboost算法进行优化，首先根据采集到的车辆倒车镜或车辆的模型将最原始的弱分类器h_j(x)∈{0,1}进行算法错误率估计，为：

根据估计的错误率将样本空间分类。

更进一步的，在使用Adaboost算法进行训练时，车辆或车辆倒车镜为v₁，近似于车辆或车辆倒车镜为v₂，与车辆或车辆倒车镜不相似为v₃；根据设定分类，训练能够识别v₁以及v₂的强分类器；同时对v₃部分的分类器进行训练，找出与车辆或车辆倒车镜相差最大错误率的分类器，在实时进行车辆或者车辆倒车镜检测中去除v₃部分的子图像，对v₁以及v₂部分进行检测。

具体的，检测阶段具体为：

S201、对实时环境下采集到的图像进行一定的处理和放大，提取图像中若干个子窗口；

S202、计算各个子窗口图像当中的积分图；

S203、利用训练好的车辆倒车镜的强分类器对图像当中若干个窗口进行检测，先检测子窗口中是否含有车辆倒车镜，有则说明该处出现车辆，再使用训练出来的车辆分类器进行车辆的检测并根据倒车镜的分类器特征得出检测车辆的大小，检测不成功则说明该处无车辆；

S204、将检测好的车辆倒车镜位置标记，进行合并和划线并在此基础上，根据原有的车辆检测模型精确标出车辆出现位置。

进一步的，步骤S202中，遍历好的子图像积分图包括：

倾角为0度的积分图，特征原型派生出的特征数为：

积分图Sum(x,y)表示点(x,y)在左上方的所有像素的和，定义为：

其中，I(X,Y)为采集的原图像上的一个像素值；

倾角为45度的积分图，特征原型派生出的特征数为：

积分图Sum(x,y)定义为：

表示点(x,y)在正上方的所有像素的和两种积分图的像素及特征值。

与现有技术相比，本发明至少具有以下有益效果：

本发明一种基于车辆倒车镜的车辆检测方法，考虑到在实时图像采集过程中，图像中会出现较多数量的汽车，此时直接根据车辆整体的Haar-like特征进行车辆检测时不仅工作量大而且不准确，此时如果可以根据车辆上独有的特征类似于人脸上的人耳一样设定该特征的Haar-like特征率先先进行检测那么就可以解决这个问题。本发明根据这一特点考虑到车辆上的倒车镜是一定存在的，并且可以根据倒车镜的大小区分出车辆的大小，因为大货车的倒车镜和小轿车的倒车镜有明显的差异的，因此设计出车辆倒车镜的特征模型，在对一个实时图像进行车辆检测时先检测车辆的倒车镜检测出车辆的位置，然后根据车辆特征模型检测出车辆，这样不但可以提高检测的速度并且很有效的提高了检测的准确性。

进一步的，不仅可以有效的对实时采集到的图像进行处理，并且可以在进行车辆倒车镜或者车辆样本分类器进行训练时，可使用Adaboost算法进行反复的训练时，可有效地训练出识别检测对象的强分类器。

进一步的，对于车联倒车镜的正面特征模型，如图3这样设计，考虑到车辆倒车镜镜面和外围轮廓的颜色差异，我们进行设定这样可以将车辆倒车镜的正面整体的特征体现出来。并且考虑到在检测过程中车辆会以不同的角度出现，因此设计了四个车辆倒车镜的拐角模型，如图3(b)所示，这样根据此模型在训练出倒车镜的强分类器后可以有效地根据实际情况进行车辆倒车镜的检测。

进一步的，构造出的车辆倒车镜Haar-like特征模型以及表示该特征模型的的弱分类器。首先构造出的倒车镜的Haar-like特征模型可以有效的反映出车辆倒车镜的局部特征，使用这些局部特征可以有效的识别出车辆倒车镜，并且对于车辆倒车镜图像的弱分类器h_j(x)的设定，其目的是考虑到一个车辆倒车镜的特征值的偏差它一定会在一个区域之间，这样设定就更简洁的反映出车辆倒车镜特征的原型，为Adaboost算法进行车辆倒车镜强分类的训练做基础。

进一步的，优化后的Adaboost算法，其目的和好处在于我们可以事先对训练样本的错误率进行估计，这样可以在算法训练之前就能对样本空间进行分类使其算法分类的目的性更强。

进一步的，对于实时采集到的图像，进行一定的处理和放大，并对实时图像进行分割分成若干个子窗口，根据积分图的概念，在检测阶段进行时可使用训练好的分类器对每一个子窗口进行检测，这样设计依照了人脸检测的原型使得在检测过程中对实时采集到的图像每个部分都进行检测，提高了检测的准确性。

进一步的，子图像积分图的设计根据了积分图最基本的概念进行，本发明也就是使用了最基本的积分图的概念，子图像积分图的设计可有效的反应出图像的Haar-like特征值以及图像的基本变化，为检测阶段的进行提供了帮助。

综上所述，本发明提高了车辆检测的效率，提高了车辆检测的准确性。

下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。

附图说明

图1为车辆倒车镜检测系统示意图；

图2为大车小车倒车镜特征模型图，其中，(a)为大车，(b)为小车；

图3为车辆倒车镜正面模型，其中，(a)为大车，(b)为小车；

图4为Adaboost算法进行样本训练的过程；

图5为Adaboost算法训练的详细过程；

图6为Haar-like基本特征描述；

图7为倾角为0度的积分图；

图8为倾角为45度的积分图；

图9为车辆倒车镜检测效果示意图；

图10为基于倒车镜检测的车辆检测效果的示意图。

具体实施方式

本发明提供了一种基于车辆倒车镜的车辆检测方法，在原有的Adaboost算法的基础上根据Haar-like特征原型为基础进行车辆检测的方法。在原本已有的四种不对称的Haar-like特征模型的基础上在进行分类，并增加新的倒车镜的模型使得更能实现更为准确地检测车辆的方法，提高车辆检测的效率；并在进行分类好的车辆样本的基础上再次根据车辆的大小再次进行分类。经过改正后不但可以大大的提高车辆检测的效率，并能实现车辆大小的检测。

请参阅图1，本发明一种基于车辆倒车镜的车辆检测方法，包括以下步骤：

S1、训练

S101、采用摄像头采集若干个车辆倒车镜以及非车辆倒车镜的样本，并对样本进行尺度和光照的归一化处理，如图2和图3所示；

引入车辆倒车镜的正面特征，由两个大小相似的矩形特征组成。对于车辆倒车镜的正面模型特征考虑到角度以及实时检测过程中出现的问题，根据车辆倒车镜自身的特点将倒车镜正面的模型分为四个拐角特征进行检测。

S102、利用采集好的关于倒车镜的车辆样本进行训练，构造出能够进行车辆倒车镜矩形特征以及弱的分类器，如图4所示；

其中，{1,...,N}表示该矩形特征由N个矩形构成，w_i为第i个矩形的权值，RecSum(r_i)为第i个矩形内所有像素的灰度值之和；

利用采集到的样本进行训练，提取能够区分车辆以及非车辆和车辆倒车镜以及非车辆倒车镜的特征以及相关的分类器，具体的实现步骤如下：

A.构造Haar-like特征，用于提供车辆检测的模型，其主要目的是反应实时采集图像的局部灰度的变化，如图6所示；

B.计算矩形区域的特征值；

C.挑选出矩形的特征值并构成与其相对应的弱分类器。

建立车辆倒车镜特征的弱分类器具体为：对于一个能够鉴别车辆倒车镜图像的弱分类器h_j(x)如果计算相关车辆倒车镜的特征值处于一个上限值upperlimit和一个下限值lowerlimit之间，即被训练成强分类器的最佳分类器，则：

S103、利用得到的弱分类器和改进的Adaboost算法进行训练，得出能够识别车辆倒车镜的强分类器；

请参阅图5，采用多分类的方法对Adaboost算法进行优化，首先根据采集到的车辆倒车镜或车辆的模型现将最原始的弱分类器h_j(x)∈{0,1}将本发明进行算法的错误率进行一定的估计

根据估计的错误率将样本空间进行一定的分类：

车辆或车辆倒车镜为v₁，近似于车辆或车辆倒车镜为v₂，与车辆或车辆倒车镜不相似为v₃；在使用Adaboost进行训练时根据设定好的分类，在不断训练并完善车辆或车辆倒车镜分类器的同时可以训练出可以识别v₁以及v₂的强分类器。同时在v₃部分我们在不断完善可识别v₁以及v₂强分类器的同时可以将v₃部分的分类器进行训练找出与车辆或车辆倒车镜相差最大错误率的分类器，这样在实时进行车辆或者车辆倒车镜检测当中我们可以率先去除v₃部分的子图像在v₁以及v₂部分进行检测这样可以大大的提高效率；

S104、重复步骤S102和S103的训练过程得到结构简单且多层的分类器；

S105、把步骤S104中得到的分类器级联起来，得到一个完整的车辆倒车镜检测的分类器用于车辆倒车镜的检测中；

S2、检测

S201、对实时环境下采集到的图像进行一定的处理和放大，提取图像中若干个子窗口；

S202、计算各个子窗口图像当中的积分图；

对于遍历好的图像根据矩形特征值的计算：

请参阅图7和图8，对于遍历好的子图像的积分图，积分图的图像有两种：倾角为0度的积分图，倾角为45度的积分图，具体为：

对于倾角为0度的矩形特征：

如图3所示的倒车镜特征图，从倾角为0度的特征原型能派生出的特征数为：

积分图Sum(x,y)表示点(x,y)在左上方的所有像素的和，定义为：

其中，I(X,Y)为采集的原图像上的一个像素值；

对于倾角为45度的矩形特征：

从倾角为45度的特征原型能派生出的特征数为：

积分图Sum(x,y)定义为：

表示点(x,y)在正上方的所有像素的和两种积分图的像素及特征值，计算完成后使用检测阶段所描述的积分图特征值计算公式进行计算，具体为：

S203、利用训练好的车辆倒车镜的强分类器对图像当中若干个窗口进行检测，在原有车辆特征检测的基础上检测成功则说明该处出现车辆并根据车辆倒车镜的大小检测车辆的大小，检测不成功则说明该处无车辆，如图9所示；

考虑到在使用固定位置的摄像头采集实时图像时出现的不确定性，检测顺序分两步，先检测图像倒车镜的位置再检测车辆出现的位置；具体来说在检测过程中先检测子窗口中是否含有车辆倒车镜，有则说明该处出现车辆，再使用训练出来的车辆分类器进行车辆的检测并根据倒车镜的分类器特征得出检测车辆的大小。

S204、将检测好的车辆倒车镜位置标记，进行合并和划线并在此基础上，根据原有的车辆检测模型精确标出车辆出现位置，如图10所示。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明一种基于车辆倒车镜的车辆检测方法，使用优化的Adaboost算法进行车辆倒车镜检测为例，具体如下：

A.给定一个训练的样本(x₁,y₁),(x₂,y₂),K,(x_n,y_n),其中，y_i＝0表示其为负样本(非车辆倒车镜)，y_i＝1表示其为正样本(车辆倒车镜)，n为所有的训练样本数量；

B.初始化权重w_1,i＝D(i),在这里提供一种初始化权重D(i)的方法，

(对负样本)或

(对正样本)，其中，m，l分别是负样本和正样本的数量，n＝m+l；

对于t＝1,K,T(T为弱分类器的最大编号)，设定一个预测的函数y_t；

C.归一化权重：

q_t,i呈现概率分布；

D.根据设定好的权重值，计算该预测函数的错误率：

E.对于每个特征f_j,训练一个只关联于单个特征的弱分类器h_j,计算对应所有的特征的弱分类的加权q_t,i的错误率ε_f：

根据ε_i和ε_f的值，将所有的样本空间的分为v₁,v₂和v₃；

F.选取最佳的弱分类器h_j(x)，拥有最小的错误率ε_t:

由此可得最弱分类器中最佳的分类器为h_t(x)，这个分类器可以识别v₁以及v₂，也就是我们在训练检测倒车镜所用到的最强分类器的基础；

G.并且将最大错误率的分类器(根据拥有的最大错误率ε_h)也进行表示出来:

并根据拥有最大错误率ε_h的分类器，训练该分类器，进行v₃的识别，这样在检测当中就可以根据该分类器率先去除v₃部分，再进行v₁以及v₂部分的检测；

H.按照这个最弱并且最佳的分类器h_t(x)，调整权重：

其中，e_i＝0表示x_i被正确地分类，e_i＝1表示x_i被错误地分类,其中弱分类器的权重系数

I.根据不断的训练训练若干个最弱并最佳的分类器

其中(i＝1.2.3...n)，不断调整权重值值并将这若干个分类器组成若干个识别v₁,v₂和v₃的多层分类器，经过不断的训练和完善可训练出最强是被倒车镜的分类器；

J.最后最强的分类器(采用基本分类器的线性组合而成)为：

其中，

本发明的优点如下：

在车辆检测的过程中根据车辆倒车镜的特点，增加了一种车辆倒车镜的Haar-like的特征模型并使用Adaboost算法进行训练，将训练好的特征分类器使用到车辆检测当中，在进行车辆的检测之前对实时图像先进行车辆倒车镜的检测，确定出车辆在实时图像当中出现的位置之后再进行车辆的检测，这样不但提高了车辆检测的效率而且大大的提高了车辆检测的准确性；

优化的Adaboost算法，优化的Adaboost算法主要就是在进行训练之前对训练样本的算法错误率进行估计，并对训练样本空间的Haar-like特征分类器进行分类，将近似检测对象的分类器以及偏差较大的分类器在训练的过程中都进行分类和训练，这样在检测过程中就可以根据训练好的分类器优先的排除偏差较大的部分，大大提高检测的效率。

以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (9)

1.一种基于车辆倒车镜的车辆检测方法，其特征在于，在训练阶段，首先采集车辆倒车镜及非车辆倒车镜样本，归一化处理后进行训练得到车辆倒车镜矩形特征及弱分类器；利用Adaboost算法识别车辆倒车镜的强分类器；经多次训练得到车辆倒车镜检测分类器；检测阶段中，首先计算实时环境下采集图像的积分图；利用训练好的车辆倒车镜强分类器对图像当中若干个窗口进行检测，若检测成功则该处出现车辆，根据车辆倒车镜大小检测车辆大小，若检测不成功则该处无车辆，标记后精确获得车辆出现位置。

2.根据权利要求1所述的基于车辆倒车镜的车辆检测方法，其特征在于，训练阶段的具体步骤如下：

S101、采用摄像头采集若干个车辆倒车镜及非车辆倒车镜样本，对样本进行尺度和光照归一化处理；

S102、对采集好的关于倒车镜的车辆样本进行训练，构造能够进行车辆倒车镜矩形特征及弱分类器；

S103、利用步骤S102得到的弱分类器和改进的Adaboost算法进行训练，得出能够识别车辆倒车镜的强分类器；

S104、重复步骤S102和S103的训练过程得到结构简单且多层的分类器；

S105、将步骤S104中得到的分类器进行级联，得到一个完整的车辆倒车镜检测的分类器用于车辆倒车镜检测。

3.根据权利要求2所述的基于车辆倒车镜的车辆检测方法，其特征在于，步骤S101中，引入车辆倒车镜的正面特征，包括两个大小相似的矩形特征，将倒车镜正面的模型分为四个拐角特征进行检测。

4.根据权利要求2所述的基于车辆倒车镜的车辆检测方法，其特征在于，步骤S102具体为：构造Haar-like特征用于提供车辆检测的模型，反应实时采集图像的局部灰度变化；计算矩形区域的特征值；挑选出矩形的特征值并构成与其相对应的弱分类器。

5.根据权利要求4所述的基于车辆倒车镜的车辆检测方法，其特征在于，对于一个能够鉴别车辆倒车镜图像的弱分类器h_j(x)，如果计算相关车辆倒车镜的特征值处于一个上限值upper limit和一个下限值lower limit之间，即被训练成强分类器的最佳分类器，具体为：

6.根据权利要求2所述的基于车辆倒车镜的车辆检测方法，其特征在于，步骤S103中，采用多分类法对Adaboost算法进行优化，首先根据采集到的车辆倒车镜或车辆的模型将最原始的弱分类器h_j(x)∈{0,1}进行算法错误率估计，为：

根据估计的错误率将样本空间分类。

7.根据权利要求6所述的基于车辆倒车镜的车辆检测方法，其特征在于，在使用Adaboost算法进行训练时，车辆或车辆倒车镜为v₁，近似于车辆或车辆倒车镜为v₂，与车辆或车辆倒车镜不相似为v₃；根据设定分类，训练能够识别v₁以及v₂的强分类器；同时对v₃部分的分类器进行训练，找出与车辆或车辆倒车镜相差最大错误率的分类器，在实时进行车辆或者车辆倒车镜检测中去除v₃部分的子图像，对v₁以及v₂部分进行检测。

8.根据权利要求1所述的基于车辆倒车镜的车辆检测方法，其特征在于，检测阶段具体为：

S201、对实时环境下采集到的图像进行一定的处理和放大，提取图像中若干个子窗口；

S202、计算各个子窗口图像当中的积分图；

S203、利用训练好的车辆倒车镜的强分类器对图像当中若干个窗口进行检测，先检测子窗口中是否含有车辆倒车镜，有则说明该处出现车辆，再使用训练出来的车辆分类器进行车辆的检测并根据倒车镜的分类器特征得出检测车辆的大小，检测不成功则说明该处无车辆；

S204、将检测好的车辆倒车镜位置标记，进行合并和划线并在此基础上，根据原有的车辆检测模型精确标出车辆出现位置。

9.根据权利要求8所述的基于车辆倒车镜的车辆检测方法，其特征在于，步骤S202中，遍历好的子图像积分图包括：

倾角为0度的积分图，特征原型派生出的特征数为：

积分图Sum(x,y)表示点(x,y)在左上方的所有像素的和，定义为：

其中，I(X,Y)为采集的原图像上的一个像素值；

倾角为45度的积分图，特征原型派生出的特征数为：

积分图Sum(x,y)定义为：

表示点(x,y)在正上方的所有像素的和两种积分图的像素及特征值。

Images