CN117523521A - 一种基于Haar特征和改进HOG特征的车辆检测方法 - Google Patents
一种基于Haar特征和改进HOG特征的车辆检测方法 Download PDFInfo
- Publication number
- CN117523521A CN117523521A CN202410010437.7A CN202410010437A CN117523521A CN 117523521 A CN117523521 A CN 117523521A CN 202410010437 A CN202410010437 A CN 202410010437A CN 117523521 A CN117523521 A CN 117523521A
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle
- features
- hog
- haar
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000013598 vector Substances 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 7
- 230000009467 reduction Effects 0.000 abstract description 4
- 230000004927 fusion Effects 0.000 abstract description 2
- 230000008447 perception Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 description 9
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于Haar特征和改进HOG特征的车辆检测方法,属于计算机视觉和自动驾驶感知技术领域,利用Haar特征对前方车辆目标进行初始分割,然后利用HOG特征对输出的前视遮罩图进行分析,精确提取前方车辆目标;本发明方法将Haar特征方法和HOG特征方法结合在一起,并且采用HOG特征方法时,进行了多通道特征的融合,有效进行了数据降维,能够适应复杂环境的前提下,保证了较好的运行效率,提高了检测的准确度。
Description
技术领域
本发明属于计算机视觉和自动驾驶感知技术领域,具体涉及一种基于Haar特征和改进HOG特征的车辆检测方法。
背景技术
随着城市化的快速发展,机动车数量的急剧增加,导致交通事故增多、能源浪费、环境污染、经济成本增加等问题严重加剧。解决上述问题的关键在于更好地实现交通系统的系统智能化,其中车辆的智能化是智能交通系统不可或缺的一部分。交通系统是一个复杂的综合系统,车辆在其中运行,车辆环境感知通过捕捉和应用环境信息来辅助车辆运行,在调节车辆运动方面发挥着重要作用。事实上,计算机视觉技术在车辆环境感知中发挥着重要作用。计算机视觉技术通过获取周围环境的实时图像信息,如路况、交通标志、车辆、行人和障碍物等,为驾驶员提供警告和驾驶辅助指令,如车辆安全警告、避免碰撞警告、自动驾驶和跟踪辅助等。考虑到车辆运行在交通系统中的重要性,车辆环境感知已成为国际上提高车辆运行效率和安全性的核心问题。
基于视觉的车辆假设验证方法越来越多地使用基于学习的方法,特别是由于处理能力的提高。因此,这项任务通常作为监督分类问题来解决,其中候选对象被分为两类,即车辆或非车辆。在这种情况下,用于训练分类器的特征选择起着至关重要的作用。各种特征提取技术包括主成分分析、小波变换、定向梯度直方图(HOG)和 Gabor 滤波器。一些早期的车辆验证方法使用了小波变换。最简单的小波形式是 Haar 变换,它可对图像进行局部分析,在图像编码、压缩和检索等许多应用中用于特征提取。Gabor 滤波器是小波联合空间频率表示图像的替代方法,已被证明更适合车辆检测。另一方面,主成分分析(PCA)是一种著名的特征提取技术,自然也适用于车辆图像。最后,定向梯度直方图被广泛应用于人员检测,现在也被应用于车辆检测。遗憾的是,尽管这些方法都声称在车辆验证方面表现出色,但由于缺乏通用数据库和客观全面的测试,很难定量衡量每种方法在车辆/非车辆分类方面的性能,也很难对它们进行比较。此外,尽管文献中公布的关于每种方法的统计数据很少,但它们都显示出相当不错的性能。在这种情况下,不同技术的组合就自然而然地成为了克服每种技术的局限性并在一个共同框架内利用其异质性的方法。例如,假定 Gabor 和小波特征能产生互补结果,就可以将它们结合起来。Sun 提议使用 Gabor 滤波器提取矩形特征,或将 Haar 小波特征和 Gabor 特征与 SVM 分类器相结合用于车辆检测。Matthews 和Hoffmann 等人也提出使用光流方法进行车辆检测。然而,无论是基于区域信息的特征提取算法还是光流方法,由于计算效率较低,这些方法通常无法用于实时系统。
发明内容
为解决现有技术中存在的不足,本发明提出了一种基于Haar特征和改进HOG特征的车辆检测方法,设计合理,解决了现有技术的不足,具有良好的效果。
为了实现上述目的,本发明采取如下技术方案:
一种基于Haar特征和改进HOG特征的车辆检测方法,包括以下步骤:
S1、利用Haar特征对前方车辆目标进行初始分割,包括以下子步骤:
S1.1、采集车辆前方图像的正负样本,并进行预处理;
S1.2、构造积分图像,并进行多尺度缩放;
S1.3、提取缩放后的积分图像的Haar特征;
S1.4、采用Adaboost算法训练弱分类器;
S1.5、依据权重把弱分类器组合成强分类器;
S1.6、实时采集车辆前方的图像,输入到强分类器中,输出前视遮罩图;
S2、利用HOG特征对输出的前视遮罩图进行分析,精确提取前方车辆目标,包括以下子步骤;
S2.1、初始化最小检测窗口、细胞单元和块的大小、滑动步长和缩放因子;
S2.2、对前视遮罩图进行颜色空间变换,将RGB图像转化到HSL空间,提取H、S、L三通道图像;
S2.3、分别提取H、S、L三个通道图像的HOG特征;
S2.4、以车辆目标的HOG特征作为正向样本,以非车辆区域的HOG特征作为负向样本,训练SVM分类器,得到一个训练好的SVM分类器,用于精确识别车辆目标,输出检测到的车辆目标的最终图像。
进一步地,S1.1中,采集车辆前方视频,从视频序列中选择多幅图像,将图像划分为正负样本,正样本为包含车辆的图像,负样本为道路上的非车辆图像;
将图像转换为灰度图像,采用Gamma滤波对灰度图像进行处理,减少图像中阴影和光照的变化。
进一步地,S1.2中,根据公式(1)对预处理后的图像中的每个像素点进行扫描,构造积分图像;
;(1)
其中,为位置处的积分图像值,为位置处的像素值;
对积分图像进行多尺度缩放得到多张不同尺度的积分图像。
进一步地,S1.3中,分别选取不同尺度的4个边缘特征和4个线性特征对所有正样本和负样本的积分图像进行密集扫描,得到不同尺度和位置的矩形特征向量。
进一步地,S1.4包括以下子步骤:
S1.4.1、给定样本集,样本设为;
S1.4.2、对权重进行初始化和归一化:
S1.4.3、基于每个特征训练一个弱分类器:
其中,代表一个检测子窗口,为特征,指示不等号的方向,为阈值;
计算所有弱分类器的加权错误率;
S1.4.4、选择最佳的弱分类器;
S1.4.5、按照该最佳弱分类器调整权重;
S1.4.6、得到最终的强分类器。
进一步地,S1.5中,训练时,减少被正确分类的样本权重,增加被错误分类的样本权重,整合所有的弱分类器,构成最终的强分类器。
进一步地,S2.3包括以下子步骤:
S2.3.1、首先将H通道、S通道或L通道图像分成若干个细胞单元,每2×2个细胞单元组合成一个块单元;
S2.3.2、计算每个细胞单元的每个像素点的水平梯度和垂直梯度,梯度的大
小和方向由公式(2)和(3)求得,并得到细胞单元的梯度方向直方图;
;(2)
;(3)
其中,为灰度图像在第x行第y个像素上的像素值,和分别为
细胞单元在(x, y)点的梯度值和梯度方向;
S2.3.3、对梯度方向直方图进行多尺度缩放,得到多张不同尺度的梯度方向直方图,每张梯度方向直方图生成9幅积分图像;
S2.3.4、滑动检测窗口对积分图像进行滑动检测;
在检测窗口中滑动块单元,以每个像素的梯度幅值为权值,通过检索积分图像对
细胞单元的梯度方向直方图进行计数,形成一组9维特征向量;
因此,由4个细胞单元构成的块单元能够形成一组36维特征向量;
S2.3.5、对所有块单元对应的36维特征向量归一化:
;
其中是36维特征向量,是归一化后的特征向量,是常数;
将检测窗口内所有块单元归一化后的特征向量级联组合,形成HOG特征向量;
S2.3.6、对三个通道的前视图遮罩图的HOG特征向量采用加权平均的方法进行融合;
采用主成分分析法对融合后的HOG特征向量进行降维。
本发明所带来的有益技术效果:
本发明提出了一种结合Haar和改进HOG特征的车辆检测方法,该方法进行了多通道特征的融合,有效进行了数据降维,能够适应复杂环境的前提下,保证了较好的运行效率,提高了检测的准确度。
附图说明
图1为本发明中边缘特征、线性特征和中心环绕特征模板示意图。
图2为本发明中HOG特征提取的流程图。
图3为本发明中实时采集的车辆前方图像。
图4为本发明中强分类器输出的前视遮罩图。
图5为本发明中SVM分类器输出的最终图像。
图6为采用不同特征提取方法的车辆检测时间对比示意图。
图7为采用不同特征提取方法的车辆检测准确率对比示意图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
一种基于Haar特征和改进HOG特征的车辆检测方法,包括以下步骤:
S1、利用Haar特征对前方车辆目标进行初始分割;
前视目标的初始分割是基于Haar特征进行的,这一步的目的是找到每个潜在目标以降低ROI(感兴趣区域),以减小第二阶段的计算量,提高整体算法的检测效率。Haar特征是计算机视觉中常用的一种特征描述符,Haar对物体的边缘和线条有很好的描述,所以通常用来检测物体的轮廓。扩展Haar小波包括边缘特征、线性特征和中心环绕特征三种类型,如图1所示。考虑到检测车体轮廓是本发明车辆检测的重点,车辆的整体结构具有边缘清晰、线性结构特征,本发明选择了边缘和线性描述较好的12种基本特征类型,这些特征可以充分地描述车辆的特征,以实现在第一阶段找到图像中每个潜在的车辆目标。
S1包括以下子步骤:
S1.1、采集车辆前方图像的正负样本,并进行预处理;
采集车辆前方视频,从视频序列中选择多幅图像,将图像划分为正负样本,正样本为包含车辆的图像,负样本为道路上的非车辆图像;
将图像转换为灰度图像,同时为了减少光纤的影响,采用Gamma滤波对灰度图像进行处理,减少图像中阴影和光照的变化。
S1.2、构造积分图像,并进行多尺度缩放;
S1.2中,根据公式(1)对预处理后的图像中的每个像素点进行扫描,构造积分图像;
;(1)
其中,为位置处的积分图像值,为位置处的像素值;
对积分图像进行多尺度缩放得到多张不同尺度的积分图像;图像缩放可以将目标对象缩小或放大到合适的尺寸,使得目标检测算法能够在不同尺度的图像上尽享有效的分析和判断。在不丧失一般性的情况下,缩放的比例系数设为1.2,更好地平衡检测效率和漏检率。为了实现多尺度目标检测,需要对不同分辨率的图像进行扫描,并逐步缩放到真实图像尺寸。
S1.3、提取缩放后的积分图像的Haar特征;
分别选取不同尺度的4个边缘特征和4个线性特征对所有正样本和负样本的积分图像进行密集扫描,得到不同尺度和位置的矩形特征向量。
S1.4、采用Adaboost算法训练弱分类器;
S1.4包括以下子步骤:
S1.4.1、给定样本集,样本设为;
S1.4.2、对权重进行初始化和归一化:
S1.4.3、基于每个特征训练一个弱分类器:
其中,代表一个检测子窗口,为特征,指示不等号的方向,为阈值;
计算所有弱分类器的加权错误率;
S1.4.4、选择最佳的弱分类器;
S1.4.5、按照该最佳弱分类器调整权重;
S1.4.6、得到最终的强分类器。
S1.5、依据权重把弱分类器组合成强分类器;
训练时,减少被正确分类的样本权重,增加被错误分类的样本权重,整合所有的弱分类器,构成最终的强分类器。
S1.6、实时采集车辆前方的图像,如图3所示,输入到强分类器中,输出前视遮罩图,如图4所示。
S2、利用HOG特征对输出的前视遮罩图进行分析,精确提取前方车辆目标,如图2所示;
该步骤的目的是利用HOG特征对上阶段输出的前视遮罩图进行分析,找到精确的目标,在有高召回率的前提下提高检测准确度。直方图定向梯度特征具有良好描述物体的优点,它对光线改变具有很好的鲁棒性,而且它和SIFT特征相比,没有旋转和尺度不变性,特征提取的计算量相对较小,目前被广泛应用于通过密集的图像扫描和复杂的计算,扫描密集和重叠的特征提取精确目标。本发明采用HOG特征和积分图像对车辆进行检测,并且使用基于HSL色彩空间的三通道融合HOG特征方法,以充分利用图像的颜色信息,提高车辆检测的准确度。
因此,在利用Haar特征获得潜在目标的前视遮罩图后,可以在前视遮罩图的基础上进行后续的HOG特征提取,从而大大节省了提取准确车辆目标的计算时间。车辆检测过程涉及对前视遮罩图的HOG特征密集扫描,并使用线性分类器SVM(支持向量机)进行分类。
S2包括以下子步骤;
S2.1、初始化最小检测窗口、细胞单元和块的大小、滑动步长和缩放因子;
S2.2、对前视遮罩图进行颜色空间变换,将RGB图像转化到HSL空间,提取H、S、L三通道图像;
S2.3、分别提取H、S、L三个通道图像的HOG特征;
S2.3包括以下子步骤:
S2.3.1、首先将H通道、S通道或L通道图像分成若干个细胞单元,每2×2个细胞单元组合成一个块单元;
S2.3.2、计算每个细胞单元的每个像素点的水平梯度和垂直梯度,梯度的大
小和方向由公式(2)和(3)求得,并得到细胞单元的梯度方向直方图;
;(2)
;(3)
其中,为灰度图像在第x行第y个像素上的像素值,和分别为
细胞单元在(x, y)点的梯度值和梯度方向;
S2.3.3、对梯度方向直方图进行多尺度缩放,得到多张不同尺度的梯度方向直方图,每张梯度方向直方图生成9幅积分图像;
S2.3.4、滑动检测窗口对积分图像进行滑动检测;
在检测窗口中滑动块单元,以每个像素的梯度幅值为权值,通过检索积分图像对
细胞单元的梯度方向直方图进行计数,形成一组9维特征向量;
因此,由4个细胞单元构成的块单元能够形成一组36维特征向量;
S2.3.5、对所有块单元对应的36维特征向量归一化:
;
其中是36维特征向量,是归一化后的特征向量,是常数;
将检测窗口内所有块单元归一化后的特征向量级联组合,形成HOG特征向量;
S2.3.6、对三个通道的前视图遮罩图的HOG特征向量采用加权平均的方法进行融合;
采用主成分分析法对融合后的HOG特征向量进行降维;主成分分析是一种常用的数据降维算法,主要用于对高维数据的降维,保留主要的信息,减少无关信息的干扰,从而达到加快数据处理速度的目的。
S2.4、以车辆目标的HOG特征作为正向样本,以非车辆区域的HOG特征作为负向样本,训练SVM分类器,得到一个训练好的SVM分类器,用于精确识别车辆目标,输出检测到的车辆目标的最终图像,如图5所示。
如图6所示,与单独使用HOG特征方法相比,采用本发明方法的检测速度更快,如图7所示,与单独使用Haar特征或HOG特征方法相比,当真阳性率相同时,本发明方法的假阳性率更低。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (7)
1.一种基于Haar特征和改进HOG特征的车辆检测方法,其特征在于,包括以下步骤:
S1、利用Haar特征对前方车辆目标进行初始分割,包括以下子步骤:
S1.1、采集车辆前方图像的正负样本,并进行预处理;
S1.2、构造积分图像,并进行多尺度缩放;
S1.3、提取缩放后的积分图像的Haar特征;
S1.4、采用Adaboost算法训练弱分类器;
S1.5、依据权重把弱分类器组合成强分类器;
S1.6、实时采集车辆前方的图像,输入到强分类器中,输出前视遮罩图;
S2、利用HOG特征对输出的前视遮罩图进行分析,精确提取前方车辆目标,包括以下子步骤;
S2.1、初始化最小检测窗口、细胞单元和块的大小、滑动步长和缩放因子;
S2.2、对前视遮罩图进行颜色空间变换,将RGB图像转化到HSL空间,提取H、S、L三通道图像;
S2.3、分别提取H、S、L三个通道图像的HOG特征;
S2.4、以车辆目标的HOG特征作为正向样本,以非车辆区域的HOG特征作为负向样本,训练SVM分类器,得到一个训练好的SVM分类器,用于精确识别车辆目标,输出检测到的车辆目标的最终图像。
2.根据权利要求1所述的一种基于Haar特征和改进HOG特征的车辆检测方法,其特征在于,S1.1中,采集车辆前方视频,从视频序列中选择多幅图像,将图像划分为正负样本,正样本为包含车辆的图像,负样本为道路上的非车辆图像;
将图像转换为灰度图像,采用Gamma滤波对灰度图像进行处理,减少图像中阴影和光照的变化。
3.根据权利要求2所述的一种基于Haar特征和改进HOG特征的车辆检测方法,其特征在于,S1.2中,根据公式(1)对预处理后的图像中的每个像素点进行扫描,构造积分图像;
;(1)
其中,为位置/>处的积分图像值,/>为位置/>处的像素值;
对积分图像进行多尺度缩放得到多张不同尺度的积分图像。
4.根据权利要求3所述的一种基于Haar特征和改进HOG特征的车辆检测方法,其特征在于,S1.3中,分别选取不同尺度的4个边缘特征和8个线性特征对所有正样本和负样本的积分图像进行密集扫描,得到不同尺度和位置的矩形特征向量。
5.根据权利要求4所述的一种基于Haar特征和改进HOG特征的车辆检测方法,其特征在于,S1.4包括以下子步骤:
S1.4.1、给定样本集,样本设为;
S1.4.2、对权重进行初始化和归一化:
S1.4.3、基于每个特征训练一个弱分类器:
;
其中,代表一个检测子窗口,/>为特征,/>指示不等号的方向,/>为阈值;
计算所有弱分类器的加权错误率;
S1.4.4、选择最佳的弱分类器;
S1.4.5、按照该最佳弱分类器调整权重;
S1.4.6、得到最终的强分类器。
6.根据权利要求5所述的一种基于Haar特征和改进HOG特征的车辆检测方法,其特征在于,S1.5中,训练时,减少被正确分类的样本权重,增加被错误分类的样本权重,整合所有的弱分类器,构成最终的强分类器。
7.根据权利要求6所述的一种基于Haar特征和改进HOG特征的车辆检测方法,其特征在于,S2.3包括以下子步骤:
S2.3.1、首先将H通道、S通道或L通道图像分成若干个细胞单元,每2×2个细胞单元组合成一个块单元;
S2.3.2、计算每个细胞单元的每个像素点的水平梯度和垂直梯度/>,梯度的大小和方向由公式(2)和(3)求得,并得到细胞单元的梯度方向直方图;
;(2)
;(3)
其中,为灰度图像在第x行第y个像素上的像素值,/>和/>分别为细胞单元在(x, y)点的梯度值和梯度方向;
S2.3.3、对梯度方向直方图进行多尺度缩放,得到多张不同尺度的梯度方向直方图,每张梯度方向直方图生成9幅积分图像;
S2.3.4、滑动检测窗口对积分图像进行滑动检测;
在检测窗口中滑动块单元,以每个像素的梯度幅值为权值,通过检索积分图像对细胞单元的梯度方向直方图进行计数,形成一组9维特征向量;
因此,由4个细胞单元构成的块单元能够形成一组36维特征向量;
S2.3.5、对所有块单元对应的36维特征向量归一化:
;
其中是36维/>特征向量,/>是归一化后的特征向量,/>是常数;
将检测窗口内所有块单元归一化后的特征向量级联组合,形成HOG特征向量;
S2.3.6、对三个通道的前视图遮罩图的HOG特征向量采用加权平均的方法进行融合;
采用主成分分析法对融合后的HOG特征向量进行降维。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410010437.7A CN117523521B (zh) | 2024-01-04 | 2024-01-04 | 一种基于Haar特征和改进HOG特征的车辆检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410010437.7A CN117523521B (zh) | 2024-01-04 | 2024-01-04 | 一种基于Haar特征和改进HOG特征的车辆检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117523521A true CN117523521A (zh) | 2024-02-06 |
CN117523521B CN117523521B (zh) | 2024-04-02 |
Family
ID=89755281
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410010437.7A Active CN117523521B (zh) | 2024-01-04 | 2024-01-04 | 一种基于Haar特征和改进HOG特征的车辆检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117523521B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855500A (zh) * | 2011-06-27 | 2013-01-02 | 东南大学 | 一种基于Haar和HoG特征的前车检测方法 |
DE102013112163A1 (de) * | 2012-11-09 | 2014-05-15 | Analog Devices Technology | Objekterkennung |
CN103902968A (zh) * | 2014-02-26 | 2014-07-02 | 中国人民解放军国防科学技术大学 | 一种基于AdaBoost分类器的行人检测模型训练方法 |
CN107103317A (zh) * | 2017-04-12 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 基于图像融合和盲反卷积的模糊车牌图像识别算法 |
CN109948582A (zh) * | 2019-03-28 | 2019-06-28 | 湖南大学 | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 |
CN111582086A (zh) * | 2020-04-26 | 2020-08-25 | 湖南大学 | 基于多特征的疲劳驾驶识别方法及系统 |
-
2024
- 2024-01-04 CN CN202410010437.7A patent/CN117523521B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102855500A (zh) * | 2011-06-27 | 2013-01-02 | 东南大学 | 一种基于Haar和HoG特征的前车检测方法 |
DE102013112163A1 (de) * | 2012-11-09 | 2014-05-15 | Analog Devices Technology | Objekterkennung |
CN103902968A (zh) * | 2014-02-26 | 2014-07-02 | 中国人民解放军国防科学技术大学 | 一种基于AdaBoost分类器的行人检测模型训练方法 |
CN107103317A (zh) * | 2017-04-12 | 2017-08-29 | 湖南源信光电科技股份有限公司 | 基于图像融合和盲反卷积的模糊车牌图像识别算法 |
CN109948582A (zh) * | 2019-03-28 | 2019-06-28 | 湖南大学 | 一种基于跟踪轨迹分析的车辆逆行智能检测方法 |
CN111582086A (zh) * | 2020-04-26 | 2020-08-25 | 湖南大学 | 基于多特征的疲劳驾驶识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
SHANCHENG JIANG: "Automated Detection of Multitype Landforms on Mars Using a Light-Weight Deep Learning-Based Detector", 《IEEE TRANSACTIONS ON AEROSPACE AND ELECTRONIC SYSTEMS》, 29 April 2022 (2022-04-29) * |
刘玉洁: "城市公交网络系统韧性修复方案设计", 《复杂系统与复杂性科学》, 31 March 2023 (2023-03-31) * |
张芝英: "基于目标运动信息和HOG特征的行人检测的研究与实现", 《中国优秀硕士学位论文全文数据库》, 15 November 2014 (2014-11-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN117523521B (zh) | 2024-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Multi-vehicle detection algorithm through combining Harr and HOG features | |
WO2019196130A1 (zh) | 面向车载热成像行人检测的分类器训练方法和装置 | |
Puranic et al. | Vehicle number plate recognition system: a literature review and implementation using template matching | |
Wang et al. | Improved human detection and classification in thermal images | |
Dlagnekov | License plate detection using adaboost | |
EP2575077B1 (en) | Road sign detecting method and road sign detecting apparatus | |
Zhang et al. | Study on traffic sign recognition by optimized Lenet-5 algorithm | |
KR101176552B1 (ko) | 속도 제한 표지판 인식 방법 및 장치, 이미지 인식 방법 | |
Kuang et al. | Feature selection based on tensor decomposition and object proposal for night-time multiclass vehicle detection | |
CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
CN107315990B (zh) | 一种基于xcs-lbp特征的行人检测算法 | |
Zang et al. | Traffic sign detection based on cascaded convolutional neural networks | |
CN109886086B (zh) | 基于hog特征和线性svm级联分类器的行人检测方法 | |
CN107578048B (zh) | 一种基于车型粗分类的远视场景车辆检测方法 | |
Kim et al. | Autonomous vehicle detection system using visible and infrared camera | |
CN110706235A (zh) | 一种基于双级级联分割的远红外行人检测方法 | |
CN110866435B (zh) | 一种自相似性梯度朝向直方图的远红外行人训练方法 | |
Dong et al. | Nighttime pedestrian detection with near infrared using cascaded classifiers | |
Tamersoy et al. | Robust vehicle detection for tracking in highway surveillance videos using unsupervised learning | |
CN117523521B (zh) | 一种基于Haar特征和改进HOG特征的车辆检测方法 | |
KR20130052334A (ko) | 표지판 인식장치, 표지판 인식방법, 및 이미지 인식방법 | |
Li et al. | Real-time traffic sign detection algorithm based on dynamic threshold segmentation and SVM | |
CN104077566B (zh) | 基于颜色差分的卡口图片人脸检测方法 | |
Kosala et al. | Robust License Plate Detection in Complex Scene using MSER-Dominant Vertical Sobel. | |
CN112288765A (zh) | 一种用于车载红外行人检测跟踪的图像处理方法 |
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 |