【技术实现步骤摘要】
本专利技术涉及一种前方车辆检测方法。
技术介绍
前方多车的检测与跟踪是前向碰撞预警系统智能决策的主要依据。前向碰撞预警系统可以实时监测前方车辆相对于本车的距离和速度，通过计算相对反应时间在由潜在的追尾碰撞危险时提前预警，示意驾驶员降低车速并保持相对间距和一定的相对速度，因此，在复杂多变的城市道路和高速道路环境中及时准确地检测到前方车辆成为前向碰撞预警系统性能保证的关键。在复杂多变的交通环境中，车辆尾部的外形、颜色、尺度、背景、局部遮挡、前方目标数量不一以及光线等多种不确定性因素，容易导致前车检测系统的不稳定，增加漏检和虚警的概率。提升方法(Boost)是一种常用的统计学习方法，在分类问题中，其通过改变训练样本的权重而学习多个弱分类器，最终通过将这些弱分类器进行一定程度的线性或非线性组合，形成最终的分类器的性能。因此，若要实现提升方法，有两个问题需要解决：一是在每个弱分类器的学习中改变训练样本的权重分布；二是如何将若干弱分类器组合成一个强分类器。为此，Freund和Schapire在1995年提出了一种自适应提升学习方法(AdaBoost)[A decision-theoretic generalization of online learning and an application to boosting,In Computational learning Theory:Eurocolt 1995,pp:23-27,Springer-Verlag,1995]，有效地将提升思想应用了分类器的训练过程中。其主要思想是将提高那些在前一轮弱分类器中被错误分类的...
【技术保护点】
一种前方车辆检测方法，其特征在于，包括以下步骤：1)采集前方车辆原始图像，利用所述原始图像构建样本池；2)选取样本池中的训练样本集S＝{(x1,y1),(x2,y2),…(xN，yN)}，其中N为总的样本数；yi为1或‑1，表示样本xi的正确类别标签，1表示车辆样本，‑1表示背景样本；i＝1，…，N；3)采用自适应提升学习的方法对训练样本进行训练，每层选取具有最小分类误差率对应特征训练的分类器作为本层弱分类器，假设训练层数为T，则得到T个弱分类器；4)计算当前弱分类器ht的漏警率αt和误警率βt，并利用所述漏警率αt和误警率βt计算当前弱分类器ht对应的分类阀值At和Bt；t＝1,2,…,T；5)估计当前弱分类器ht对应的标准样本比PNt以及后验概率Pt；6)根据判断策略St从训练样本集S中删除满足Pt≤Bt以及Pt≥At的样本；判别策略St表达式为：其中代表无法判断；7)设经步骤6)删除的样本个数为M，从样本池中选取M个新样本，并将该M个新样本和经步骤6)处理后留下的样本用作第t+1个弱分类器的训练样本集，并重复上述步骤4)～6)；8)输出最终的强分类器HT(xi)以及每一个弱分类器...
【技术特征摘要】
1.一种前方车辆检测方法，其特征在于，包括以下步骤：1)采集前方车辆原始图像，利用所述原始图像...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。