车辆分类器的训练方法技术

本发明专利技术提供了车辆分类器的训练方法，包括使用少量样本训练一个初始分类器，将摄像头传感器采集到的视频转化为图片，用初始分类器对这些图像进行检测，然后将通过该初始分类器的图片以及含有车辆目标但分类器未能检测出来的图片进行保存，通过该分类器的图片中可能包含正确检测的车辆图片和误捡为车辆的图片，将误捡的图片定义为负样本难例，含有车辆目标但分类器检测未能检测出来的图片定义为正样本难例，将正负样本难例加入正负样本库中并继续训练车辆分类器，直到训练出来的分类器的检测率和误检率达到客户要求。本发明专利技术能够增加分类器训练样本的多样性，提高车辆检测的检测率和降低误检率，最终优化分类器训练流程。

Vehicle classifier training method

The invention provides a training method for vehicle classification, including the use of a small amount of sample training an initial classifier, the camera sensor to collect the video into a picture, to test the image with the initial classifier, and then through the initial classifier and pictures containing vehicle target classifier but failed to detect out of the picture were saved by the classifier picture may contain correct detection of vehicle images and error detection for vehicle pictures, pictures will be defined as negative samples to pick up false cases, but contains vehicle target image definition detection classifier for the detection of positive samples failed to difficult cases, the positive and negative samples to add positive and negative sample and continue training vehicle classifier, meet customer requirements rate until the trained classifier detection rate and false positive. The invention can increase the diversity of the classifier training samples, improve the detection rate of vehicle detection and reduce the false detection rate, and finally optimize the classifier training process.

【技术实现步骤摘要】

本专利技术涉及车辆图像识别检测
，特别涉及车辆分类器的训练方法。
技术介绍
现阶段，车辆图像识别检测技术在汽车辅助安全驾驶领域中得到一定的应用和关注，而提高检测率以及降低误检率是车辆图像识别检测技术应用中的关键指标。现有技术中，车辆图像识别检测技术中是通过使用分类器进行学习以检测目标的表征，其中分类器大部分采用基于HaaR、HOG、LBP特征进行训练，或采用Adaboost学习算法，或SVM学习算法训练而成。现有技术中的分类器采用以上技术方案进行训练学习，容易随着检测样本的增多而引起内存不足、整个训练时间较长，甚至导致分类器的训练过程瘫痪等结果。
技术实现思路
本专利技术的主要目的是提出车辆分类器的训练方法，旨在优化分类器训练流程。为实现上述目的，本专利技术提出车辆分类器的训练方法，包括以下步骤：1)人工选取一定数量的车辆正样本图片和车辆负样本图片，并将所述车辆正样本图片和所述车辆负样本图片归一化至一定像素的正负样本图片；2)使用积分通道特征对所述正负样本图片进行表征，形成特征样本；3)采用Adaboost级联学习算法学习所述特征样本的最优特征，以形成分类器；4)将摄像头传感器采集到的视频转换成图片，使用所述分类器对视频转换成的图片进行检测并进行判断；5)当检测结果符合客户设定的检测率和误检率，则所述分类器停止训练；当检测结果与客户设定的检测率和误检率不相符时，对通过所述分类器的图片以及含有车辆目标但所述分类器未能检测出的图片进行保存；将误检图片定义为负样本难例，并将含有车辆目标但所述分类器未能检测出来的图片定义为正样本难例；6)将所述正样本难例和所述负样本难例进行收集，按照所述1)步骤要求选择图片，并分别更新于正样本库和负样本库中，继续重复所述2)至5)步骤，直至所述分类器检测结果符合客户设定的检测率和误检率，所述分类器则停止训练。优选地，所述正负样本图片的图片像素大小为64×64。优选地，所述车辆正样本图片数量为2000个，所述车辆正样本图片选取标准为包含车辆左右两侧边并扩展10％的区域，同时包含前车下方的所有图像并向下扩展10％的区域；优选地，所述车辆负样本图片数量为5000个，所述车辆负样本图片为不含车辆的道路场景或者自然场景图片。优选地，所述误检图片为所述分类器检测到但不是车辆的图片。优选地，所述积分通道特征利用积分图技术对所述正负样本图片的通道进行快速计算并级联得到一个高维特征矢量。优选地，所述通道包括3个颜色通道、1个梯度幅值通道、6个方向梯度通道。本专利技术的技术方案通过数量较少的样本图片对分类器进行训练，并且在训练的过程中不断对难例的样本库进行修改和完善，通过使用积分通道特征对正负样本图片进行表征，同时应用Adaboost学习算法对特征样本进行训练，使得分类器能够在较短的时间内训练完毕并达到客户设定要求，有效提高车辆分类器的检测率以及降低误检率，从而优化分类器训练流程。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图示出的结构获得其他的附图。图1为本专利技术实施例中训练车辆分类器的流程图；图2为本专利技术实施例中采用积分通道特征训练分类器的流程图；图3为本专利技术实施例中Adaboost学习算法的训练流程图；图4为本专利技术实施例中Adaboost学习算法迭代训练的流程图。本专利技术目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术的一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。需要说明，若本专利技术实施例中有涉及方向性指示(诸如上、下、左、右、前、后……)，则该方向性指示仅用于解释在某一特定姿态(如附图所示)下各部件之间的相对位置关系、运动情况等，如果该特定姿态发生改变时，则该方向性指示也相应地随之改变。另外，若本专利技术实施例中有涉及“第一”、“第二”等的描述，则该“第一”、“第二”等的描述仅用于描述目的，而不能理解为指示或暗示其相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。另外，各个实施例之间的技术方案可以相互结合，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时应当认为这种技术方案的结合不存在，也不在本专利技术要求的保护范围之内。本专利技术提出车辆分类器的训练方法。实施例1请见图1至图4，本实施例通过人工选取2000个车辆正样本图片和5000个车辆负样本图片，并将车辆正样本图片和车辆负样本图片归一化至64×64像素的图片，其中，车辆正样本图片的选取标准为包含车辆左右两边侧边并左右扩展10％的区域，包含前车下方的所有图像并向下扩展10％的区域；车辆负样本图片为不含车辆的道路或自然场景图片。对车辆正样本图片和车辆负样本图片进行归一化后，使用积分通道特征对正负样本图片进行表征，以形成特征向量。积分通道特征对图片大小为64×64像素的正负样本图片进行训练，通过对训练的图片缩小一定倍数以加快训练速度，优选图片缩小的倍数为4倍。设定训练过程中从所有形成的特征中选择3000个特征形成积分通道特征池，接着对图像进行滤波，然后计算图像的10个特征通道并级联得到一个高维特征矢量，其中10个特征通道包括3个颜色通道、1个梯度幅值通道、6个方向梯度通道。其中，3个颜色通道是LUV色彩空间，L*表示物体亮度，u*和v*是色度。Luv的计算过程如下：XYZ=10.176970.490.310.200.176970.812400.010630.000.010.99RGB]]>L*=116·(YYn)13-16,YYn>(629)3(293)3YYn,YYn≤(629)3]]>u*＝13L*·(u′-u′n)v*＝13L*·(v′-v′n)其中，梯度的幅值和梯度方向的计算如下：Qθ(x,y)＝G(x,y)·I[Θ(x,y)＝θ]其中G(x,y)表示图像I(x,y)处的梯度的梯度幅值，I[Θ(x,y)＝θ]表示图像I(x,y)处的梯度的梯度方向，这里取6个方向，即每30度一个bin。当使用积分通道特征对归一化的正负样本图片进行表征并形成特征样本后，使用Adaboost学习算法对特征样本进行训练，以形成分类器。在Adaboost学习算法中，给定样本空间(x1,y1),…(xn,yn),xi∈X，而车辆检测问题是一个二分类的问题，因此，yn∈Y＝{-1,1本文档来自技高网...

【技术保护点】
车辆分类器的训练方法，其特征在于，包括以下步骤：1)人工选取一定数量的车辆正样本图片和车辆负样本图片，并将所述车辆正样本图片和所述车辆负样本图片归一化至一定像素的正负样本图片；2)使用积分通道特征对所述正负样本图片进行表征，形成特征样本；3)采用Adaboost级联学习算法学习所述特征样本的最优特征，以形成分类器；4)将摄像头传感器采集到的视频转换成图片，使用所述分类器对视频转换成的图片进行检测并进行判断；5)当检测结果符合客户设定的检测率和误检率，则所述分类器停止训练；当检测结果与客户设定的检测率和误检率不相符时，对通过所述分类器的图片以及含有车辆目标但所述分类器未能检测出的图片进行保存；将误检图片定义为负样本难例，并将含有车辆目标但所述分类器未能检测出来的图片定义为正样本难例；6)将所述正样本难例和所述负样本难例进行收集，按照所述1)步骤要求选择图片，并分别更新于正样本库和负样本库中，继续重复所述2)至5)步骤，直至所述分类器检测结果符合客户设定的检测率和误检率，所述分类器则停止训练。

【技术特征摘要】
1.车辆分类器的训练方法，其特征在于，包括以下步骤：1)人工选取一定数量的车辆正样本图片和车辆负样本图片，并将所述车辆正样本图片和所述车辆负样本图片归一化至一定像素的正负样本图片；2)使用积分通道特征对所述正负样本图片进行表征，形成特征样本；3)采用Adaboost级联学习算法学习所述特征样本的最优特征，以形成分类器；4)将摄像头传感器采集到的视频转换成图片，使用所述分类器对视频转换成的图片进行检测并进行判断；5)当检测结果符合客户设定的检测率和误检率，则所述分类器停止训练；当检测结果与客户设定的检测率和误检率不相符时，对通过所述分类器的图片以及含有车辆目标但所述分类器未能检测出的图片进行保存；将误检图片定义为负样本难例，并将含有车辆目标但所述分类器未能检测出来的图片定义为正样本难例；6)将所述正样本难例和所述负样本难例进行收集，按照所述1)步骤要求选择图片，并分别更新于正样本库和负样本库中，继续重复所述2)至5)步骤，直至所述分类器检测结果符合客户设定...

【专利技术属性】
技术研发人员：谢晶梅，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44