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 ...
【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...
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。