基于视觉显著性和队列修正的停车场和车辆目标检测方法技术

基于视觉显著性和队列修正的停车场和车辆目标检测方法，它属于停车场内车辆检测技术领域。本发明专利技术解决了现有遥感图像车辆目标检测方法处理速度慢、车辆目标检测效果差的问题。本发明专利技术根据停车场区域亮度特征设计一种基于亮度特征的显著图BBSM用于停车场区域粗提取，再利用停车场区域的颜色特征和面特征精确提取停车场轮廓；在每一个精提取的停车场轮廓内，提取可能包含车辆的疑似区域，设计基于边缘统计模型的车辆队列排布方向的计算方法来修正车辆队列排布方向，最后利用滑窗方法切割车辆队列来提取疑似车辆切片，提取切片的HOG特征后，利用SVM分类器进行二分类，将分类为车辆的目标标记回原图，实现车辆检测；本发明专利技术应用于停车场内车辆检测技术领域。

【技术实现步骤摘要】
基于视觉显著性和队列修正的停车场和车辆目标检测方法
本专利技术属于停车场内车辆检测
，具体涉及一种停车场和车辆目标检测方法。
技术介绍
遥感图像中车辆目标的检测在城市规划、交通管理等方面都具有重要的应用意义。但现有的车辆检测研究较多集中在道路车辆的检测，对于停放在停车场内的车辆检测研究相对较少，其方法可以大致分成两种：基于模板匹配的目标分类方法；基于特征提取的目标分类方法。基于模板匹配的方法是目标分类的基本方法之一，通过计算模板图像和待识别目标图像像素点的欧氏距离等度量其相似度，从而判断待识别区域或目标的类别。但其只能与模板库中含有的样本做匹配，导致算法的泛化能力较低，不具有良好的光照不变性、旋转不变性和视角变换不变性，而且逐点运算复杂度高，运算时间长，不能用于实时处理。基于特征的分类方法对遥感区域提取和目标检测识别是比较通用且有效的方法。通过分析目标与虚警在一些特征上的差异，如尺度不变特征变换特征、方向梯度直方图(HistogramofOrientedGradient，HOG)特征、几何不变矩、长宽比、纹理特征等，然后选择其中有利于分类的特征描述切片，最后利用机器学习等方法对特征分类。现有的遥感图像的车辆目标检测的主要问题在于区域跨度广，数据量大而且在亚米级分辨率下目标细节特征不明显。这将导致处理系统内存占用大，且处理过程较慢，而且车辆样本切片能提取的特征较少，影响分类器的分类效果，导致车辆目标检测的效果差。因此，研究一种既能减少无用数据的处理，又能准确检测出车辆目标的方法就显得很有必要。
技术实现思路
本专利技术的目的是为解决现有的遥感图像车辆目标检测方法的数据量大导致处理速度慢，以及车辆样本切片能提取的特征少导致车辆目标检测效果差的问题。本专利技术为解决上述技术问题采取的技术方案是：基于视觉显著性和队列修正的停车场和车辆目标检测方法，该方法包括以下步骤：步骤一、输入亚米级高分辨率光学遥感图像，基于停车场的亮度特征和视觉显著性，计算出输入的亚米级高分辨率光学遥感图像的BBSM显著图，并将计算出的BBSM显著图二值化；步骤二、根据停车场的面特征对二值化后的BBSM显著图进行超像素的分割，得到分割后的全部超像素块，设置筛选条件对分割后的全部超像素块进行筛选，计算筛选出的每个超像素块的质心图CDM(i′,j′)，利用计算出的每个超像素块的质心图CDM(i′,j′)更新二值化后的BBSM显著图，得到二值化后的BBSM显著图的质心图CDM；根据得到的CDM计算二值化后的BBSM显著图的质心密度分布指数CDDI图，并根据CDDI图获取ROI图像，即获得粗提取停车场区域图像；步骤三、根据粗提取的停车场区域图像及停车场的颜色特征和面特征，获得精提取的停车场区域图像，完成停车场检测；步骤四、计算精提取的停车场区域图像的SR显著图，并提取SR显著图内的疑似车辆区域；计算每个疑似车辆区域的队列排布方向的角度，根据求得的角度将所有的疑似车辆区域旋转至水平排布的方向，完成疑似车辆区域的队列修正；步骤五、利用滑窗切割方法将旋转后的所有疑似车辆区域切割成切片，并对切割成的切片进行HOG特征提取，利用SVM分类器对提取的HOG特征分类，将分类为车辆的切片标记回原图，完成车辆检测。本专利技术的有益效果是：本专利技术提出了基于视觉显著性和队列修正的停车场和车辆目标检测方法，本专利技术首先根据停车场区域亮度高且亮度分布区间相对于输入图占比小的亮度特征，设计了一种基于亮度特征的显著图BBSM用于停车场区域的粗提取，然后再利用停车场区域无色且亮度高的颜色特征和区域面积大的面特征，进一步精确提取停车场轮廓，完成停车场检测；在每一个精提取的停车场轮廓内，利用SR显著图提取可能包含车辆的疑似区域，并设计了一种基于边缘统计模型的车辆队列排布方向的计算方法用于修正车辆队列的排布方向，最后利用滑窗方法切割车辆队列，提取出大量疑似车辆的切片，将这些切片提取HOG特征后利用SVM分类器进行真假车辆切片分类，将分类为车辆的目标标记回原图，最终实现车辆检测；本专利技术设计的停车场区域提取方法和基于队列修正与SR显著图的车辆检测方法可以保证车辆检测的精确度达到85％以上。而且与传统方法相比，本专利技术设计的BBSM显著图的计算方法可以显著加速车辆检测的处理速度。附图说明图1是本专利技术的一种基于视觉显著性和队列修正的停车场和车辆目标检测方法的流程图；图2为本专利技术具体实施方式二所述的输入的亚米级高分辨率光学遥感图像的示意图；图3为本专利技术具体实施方式二计算出的BBSM显著图；图4为本专利技术具体实施方式三所述的粗提取的停车场区域图像的示意图；图5为本专利技术具体实施方式四所述的精提取的停车场区域图像的示意图；图6为本专利技术具体实施方式五所述的某停车场区域的SR显著图；图7为本专利技术具体实施方式五所述的某停车场区域的二值化SR显著图；图8为本专利技术具体实施方式五所述的疑似车辆区域方向出现偏差的情况示意图；图9为本专利技术具体实施方式五所述的疑似车辆区域的边缘检测结果图；图10为本专利技术具体实施方式五所述的AngleNum统计结果图；其中：横坐标为角度值，纵坐标为点对数量；图11为本专利技术的车辆目标检测结果1图；图12为本专利技术的车辆目标检测结果2图；图13为本专利技术的车辆目标检测结果3图；图14为本专利技术的车辆目标检测结果4图；具体实施方式具体实施方式一：如图1所示，本实施方式所述的基于视觉显著性和队列修正的停车场和车辆目标检测方法，该方法包括以下步骤：步骤一、输入亚米级高分辨率光学遥感图像，基于停车场的亮度特征和视觉显著性，计算出输入的亚米级高分辨率光学遥感图像的BBSM显著图，并将计算出的BBSM显著图二值化；步骤二、根据停车场的面特征对二值化后的BBSM显著图进行超像素的分割，得到分割后的全部超像素块，设置筛选条件对分割后的全部超像素块进行筛选，计算筛选出的每个超像素块的质心图CDM(i′,j′)，利用计算出的每个超像素块的质心图CDM(i′,j′)更新二值化后的BBSM显著图，得到二值化后的BBSM显著图的质心图CDM；根据得到的CDM计算二值化后的BBSM显著图的质心密度分布指数CDDI图，并根据CDDI图获取ROI图像，即获得粗提取停车场区域图像；步骤三、根据粗提取的停车场区域图像及停车场的颜色特征和面特征，获得精提取的停车场区域图像，完成停车场检测；步骤四、计算精提取的停车场区域图像的SR显著图，并提取SR显著图内的疑似车辆区域；计算每个疑似车辆区域的队列排布方向的角度，根据求得的角度将所有的疑似车辆区域旋转至水平排布的方向，完成疑似车辆区域的队列修正；步骤五、利用滑窗切割方法将旋转后的所有疑似车辆区域切割成切片，并对切割成的切片进行HOG特征提取，利用SVM分类器对提取的HOG特征分类，将分类为车辆的切片标记回原图，完成车辆检测。具体实施方式二：本实施方式与具体实施方式一不同的是：所述步骤一的具体过程为：步骤一一、如图2所示，输入亚米级高分辨率光学遥感图像，将输入的亚米级高分辨率光学遥感图像转换到亮度通道后，得到亮度图像I，亮度图像I的尺寸为M×N，M和N分别代表亮度图像I的高度和宽度；统计亮度图像I中所有像素点对应的亮度值u，u＝0,...,255；统计结果Pu表示亮度图像I中亮度值为u的像素点本文档来自技高网...

【技术保护点】
1.基于视觉显著性和队列修正的停车场和车辆目标检测方法，其特征在于，该方法包括以下步骤：步骤一、输入亚米级高分辨率光学遥感图像，基于停车场的亮度特征和视觉显著性，计算出输入的亚米级高分辨率光学遥感图像的BBSM显著图，并将计算出的BBSM显著图二值化；步骤二、根据停车场的面特征对二值化后的BBSM显著图进行超像素的分割，得到分割后的全部超像素块，设置筛选条件对分割后的全部超像素块进行筛选，计算筛选出的每个超像素块的质心图CDM(i′,j′)，利用计算出的每个超像素块的质心图CDM(i′,j′)更新二值化后的BBSM显著图，得到二值化后的BBSM显著图的质心图CDM；根据得到的CDM计算二值化后的BBSM显著图的质心密度分布指数CDDI图，并根据CDDI图获取ROI图像，即获得粗提取停车场区域图像；步骤三、根据粗提取的停车场区域图像及停车场的颜色特征和面特征，获得精提取的停车场区域图像，完成停车场检测；步骤四、计算精提取的停车场区域图像的SR显著图，并提取SR显著图内的疑似车辆区域；计算每个疑似车辆区域的队列排布方向的角度，根据求得的角度将所有的疑似车辆区域旋转至水平排布的方向，完成疑似车辆区域的队列修正；步骤五、利用滑窗切割方法将旋转后的所有疑似车辆区域切割成切片，并对切割成的切片进行HOG特征提取，利用SVM分类器对提取的HOG特征分类，将分类为车辆的切片标记回原图，完成车辆检测。...

【技术特征摘要】
1.基于视觉显著性和队列修正的停车场和车辆目标检测方法，其特征在于，该方法包括以下步骤：步骤一、输入亚米级高分辨率光学遥感图像，基于停车场的亮度特征和视觉显著性，计算出输入的亚米级高分辨率光学遥感图像的BBSM显著图，并将计算出的BBSM显著图二值化；步骤二、根据停车场的面特征对二值化后的BBSM显著图进行超像素的分割，得到分割后的全部超像素块，设置筛选条件对分割后的全部超像素块进行筛选，计算筛选出的每个超像素块的质心图CDM(i′,j′)，利用计算出的每个超像素块的质心图CDM(i′,j′)更新二值化后的BBSM显著图，得到二值化后的BBSM显著图的质心图CDM；根据得到的CDM计算二值化后的BBSM显著图的质心密度分布指数CDDI图，并根据CDDI图获取ROI图像，即获得粗提取停车场区域图像；步骤三、根据粗提取的停车场区域图像及停车场的颜色特征和面特征，获得精提取的停车场区域图像，完成停车场检测；步骤四、计算精提取的停车场区域图像的SR显著图，并提取SR显著图内的疑似车辆区域；计算每个疑似车辆区域的队列排布方向的角度，根据求得的角度将所有的疑似车辆区域旋转至水平排布的方向，完成疑似车辆区域的队列修正；步骤五、利用滑窗切割方法将旋转后的所有疑似车辆区域切割成切片，并对切割成的切片进行HOG特征提取，利用SVM分类器对提取的HOG特征分类，将分类为车辆的切片标记回原图，完成车辆检测。2.根据权利要求1所述的基于视觉显著性和队列修正的停车场和车辆目标检测方法，其特征在于，所述步骤一的具体过程为：步骤一一、输入亚米级高分辨率光学遥感图像，将输入的亚米级高分辨率光学遥感图像转换到亮度通道后，得到亮度图像I，亮度图像I的尺寸为M×N，M和N分别代表亮度图像I的高度和宽度；统计亮度图像I中所有像素点对应的亮度值u，u＝0,...,255；统计结果Pu表示亮度图像I中亮度值为u的像素点个数，则计算出亮度图像I中每个像素点的BBSM值为：其中：(i,j)代表亮度图像I中的任意一个像素点，I(i,j)代表亮度图像I中的任意一个像素点(i,j)的亮度值，BBSM(i,j)代表像素点(i,j)的BBSM的值；则每个像素点的BBSM值形成BBSM显著图；步骤一二、选取二值化阈值T1，对BBSM显著图做二值化得到二值化后的BBSM显著图BBSM'：T1＝0.3×max(BBSM)+0.7×min(BBSM)其中：max(BBSM)为BBSM显著图的最大值，min(BBSM)为BBSM显著图的最小值；则像素点(i,j)的二值化后的BBSM值为3.根据权利要求1所述的基于视觉显著性和队列修正的停车场和车辆目标检测方法，其特征在于，所述步骤二的具体过程为：步骤二一、在二值化后的BBSM显著图上，取高度方向的切割步长为W、取宽度方向的切割步长为H，利用W和H将二值化后的BBSM显著图切割成个超像素块SP；定义每个超像素块的权值WSP为：其中：SP(i′,j′)为超像素块中像素点(i′,j′)的二值化后的BBSM值；步骤二二、设置筛选条件为WSP＞β·W·H，其中：β为筛选系数，利用设置的筛选条件对步骤二一分割得到的超像素块进行筛选，筛选出权值大于筛选条件的超像素块，剔除权值不大于筛选条件的超像素块；步骤二三、计算筛选出的每个超像素块的质心图CDM(i′,j′)：其中：和表示超像素块的质心，利用计算出的每个超像素块的质心图CDM(i′,j′)更新二值化后的BBSM显著图，得到二值化后的BBSM显著图的质心图CDM；步骤二四、用尺寸为k×k的单位矩阵Tek×k与二值化后的BBSM显著图的质心图CDM卷积得到二值化后的BBSM显著图的质心密度分布指数CDDI图；其中：步骤二五、选取二值化阈值T2，将二值化后的BBSM显著图的质心密度分布指数CDDI图二值化后得到ROI图像，得到粗提取的停车场区域图像。4.根据权利要求1所述的基于视觉显著性和队列修正的停车场和车辆...

【专利技术属性】
技术研发人员：陈浩，陈玲艳，陈稳，高通，赵静，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：黑龙江,23