一种基于车辆倒车镜的车辆检测方法技术

本发明专利技术公开了一种基于车辆倒车镜的车辆检测方法，在训练阶段，首先采集车辆倒车镜及非车辆倒车镜样本，归一化处理后进行训练得到车辆倒车镜矩形特征及弱分类器；利用Adaboost算法识别车辆倒车镜的强分类器；经多次训练得到车辆倒车镜检测分类器；检测阶段中，首先计算实时环境下采集图像的积分图；利用训练好的车辆倒车镜强分类器对图像当中若干个窗口进行检测，若检测成功则该处出现车辆，根据车辆倒车镜大小检测车辆大小，若检测不成功则该处无车辆，标记后精确获得车辆出现位置。本发明专利技术提高了车辆检测的效率，提高了车辆检测的准确性。

A vehicle detection method based on vehicle reversing mirror

【技术实现步骤摘要】
一种基于车辆倒车镜的车辆检测方法
本专利技术属于车辆检测
，具体涉及一种基于车辆倒车镜的车辆检测方法。
技术介绍
随着社会的不断发展，车辆的相关问题一直是社会所关注的问题。而车辆检测越来越受到大家的关注，应用的领域也越来越广泛，生活中的各个地方也都有了车联检测的接触，在生活中每一种事物都有着自己的特征，而对于这种特征我们有着自己的识别方法，车辆检测的研究作为实物自身特征识别的一个重要的部分，在研究中扮演着非常重要的角色。在目前的研究领域当中车辆检测已经成为了计算机视觉和模式识别中一个十分重要的角色，在研究的过程中也扮演着十分重要的作用。对于车辆检测目前也是很多学者注意的问题。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于车辆倒车镜的车辆检测方法,重新规划车辆倒车镜的特征模型,原有车辆检测的基础上可以更好的实现车辆检测的目的。本专利技术采用以下技术方案：一种基于车辆倒车镜的车辆检测方法，在训练阶段，首先采集车辆倒车镜及非车辆倒车镜样本，归一化处理后进行训练得到车辆倒车镜矩形特征及弱分类器；利用Adaboost算法识别车辆倒车镜的强分类器；经多次训练得到车辆倒车镜检测分类器；检测阶段中，首先计算实时环境下采集图像的积分图；利用训练好的车辆倒车镜强分类器对图像当中若干个窗口进行检测，若检测成功则该处出现车辆，根据车辆倒车镜大小检测车辆大小，若检测不成功则该处无车辆，标记后精确获得车辆出现位置。具体的，训练阶段的具体步骤如下：S101、采用摄像头采集若干个车辆倒车镜及非车辆倒车镜样本，对样本进行尺度和光照归一化处理；S102、对采集好的关于倒车镜的车辆样本进行训练，构造能够进行车辆倒车镜矩形特征及弱分类器；S103、利用步骤S102得到的弱分类器和改进的Adaboost算法进行训练，得出能够识别车辆倒车镜的强分类器；S104、重复步骤S102和S103的训练过程得到结构简单且多层的分类器；S105、将步骤S104中得到的分类器进行级联，得到一个完整的车辆倒车镜检测的分类器用于车辆倒车镜检测。进一步的，步骤S101中，引入车辆倒车镜的正面特征，包括两个大小相似的矩形特征，将倒车镜正面的模型分为四个拐角特征进行检测。进一步的，步骤S102具体为：构造Haar-like特征用于提供车辆检测的模型，反应实时采集图像的局部灰度变化；计算矩形区域的特征值；挑选出矩形的特征值并构成与其相对应的弱分类器。更进一步的，对于一个能够鉴别车辆倒车镜图像的弱分类器hj(x)，如果计算相关车辆倒车镜的特征值处于一个上限值upperlimit和一个下限值lowerlimit之间，即被训练成强分类器的最佳分类器，具体为：。进一步的，步骤S103中，采用多分类法对Adaboost算法进行优化，首先根据采集到的车辆倒车镜或车辆的模型将最原始的弱分类器hj(x)∈{0,1}进行算法错误率估计，为：根据估计的错误率将样本空间分类。更进一步的，在使用Adaboost算法进行训练时，车辆或车辆倒车镜为v1，近似于车辆或车辆倒车镜为v2，与车辆或车辆倒车镜不相似为v3；根据设定分类，训练能够识别v1以及v2的强分类器；同时对v3部分的分类器进行训练，找出与车辆或车辆倒车镜相差最大错误率的分类器，在实时进行车辆或者车辆倒车镜检测中去除v3部分的子图像，对v1以及v2部分进行检测。具体的，检测阶段具体为：S201、对实时环境下采集到的图像进行一定的处理和放大，提取图像中若干个子窗口；S202、计算各个子窗口图像当中的积分图；S203、利用训练好的车辆倒车镜的强分类器对图像当中若干个窗口进行检测，先检测子窗口中是否含有车辆倒车镜，有则说明该处出现车辆，再使用训练出来的车辆分类器进行车辆的检测并根据倒车镜的分类器特征得出检测车辆的大小，检测不成功则说明该处无车辆；S204、将检测好的车辆倒车镜位置标记，进行合并和划线并在此基础上，根据原有的车辆检测模型精确标出车辆出现位置。进一步的，步骤S202中，遍历好的子图像积分图包括：倾角为0度的积分图，特征原型派生出的特征数为：积分图Sum(x,y)表示点(x,y)在左上方的所有像素的和，定义为：其中，I(X,Y)为采集的原图像上的一个像素值；倾角为45度的积分图，特征原型派生出的特征数为：积分图Sum(x,y)定义为：表示点(x,y)在正上方的所有像素的和两种积分图的像素及特征值。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术一种基于车辆倒车镜的车辆检测方法，考虑到在实时图像采集过程中，图像中会出现较多数量的汽车，此时直接根据车辆整体的Haar-like特征进行车辆检测时不仅工作量大而且不准确，此时如果可以根据车辆上独有的特征类似于人脸上的人耳一样设定该特征的Haar-like特征率先先进行检测那么就可以解决这个问题。本专利技术根据这一特点考虑到车辆上的倒车镜是一定存在的，并且可以根据倒车镜的大小区分出车辆的大小，因为大货车的倒车镜和小轿车的倒车镜有明显的差异的，因此设计出车辆倒车镜的特征模型，在对一个实时图像进行车辆检测时先检测车辆的倒车镜检测出车辆的位置，然后根据车辆特征模型检测出车辆，这样不但可以提高检测的速度并且很有效的提高了检测的准确性。进一步的，不仅可以有效的对实时采集到的图像进行处理，并且可以在进行车辆倒车镜或者车辆样本分类器进行训练时，可使用Adaboost算法进行反复的训练时，可有效地训练出识别检测对象的强分类器。进一步的，对于车联倒车镜的正面特征模型，如图3这样设计，考虑到车辆倒车镜镜面和外围轮廓的颜色差异，我们进行设定这样可以将车辆倒车镜的正面整体的特征体现出来。并且考虑到在检测过程中车辆会以不同的角度出现，因此设计了四个车辆倒车镜的拐角模型，如图3(b)所示，这样根据此模型在训练出倒车镜的强分类器后可以有效地根据实际情况进行车辆倒车镜的检测。进一步的，构造出的车辆倒车镜Haar-like特征模型以及表示该特征模型的的弱分类器。首先构造出的倒车镜的Haar-like特征模型可以有效的反映出车辆倒车镜的局部特征，使用这些局部特征可以有效的识别出车辆倒车镜，并且对于车辆倒车镜图像的弱分类器hj(x)的设定，其目的是考虑到一个车辆倒车镜的特征值的偏差它一定会在一个区域之间，这样设定就更简洁的反映出车辆倒车镜特征的原型，为Adaboost算法进行车辆倒车镜强分类的训练做基础。进一步的，优化后的Adaboost算法，其目的和好处在于我们可以事先对训练样本的错误率进行估计，这样可以在算法训练之前就能对样本空间进行分类使其算法分类的目的性更强。进一步的，对于实时采集到的图像，进行一定的处理和放大，并对实时图像进行分割分成若干个子窗口，根据积分图的概念，在检测阶段进行时可使用训练好的分类器对每一个子窗口进行检测，这本文档来自技高网...

【技术保护点】
1.一种基于车辆倒车镜的车辆检测方法，其特征在于，在训练阶段，首先采集车辆倒车镜及非车辆倒车镜样本，归一化处理后进行训练得到车辆倒车镜矩形特征及弱分类器；利用Adaboost算法识别车辆倒车镜的强分类器；经多次训练得到车辆倒车镜检测分类器；检测阶段中，首先计算实时环境下采集图像的积分图；利用训练好的车辆倒车镜强分类器对图像当中若干个窗口进行检测，若检测成功则该处出现车辆，根据车辆倒车镜大小检测车辆大小，若检测不成功则该处无车辆，标记后精确获得车辆出现位置。/n

【技术特征摘要】
1.一种基于车辆倒车镜的车辆检测方法，其特征在于，在训练阶段，首先采集车辆倒车镜及非车辆倒车镜样本，归一化处理后进行训练得到车辆倒车镜矩形特征及弱分类器；利用Adaboost算法识别车辆倒车镜的强分类器；经多次训练得到车辆倒车镜检测分类器；检测阶段中，首先计算实时环境下采集图像的积分图；利用训练好的车辆倒车镜强分类器对图像当中若干个窗口进行检测，若检测成功则该处出现车辆，根据车辆倒车镜大小检测车辆大小，若检测不成功则该处无车辆，标记后精确获得车辆出现位置。


2.根据权利要求1所述的基于车辆倒车镜的车辆检测方法，其特征在于，训练阶段的具体步骤如下：
S101、采用摄像头采集若干个车辆倒车镜及非车辆倒车镜样本，对样本进行尺度和光照归一化处理；
S102、对采集好的关于倒车镜的车辆样本进行训练，构造能够进行车辆倒车镜矩形特征及弱分类器；
S103、利用步骤S102得到的弱分类器和改进的Adaboost算法进行训练，得出能够识别车辆倒车镜的强分类器；
S104、重复步骤S102和S103的训练过程得到结构简单且多层的分类器；
S105、将步骤S104中得到的分类器进行级联，得到一个完整的车辆倒车镜检测的分类器用于车辆倒车镜检测。


3.根据权利要求2所述的基于车辆倒车镜的车辆检测方法，其特征在于，步骤S101中，引入车辆倒车镜的正面特征，包括两个大小相似的矩形特征，将倒车镜正面的模型分为四个拐角特征进行检测。


4.根据权利要求2所述的基于车辆倒车镜的车辆检测方法，其特征在于，步骤S102具体为：构造Haar-like特征用于提供车辆检测的模型，反应实时采集图像的局部灰度变化；计算矩形区域的特征值；挑选出矩形的特征值并构成与其相对应的弱分类器。


5.根据权利要求4所述的基于车辆倒车镜的车辆检测方法，其特征在于，对于一个能够鉴别车辆倒车镜图像的弱分类器hj(x)，如果计算相关车辆倒车镜的特征值处于一个上限值upperlimit和一个下限值lowerlimit之间，即被训练成强分类器的最佳分类器，具体为：

【专利技术属性】
技术研发人员：林海，石泽凯，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61