[发明专利]一种日间前方车辆检测方法

说明书

技术领域

本发明具体涉及一种日间前方车辆检测方法。

背景技术

车辆追尾在交通事故中占有很大比例，为了有效地避免车辆发生碰撞，前方车辆检测技术已成为智能和安全辅助驾驶系统领域的重要研究方向。前方车辆检测系统通过传感器为行驶车辆提供前方环境信息。目前采用的传感主要有机器视觉、毫米波雷达、激光雷达和红外等传感器。相对于其他传感器，视觉传感器具有信息获取量大的显著特征。因此，机器视觉仍是实现前方车辆检测的主要传感器。

基于视觉的车辆识别方法一般可以分为基于特征、基于光流场、基于模型和基于机器学习4种。基于特征的车辆检测方法主要是根据车辆的对称性、阴影、边缘等特征进行车辆检测，为得到确切结果，通常将阴影、对称性和边缘特征结合起来。光流法主要通过摄像机运动、前方障碍物运动或二者相对运动的瞬时速度场实现，但该方法对噪声、光线变化敏感，计算量大。基于模型的方法首先建立已知车辆精准的二维或三维模型，然后与待检测图像进行匹配，该方法对车辆模型过分依赖。机器学习主要利用从数据里提取的规则或模式将数据转化为信息，对数据进行分类识别。基于SVM或神经网络的机器学习方法对车辆检测时运算量大、耗时长，识别性能有待进一步提高。

发明内容

本发明要解决的技术问题是提供一种日间前方车辆检测方法。

一种日间前方车辆检测方法，包括以下步骤：

S1：通过摄像头获取车辆前方的视频图像，对视频图像进行预处理，包括灰度化处理处理和归一化处理为20×20灰度图；

S2：离线训练：对大量的日间车辆正、负样本图片通过积分图提取类Haar特征，基于Adaboost算法选取有效的类Haar特征进行训练，得到强分类器；

S3：在线识别：对测试样本提取类Haar特征，并将特征输入到AdaBoost分类器进行车辆识别。

进一步的，离线训练的具体过程如下：

1）训练样本选择：训练样本分为正样本和负样本，正样本为日间车辆样本图片，负样本为其他任意样本图片；选用正样本1000张，负样本3000张，对样本进行灰度化处理，归一化处理为20×20灰度图，构成训练样本集；

2）利用积分图在图像上计算任意矩形区域内的像素和，从而求得矩形值；在点(x,y)处从左到右的像素总和为：

；

式中：为在点的积分图像的像素和；为点处的灰度值；借助积分图像可以快速计算出类Haar特征值；

3）基于Adaboost分类器训练：

①样本集：，其中为输入的训练样本向量；为类别标签，；0和1分别代表负样本和正样本，假设样本集中共有l个正样本，m个负样本，l+m=n，每个样本共有k个类Haar特征值；

②初始化权重：

当时为负样本，；当=1时为正样本，；

③对于t=1,2,…,T(T为训练次数，决定最终弱分类器的个数)：

权重归一化：；

对于特征j，按给定样本权重训练弱分类器，并计算其相对于当前权重的误差：

式中, 为弱分类器的值；为第j个特征的特征值；为阈值；，表示分类方向；选择本轮训练中具有误差的弱分类器加入到强分类器中去，；

更新每个样本所对应的权重：

，

式中，；若样本被正确分类，则；否则，；

④最终的强分类器为：

；式中，。

本发明的有益效果是：

本发明在提取类Haar特征时，积分图的使用有效地提高了训练速度和检测速度，可以快速、有效地对车辆进行识别。

具体实施方式

以下具体实施例对本发明作进一步阐述，但不作为对本发明的限定。

一种日间前方车辆检测方法，包括以下步骤：

S1：通过摄像头获取车辆前方的视频图像，对视频图像进行预处理，包括灰度化处理处理和归一化处理为20×20灰度图；

S2：离线训练：对大量的日间车辆正、负样本图片通过积分图提取类Haar特征，基于Adaboost算法选取有效的类Haar特征进行训练，得到强分类器；

S3：在线识别：对测试样本提取类Haar特征，并将特征输入到AdaBoost分类器进行车辆识别。

离线训练的具体过程如下：