[发明专利]基于改进的可变形部件模型算法的车辆检测方法及系统

说明书

技术领域

本发明涉及一种目标检测技术，特别是一种基于改进的可变形部件模型算法的车辆检测方法及系统。

背景技术

车辆检测主要用于车辆识别和交通安全等领域，现在已经引起了众多学者广泛的研究，绝大多数的研究是围绕着视觉传感器在设计车辆辅助驾驶系统。尽管目前的GPS和雷达等传感器已发展成熟，这些传感器应用在车辆辅助驾驶上可以做到初步的避障效果，但是它们所提供的信息量远不如视觉传感器。而随着视觉传感器的发展，它们的成本和尺寸在进一步地削减，使得它们在各类平台上的部署变得越来越简便，例如车载辅助驾驶系统、无人机载系统等。同时，随着芯片工艺的发展，处理器芯片的处理性能得到了进一步的提升，使得一些较为复杂的算法可以在嵌入式平台上实现。J.L.Wang提出了一种多特征融合的方式来识别无人机航拍图像，其方法有着良好的准确率，但是实时性较差，难以在无人机平台上搭载。Y.W.Wan设计了一种车辆辅助驾驶的硬件系统，其对交通标志的识别相当出色，但是适用性较窄，仅对特定目标有着很好的效果。

对于车辆的静态检测，目前大多数研究使用的是基于形状特征的算法，主要有HOG-LBP、Haar-like-Adaboost、DPM-SVM等等算法。针对运动车辆检测中车辆数目统计精确度不高、实时性不强等问题，提出一种基于改进的Adaboost算法和帧间差分法的检测方法。S.Guzmán等人整合了HOG(Histogrrams of Oriented Gradients)特征和SVM(Surpport Vector Machine)在户外环境下来进行车辆检测，通过调整SVM参数来提高分类的成功率。H.Xu等人在HOG特征的基础上，根据可变形分层模型(DPM)提出了一种两阶段车辆检测方法，可以在多种不同的视角下识别多种类别的车辆。

对于DPM算法的嵌入式实现，文献中已经有了许多种车辆检测的系统架构设计。大多数方法是完全基于FPGA来实现的，即所有的算法步骤都在FPGA上运行,这些方法主要是针对硬件细节来进行一些设计和优化，并没有把算法结构和硬件特性结合起来处理，导致其在灵活性和适应性上表现较差。目前，车辆检测硬件系统平台中存在的算法实时性较差、检测目标单一、适用性较窄、复杂环境下检测成功率不高的问题。

发明内容

本发明的目的在于提供一种基于改进的可变形部件模型算法的车辆检测方法及系统。

一种基于改进的可变形部件模型算法的车辆检测方法，包括以下步骤：

步骤1，采集车辆的原始图像；

步骤2，计算原始图像获取若干尺度的HOG特征图；

步骤3，将每一HOG特征图与整车、各部件模型图进行卷积获得相应的模型响应图；

步骤4，将所有响应度图像依次经过权值加成和DPM规则得到综合响应度图像；

步骤5，对综合响应度图像进行非极大值抑制并画框，画框的结果与原始图像融合输出。

一种基于改进的可变形部件模型算法的车辆检测系统，包括：采集车辆的原始图像的图像采集单元；计算原始图像获取若干尺度的HOG特征图的HOG特征计算单元；将每一HOG特征图与整车、各部件模型图进行卷积获得相应的模型响应图的卷积响应单元；将所有响应度图像依次经过权值加成和DPM规则得到综合响应度图像的统计匹配单元；对综合响应度图像进行非极大值抑制并画框，画框的结果与原始图像融合输出的显示输出单元。

采用上述方法及系统，若干尺度的HOG特征图通过下述方法实现：将原始图像经过HOG算法获得原始HOG特征图像；HOG特征图像经过金字塔分层获得若干尺度的HOG特征图像。

采用上述方法及系统，模型响应图通过以下卷积器获得：

(1)部件卷积器

部件卷积器设置N1个且每一部件卷积器的尺度为M*N，

部件卷积器包括MN个移位寄存器和N个乘法器，且每一行设置M个移位寄存器和一个乘法器，该行的乘法器分别与本行的第M个移位寄存器和下一行的第一个移位寄存器级联，

每一部件卷积器对相应视角下的相应部件图像与不同尺度HOG特征图进行卷积；

(2)整车卷积器

整车卷积器设置N2个且每一整车卷积器的尺度为P*Q，

整车卷积器包括PQ个移位寄存器和Q个乘法器，且每一行设置P个移位寄存器和一个乘法器，该行的乘法器分别与本行的第P个移位寄存器和下一行的第一个移位寄存器级联，

每一整车卷积器对不同视角下整车图像与不同尺度HOG特征图进行卷积。