[發明專利]一種實時反饋更新的車輛檢測方法

有效

• 申請號: 201210315966.5
• 申請日: 2012-08-30
• 公開（公告）號: CN102915453A
• 公開（公告）日: 2013-02-06
• 發明（設計）人: 周智恒;吳東承
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/62;G06K9/46;G08G1/01
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 蔡茂略

1.一種實時反饋更新的車輛檢測方法，其特征在于，包括以下步驟：

S1離線學習過程，包括以下步驟：

S1.1采集訓練所用圖像；

S1.2對采集到的圖像進行預處理；

S1.3對步驟S1.2預處理后的圖像采用FastICA方法提取圖片特征；

S1.4將步驟S1.3提取的圖片特征作為訓練集合，進行AdaBoost訓練；

S1.5訓練結束，獲得離線強分類器；

S2實時檢測過程，包括以下步驟：

S2.1獲取1~K幀視頻圖像；

S2.2對獲取到的視頻圖像進行預處理；

S2.3對步驟S2.2得到的視頻圖像的第1~K幀圖片采用FastICA方法提取圖片特征；其中K為計算機一次處理的最大圖片數；

所述FastICA方法為：

將每張正樣本圖片都表示為M個獨立分量s_j的線性組合，其中M個獨立分量s_j構成獨立分量集合，j＝1,2,…,M,設定V＝A·S，其中A為未知的混合矩陣，v_i表示第i張圖片向量化后所對應的行向量；i＝1,2,…,P_n，而S表示相互獨立的元素所構成的向量；按照統計獨立的原則，通過構造矩陣分離矩陣W使得Y＝WV，讓Y逼近S；根據公式Y＝WV，通過隨機梯度法調節，求得矩陣S的最優估計Y，從而提取出車輛圖片的特征；

S2.4對步驟S2.3提取的特征采用步驟S1.5得到的離線強分類器進行分類，得到檢測目標；

S3在線學習過程，包括以下步驟：

S3.1令n=1；

S3.2在實時檢測過程的第(n-1)K+1~nK幀圖片中，在與檢測出來的目標的距離小于m個像素的范圍截取n₁張圖片作為訓練的正樣本，在與檢測出來的目標的距離大于m個像素的范圍隨機截取n₂張圖片作為訓練的負樣本；其中m、n₁、n₂由用戶設定；

S3.3對總共K·(n₁+n₂)張圖片進行圖片預處理；

S3.4對步驟S3.3預處理后的正樣本和負樣本采用FastICA方法提取圖片特征；

S3.5將S3.4提取的圖片特征作為訓練集合，進行AdaBoost訓練，得到在線強分類器；

S3.6重新進入實時檢測過程，對第nK+1幀到第2nK幀圖片利用在線強分類器進行車輛檢測，得到檢測目標；

S3.7令n=n+1，重復步驟S3.2~S3.7。

2.根據權利要求1所述的實時反饋更新的車輛檢測方法，其特征在于，步驟S1.2所述對采集到的圖像進行預處理，具體為：

設步驟S1.1一共采集到N張圖片，其中車輛圖片有P_n張，非車輛圖片有N_n；將車輛圖片尺寸修改為20×20像素，將所選車輛樣本根據光照，天氣狀況不同分類，得到正樣本集；對于非車輛圖片，在系統運行時，隨機截取大小為20×20像素的子圖像作為負樣本，得到負樣本集；然后將正樣本與負樣本圖片轉換為灰度圖，再進行直方圖均衡以及白化處理。