[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

技術領域

本發明涉及車輛檢測方法，特別涉及一種實時反饋更新的車輛檢測方法。

背景技術

近年來，車輛增長的速度也已遠遠高于道路和其他交通設施的增長速度，交通事故頻繁、人員傷亡與日俱增、財產損失巨大這都要求車輛不僅要具有良好的安全性而且要具備一定的智能性，隨之智能車輛（Intelligent?Vehicle）的概念應運而生。車輛檢測是智能車輛研究領域中的重要組成部分,對于智能車輛的安全駕駛極為關鍵。目前國內外誕生的車輛檢測器產品的種類很多，技術原理和實現方式各不相同，如有線圈檢測、視頻檢測、微波檢測、激光檢測、聲波檢測、超聲波檢測、磁力檢測、紅外線檢測等。其中的視頻檢測方法無需破壞路面，安裝和維護比較方便，是目前車輛檢測研究方向的熱點。

視頻檢測技術是一種計算機視覺和圖像處理技術，通過視頻攝像機和計算機模仿人眼的功能，為實際應用提供實時交通信息的先進技術。在基于視頻圖像的檢測技術中，機器學習方法由于識別性能高、魯棒性好以及操作便捷而受到越來越多的關注。機器學習方法主要用于進行兩類的分類識別：目標物或非目標物。而目前應用于物體識別檢測的主流的機器學習方法是AdaBoost方法，該方法在人臉檢測領域已經獲得成功應用。AdaBoost方法是由Freund和SchaPire于1995年提出的一種迭代方法，其基本思想是利用大量的分類能力一般的弱分類器(weakeclassifier)通過一定方法疊加(boost)起來，構成一個分類能力很強的強分類器，從而可以避免直接去找通常情況下很難獲得的強學習算法。理論證明，只要每個弱分類器分類能力比隨機猜測要好，弱分類器個數趨向于無窮時，強分類器的錯誤率將趨于零。

目前基于AdaBoost方法的對象檢測技術，是指從大量樣本中提取出對象的特征，然后從這巨大的特征集合中找出能夠表示對象的最優特征集，并將訓練得到的特征轉化為弱分類器的形式，再組合成強分類器，通過強分類器，可以從視頻圖像中將對象分類出來。AdaBoost的分類方法，雖然實時性較好，識別率高且誤識別率低，但當訓練樣本規模非常大時，訓練分類器所需時間過長，而且對訓練樣本的依賴非常大，在實時檢測中容易出現漏檢的情況，因為訓練樣本不可能包括所有的對象，也會因為天氣，光照等狀態的變化大大降低識別率。

特征提取是車輛檢測中一個非常重要的環節，目的是為了降低車輛圖像的維數，通過提取的特征在圖像中檢測車輛。特征提取的方法主要有：Haar小波特征提取、Haar-like特征提取、PCA特征提取、ICA特征提取、Gabor特征提取等等。在車輛檢測方面主要是采用Haar-like特征提取與AdaBoost方法相結合的形式。Haar-like特征提取方法利用構建好的Haar-like矩形特征庫，并結合積分圖像的方法可以快速的計算出每個特征，能夠滿足檢測的實時性要求，然而在訓練過程中必須從海量的Haar-like特征中選出最優的特征集是非常耗時的，一般要訓練出完善的分類器用以檢測需要100小時左右。

從以上的介紹可知，目前的學習算法都需要尋找大量的訓練樣本，提取特征后，經過長時間的訓練過程，然后用于實時檢測，訓練出來的分類器雖然可以檢測出大部分的目標，但是并不能應對不斷變化的交通狀況，出現誤檢，漏檢在所難免。如果要降低誤檢率，漏檢率，就需要尋找包含不同狀況的海量樣本，訓練出完善的分類器，但是這并不科學，也算不上是真正的智能，因為尋找不同的樣本以及訓練過程都要花費巨大的人力、物力，而且這種“靜態”的分類器無法應對千變萬化的交通狀況。

發明內容

為了克服現有技術的上述缺點與不足，本發明的目的在于提供一種實時反饋更新的車輛檢測方法，提高了檢測的精度，降低誤檢，漏檢的概率。

本發明的目的通過以下技術方案實現：

一種實時反饋更新的車輛檢測方法，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；