[發明專利]視頻監控多視角車輛檢測方法和裝置

有效

• 申請號: 201310326911.9
• 申請日: 2013-07-30
• 公開（公告）號: CN103514460B
• 公開（公告）日: 2017-02-01
• 發明（設計）人: 雷明
• 申請（專利權）人: 深圳市智美達科技有限公司
• 主分類號: G06K9/66
• 分類號: G06K9/66;G06K9/00
• 代理公司: 廣州華進聯合專利商標代理有限公司44224
• 代理人: 何平

技術領域

本發明涉及視頻監控技術領域，特別是涉及一種視頻監控多視角車輛檢測方法和裝置。?

背景技術

在交通視頻監控中，多視角車輛檢測是一項重要的任務，其目標是檢測出所有視角所有類型的車輛，例如識別出和車正面、背面相差一定角度的車輛。?

目前，單視角車輛檢測已經比較成熟，而多視角車輛檢測，由于車型不同視角的外觀差別較大，檢測的準確率比較低，同時在傳統的檢測技術中，需要對圖像進行多次縮放，因此處理的效率不高。?

發明內容

基于此，有必要提供一種視頻監控多視角車輛檢測方法和裝置，能夠提高多視角車輛檢測的準確率，提高處理的效率。?

一種視頻監控多視角車輛檢測方法，所述方法包括:?

基于圖像樣本的梯度通道特征和LUV通道特征，通過Adaboost訓練算法進行訓練，得到多個檢測尺度對應的樹狀級聯Adaboost分類器，所述樹狀級聯Adaboost分類器包括多個級聯分類器分支，每一級聯分類器分支用于檢測圖像中預設視角范圍內的車輛目標；?

輸入待檢測的視頻圖像；?

根據待檢測的視頻圖像的梯度通道特征和LUV通道特征，用所述多個檢測尺度對應的樹狀級聯Adaboost分類器對輸入的所述視頻圖像進行識別，得到每個檢測尺度對應的視頻圖像中的車輛目標檢測結果；?

合并多個檢測尺度對應的樹狀級聯Adaboost分類器的車輛目標檢測結果。?

在其中一個實施例中，所述基于圖像樣本的梯度通道特征和LUV通道特征，通過Adaboost訓練算法進行訓練的步驟包括：?

輸入包含預設視角范圍內的車輛目標的圖像樣本；?

提取所述圖像樣本的梯度通道特征和LUV通道特征；?

基于所述梯度通道特征和所述LUV通道特征，采用Adaboost訓練算法進行訓練，得到對應于所述預設視角范圍的級聯分類器分支。?

在其中一個實施例中，所述提取圖像樣本的梯度通道特征和提取圖像樣本的LUV通道特征的步驟包括分別在圖像的RGB空間以及LUV空間執行下列步驟：?

對圖像進行平滑；?

計算圖像中像素點(x,y)的圖像值在圖像寬度方向的導數dx，以及圖像中像素點(x,y)的圖像值在圖像高度方向的導數dy，其中x為像素點在圖像寬度方向坐標，y為像素點圖像高度方向坐標；?

以公式計算圖像中像素點(x,y)對應的梯度模M，由各像素點的梯度模M作為圖像值得到梯度模圖像M(x,y)；?

將-90度至90度范圍的梯度方向分為6個方向，每個方向30度，每個方向對應一梯度方向圖像以公式計算圖像中像素點(x,y)對應的梯度方向θ，若θ位于第j個方向，則第j個方向對應的梯度方向圖像以公式計算圖像值，其中1≤j≤6，為整數；?

計算梯度模圖像M(x,y)、梯度方向圖像對應的通道積分圖像I_i(x,y)，通道積分圖像I_i(x,y)在(x,y)處的圖像值為通道積分圖像I_i(x,y)對應的梯度模圖像M(x,y)或梯度方向圖像位于(x,y)處左上角所有圖像值的累加，其中1≤j≤6，1≤i≤7，為整數；?

以公式F(i,x,y,w,h)=a+d-b-c計算通道積分圖像I_i(x,y)對應的梯度通道特征F(i,x,y,w,h)，其中a=I_i(x,y)，b=I_i(x+w,y)，c=I_i(x,y+h)，d=I_i(x+w,y+h)，1≤i≤7，w取值為1至預設的檢測寬度，h取值為1至預設的檢測高度。?

在其中一個實施例中，所述樹狀級聯Adaboost分類器包括n級分類器，n?大于1，為整數；?

第一級分類器用于檢測與車輛中軸線相差45度視角范圍內的車輛目標；?

當n≥大于等于2時，所述樹狀級聯Adaboost分類器包括第一級聯分類器分支、第二級聯分類器分支和第三級聯分類器分支，所述第一級聯分類器分支用于檢測與車輛中軸線相差15度視角范圍內的車輛目標，所述第二級聯分類器分支用于檢測與車輛中軸線相差15至30度視角范圍內的車輛目標，所述第三級聯分類器分支用于檢測與車輛中軸線相差30至45度視角范圍內的車輛目標。?

在其中一個實施例中，在所述合并多個檢測尺度對應的樹狀級聯Adaboost分類器的車輛目標檢測結果的步驟之后，還包括對所述車輛目標檢測結果進行非最大抑制。?