[發明專利]一種基于多尺度模型的車輛檢測方法

有效

• 申請號: 201310379385.2
• 申請日: 2013-08-27
• 公開（公告）號: CN103473566A
• 公開（公告）日: 2013-12-25
• 發明（設計）人: 王飛躍;李葉
• 申請（專利權）人: 東莞中國科學院云計算產業技術創新與育成中心;中國科學院自動化研究所
• 主分類號: G06K9/64
• 分類號: G06K9/64
• 代理公司: 北京科億知識產權代理事務所(普通合伙) 11350
• 代理人: 湯東鳳

技術領域

本發明涉及到車輛檢測技術領域，特別涉及到一種基于多尺度模型的車輛檢測方法。

背景技術

基于視頻的車輛檢測技術是智能交通系統重要的一部分，為許多應用提供車輛信息，如交通視頻監控系統、駕駛輔助系統、智能車等。在交通場景中可能存在不同尺度的車輛，這是車輛檢測方法的一個挑戰性的問題。很多方法利用縮放車輛模型或縮放輸入圖像來檢測不同尺度的車輛。但是在一幅交通圖像中隨著車輛與攝像機距離(車輛-攝像機距離)的不同，不僅車輛的尺度發生變化，車輛分辨率也發生了變化(不同分辨率下車輛特征不同)，而且更嚴重的是車輛外形也發生了變化(車輛某些部件隨著車輛遠離攝像機而逐漸不可見，如車頂等)，此時若通過縮放同一個車輛模型或縮放輸入圖像的方法檢測車輛，將不能獲取準確的檢測結果。因此，針對不同的車輛-攝像機距離，研究魯棒的車輛檢測方法仍然是個挑戰性的問題。本發明建立了一種基于多尺度模型的車輛檢測方法，可以解決不同車輛-攝像機距離下的車輛檢測問題。

發明內容

本發明解決的技術問題在于提供一種基于多尺度模型的車輛檢測方法，可以解決不同車輛-攝像機距離下的車輛檢測問題。

本發明解決上述技術問題的技術方案是：

包括多尺度模型建模、多尺度模型學習和車輛檢測三個步驟；所述多尺度模型建模是利用兩個以上不同的混合圖像模板構建；所述的多尺度模型學習是從實際交通圖像中汲取車輛圖像作為訓練圖形，學習所述混合圖像模板的邊緣塊、紋理塊、顏色塊、平整度塊和圖像似然概率；所述車輛檢測是利用所述混合圖像模板對交通圖像進行模板匹配，從而檢測出車輛對象。

所述的步驟S1多尺度模型建模是利用不少于兩個的不同的混合圖像模板{T_i，i＝1，2，...，N，N≥2}組成多尺度模型，T₁，T₂，...，T_N分別表示在不同車輛-攝像機距離下的車輛對象，T₁，T₂，...，T_N具有不同尺度和不同特征；

T₁表示的車輛對象離攝像機的距離最近，T₁包含一個或多個邊緣塊、紋理塊、顏色塊和平整度塊等類型的圖像塊；

隨i的增大，T_i表示的車輛對象離攝像機越遠且車輛對象逐漸被模糊成平整區域，T_i中其他類型的圖像塊逐漸變為平整度塊。

表示的車輛對象離攝像機最遠，T_N僅包含一個或多個邊緣塊和平整度塊。

所述的步驟S2多尺度模型學習，包括以下步驟：

步驟S2-1，從實際交通圖像中截取車輛圖像作為訓練圖像，訓練圖像的數量不少于1幅；

步驟S2-2，利用消息映射法從所述所有訓練圖像中學習T₁，T₂，...，T_N中的所有邊緣塊、紋理塊、顏色塊、平整度塊及T₁，T₂，...，T_N的圖像似然概率。

所述的步驟S3車輛檢測，包括：

利用T₁，T₂，...，T_N對測試交通圖像進行模板匹配，檢測出一個或多個車輛候選者；

計算這些車輛候選者的車輛檢測得分；

將這些車輛候選者的車輛檢測得分與車輛檢測閾值進行比較，若車輛檢測得分大于等于車輛檢測閾值，則相應的車輛候選者為被檢測的車輛對象。

所述邊緣塊由特定方向的Gabor小波基元表示；所述紋理塊由訓練圖像的局部矩形區域內的梯度直方圖表示；所述顏色塊由訓練圖像的局部矩形區域內的顏色直方圖表示；所述平整度塊由訓練圖像的局部矩形區域內一個或多個方向的Gabor濾波器的疊加響應值表示。

所述的{T_i，i＝1，2，...，N，N≥2}的圖像似然概率是：