[發明專利]一種基于機器視覺和機器學習的運動車輛檢測算法

在審

• 申請號: 201710278795.6
• 申請日: 2017-04-25
• 公開（公告）號: CN107122734A
• 公開（公告）日: 2017-09-01
• 發明（設計）人: 王宇寧;袁德明;龐智恒;王潤舵;高廣
• 申請（專利權）人: 武漢理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 湖北武漢永嘉專利代理有限公司42102
• 代理人: 張惠玲

技術領域

本發明涉及車輛檢測技術領域，更具體地說，涉及一種基于機器視覺和機器學習的運動車輛檢測算法。

背景技術

車輛檢測是汽車輔助駕駛系統中的一個研究重點。目前基于視覺傳感器的車輛檢測方法主要分為以下三種方法：基于先驗知識的方法、基于運動信息的方法以及基于機器學習算法的方法。

基于先驗知識的車輛檢測方法主要是指使用車底陰影、車尾燈、車體水平(豎邊緣、車體角點信息)及車體對稱性等簡單的車輛圖像特征對車輛感興趣區域進行確定。這種方法雖然時間花費少但檢測精度低，誤檢、漏檢率較高。基于運動信息典型的方法就是光流場法。光流法是通過攝像頭移動形成的光流和車輛運動造成的光流場的差異來確定車輛信息。光流法由于其計算量很大，導致實時性較差，并且遠距離光流場較弱，容易造成漏檢和誤檢。基于機器學習的車輛檢測方法主要是將車輛特征用相應的描述子進行表示，然后使用機器學習方法對樣本的特征集進行訓練，最后用訓練得到的分類器進行車輛檢測。基于機器學習的方法檢測精度較高，對環境適應性好，但對硬件要求較高，對整幅圖象用不同大小窗口進行遍歷計算量較大。

由于車輛自身的復雜變化，包括車輛快速運動、車輛尺度變化、車輛旋轉、姿態變化和車輛受相似物干擾、車輛部分甚至全部遮擋等，以及復雜的外部環境，如攝像頭移動、抖動、光線變化和惡劣的雨雪天氣等，使得車輛目標的準確檢測仍然存在諸多難點。針對上述情況，設計一種同時滿足精確性和實時性的車輛檢測算法顯得十分必要。

發明內容

本發明要解決的技術問題在于，提供一種基于機器視覺和機器學習的運動車輛檢測算法。

本發明解決其技術問題所采用的技術方案是：構造一種基于機器視覺和機器學習的運動車輛檢測算法，包括以下步驟：

步驟S010，通過安裝在車輛內后視鏡下的攝像頭采集道路前方場景視頻流，從視頻流中獲取當前幀的數據；

步驟S020，提取車輛假設區域；

步驟S030，驗證車輛假設區域。

優選地，在上述步驟S020中，包括以下步驟：

步驟S021，對攝像頭讀入的每一幀圖像進行感興趣區域的劃分，將圖像垂直方向從下到上1/3圖像大小的區域剔除；

步驟S022，采用加權平均法對步驟S021處理后的彩色圖像進行灰度處理；

步驟S023，對灰度圖像進行圖像去噪；

步驟S024，對去噪后的圖像進行圖像閾值分割；

步驟S025，對二值化圖像進行形態學處理；

步驟S026，選用面積和矩形度兩種特征描述子來剔除形態學處理后的圖像中非目標區域；

步驟S027，提取并合并陰影線。

優選地，在上述步驟S030中，包括以下步驟：

步驟S031，圖像預處理；

步驟S032，提取特征；

步驟S033，離線訓練分類器；

步驟S034，測試分類器；

步驟S035，應用經步驟S033訓練和步驟S034測試的分類器對步驟S020提取到的車輛假設區域進行驗證；

步驟S036，輸出帶框車輛的圖像序列。

進一步地，在上述步驟S023中，采用中值濾波來進行圖像去噪，對鄰域內的采樣數據進行排序后取中值來替代中心像素灰度值。

進一步地，在上述步驟S024中，先將灰度圖像使用Canny算子進行邊緣檢測來提取圖像邊緣特征，沿垂直方向從圖像底部進行掃描，把灰度值突變前的區域作為路面區域，然后計算出路面區域的均值和標準差，最后選取閾值為均值減去3倍的標準差來進行二值化。