基于在線面積估計和多特征決策融合的車輛檢測方法
【專利摘要】本發(fā)明公開了基于在線面積估計和多特征決策融合的車輛檢測方法。該方法包括步驟：圖像的預(yù)處理、車輛感興趣區(qū)域（ROI）的提取、分類判別模型的建立、車輛的檢測判別。對攝像機(jī)采集的道路交通視頻圖像序列進(jìn)行預(yù)處理，再將圖像前背景分離，提取到初步的運(yùn)動前景團(tuán)塊，接著在提取的前景團(tuán)塊中進(jìn)行前景團(tuán)塊篩選，得到最終的前景ROI，再基于多特征決策融合的車輛檢測方法得到最終檢測結(jié)果。本發(fā)明能夠有效的濾除環(huán)境及光線噪聲的影響，提高在復(fù)雜背景環(huán)境下車輛提取ROI的魯棒性，并且在保證實(shí)時性的要求下能夠很好的提高車輛檢測的準(zhǔn)確率。
【專利說明】基于在線面積估計和多特征決策融合的車輛檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及智能交通系統(tǒng)中的車輛識別檢測技術(shù)，具體涉及基于在線面積估計和多特征決策融合的車輛檢測方法。
【背景技術(shù)】
[0002]隨著社會經(jīng)濟(jì)的不斷發(fā)展以及全球范圍內(nèi)的城市化進(jìn)程不斷地向前推進(jìn)，近年來參與道路交通的汽車數(shù)量急速增長，汽車也已經(jīng)成為人們生活中不可缺少的交通工具。據(jù)統(tǒng)計，中國已經(jīng)成為了全球少數(shù)幾個汽車數(shù)量超過千萬級別的國家之一。但是，與此同時，無論是歐美等發(fā)達(dá)國家還是中國等發(fā)展中國家，伴隨著汽車數(shù)量的不斷攀升，都將會面臨隨之而來的道路交通擁堵、道路交通環(huán)境惡化以及道路交通事故頻發(fā)等日趨嚴(yán)重的社會問題。道路交通擁堵問題不僅給人們的出行造成了極大的時間上的浪費(fèi)，造成了大量能源的浪費(fèi)，同時也更加加劇了堆環(huán)境的污染和破壞。現(xiàn)在我國許多城市，如北京、上海、廣州等交通擁堵問題已經(jīng)引起了社會的廣泛關(guān)注，為社會造成了巨大的經(jīng)濟(jì)損失。同時汽車的行駛速度緩慢以及大量尾氣的排放，也進(jìn)一步加劇了城市空氣質(zhì)量的進(jìn)一步惡化。同時道路交通安全問題也日趨凸顯出來，根據(jù)世界衛(wèi)生組織在道路交通事故的統(tǒng)計報告中指出:全球平均每年死于道路交通事故的的人數(shù)高達(dá)120萬，因交通事故而受傷的人數(shù)高達(dá)5000萬，造成的直接經(jīng)濟(jì)損失約125億美元。近幾年來，中國每年也有超過10萬人數(shù)死于道路交通事故。毫無疑問，汽車數(shù)量劇增帶來的道路交通擁堵、道路交通環(huán)境惡化以及道路交通安全等問題已經(jīng)成為了阻礙我國社會和諧穩(wěn)定發(fā)展的核心問題之一。
[0003]由于有限的土地資源、可用能源以及資金與日益增多的出行車輛之間的矛盾，使得道路交通問題已經(jīng)不能夠完全靠新建更多的基礎(chǔ)交通設(shè)施等傳統(tǒng)手段來解決了。因此，智能交通系統(tǒng)(Intelligent Transportation System,簡稱ITS)這個運(yùn)用多科技手段來實(shí)現(xiàn)對現(xiàn)有道路交通進(jìn)行統(tǒng)籌管理以提高道路交通的利用率和通信能力的方法開始成為了世界上各個國家在交通領(lǐng)域開發(fā)和研究的熱點(diǎn)。而車輛檢測系統(tǒng)是智能交通系統(tǒng)的基礎(chǔ)核心系統(tǒng)之一，它能夠?yàn)橹悄芙煌ㄏ到y(tǒng)提供實(shí)時道路交通信息等基礎(chǔ)數(shù)據(jù)支持，也是世界各國研究人員開發(fā)和研究的重點(diǎn)領(lǐng)域。傳統(tǒng)的車輛檢測技術(shù)包括環(huán)形磁感線圈、紅外線檢測、超聲波檢測、光電式檢測、微波雷達(dá)檢測、氣動導(dǎo)管檢測等。但是，它們也都普遍的存在著系統(tǒng)的安裝、調(diào)試、維護(hù)以及升級困難，同時較好的傳感器價格昂貴，且可監(jiān)控范圍小以及功能單一等缺陷，無法滿足在智能交通系統(tǒng)中的應(yīng)用。
[0004]在交通智能化的大背景下，基于視頻感知的車輛檢測技術(shù)逐漸成為了該領(lǐng)域的研究重點(diǎn)。它是通過道路交通中固定的攝像機(jī)采集道路交通視頻并通過計算機(jī)應(yīng)用、圖像處理技術(shù)以及模式分類技術(shù)模擬人眼的功能實(shí)現(xiàn)對視頻場景中車輛的檢測。與傳統(tǒng)的車輛檢測技術(shù)相對比，基于視頻感知的車輛檢測技術(shù)具有下面幾點(diǎn)明顯的優(yōu)勢:首先，設(shè)備易于安裝、調(diào)試及維護(hù)，并且費(fèi)用較低，同時支持在線軟件更新，具有良好的可拓展性；其次，基于視頻感知方法的監(jiān)控范圍廣，可實(shí)現(xiàn)長距離、多車道監(jiān)控；最后，能夠獲取到更加全面和準(zhǔn)確的道路交通信息。由于視頻車輛檢測技術(shù)的先進(jìn)性，該技術(shù)日益成為了智能交通系統(tǒng)領(lǐng)域中最具潛力和優(yōu)勢的檢測方法，具有廣闊的應(yīng)用前景，同時，目前存在的視頻車輛檢測系統(tǒng)存在著許多的不足，無法得到更加廣泛的應(yīng)用，因此，對基于視頻感知的車輛檢測系統(tǒng)的研究具有極其重要的意義和價值。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的是克服現(xiàn)有方法存在的上述的缺陷，提供基于視頻感知的車輛檢測方法，可實(shí)現(xiàn)有效的濾除環(huán)境及光線噪聲的影響，提高在復(fù)雜背景環(huán)境下車輛提取ROI的魯棒性，提高車輛檢測的準(zhǔn)確率并滿足實(shí)時性的要求。本發(fā)明通過如下技術(shù)方案實(shí)現(xiàn)。
[0006]基于在線面積估計和多特征決策融合的車輛檢測方法，包括以下步驟:(I)道路交通圖像采集；(2)對采集到的圖像進(jìn)行預(yù)處理；其特征在于還包括如下步驟:(3)車輛感興趣區(qū)域(ROI)的提取:對采集到的道路交通圖像序列，首先采用基于尺度映射的混合高斯背景模型法進(jìn)行前景和背景分離，得到二值化前景圖像，然后在得到的二值化前景圖像中提取前景團(tuán)塊，獲取相應(yīng)的前景團(tuán)塊屬性信息，包括前景團(tuán)塊質(zhì)心縱坐標(biāo)、前景團(tuán)塊面積、前景團(tuán)塊的外接矩形的左頂點(diǎn)坐標(biāo)和長寬，定義本文算法開始運(yùn)行之后的一段時間Tinit為訓(xùn)練期，并將在該訓(xùn)練期內(nèi)所提取到的前景團(tuán)塊屬性信息將輸入在線面積估計模型的訓(xùn)練模塊，通過訓(xùn)練得到合適在線面積估計模型，然后利用該模型對訓(xùn)練期后提取到的前景團(tuán)塊進(jìn)行篩選，最后將篩選通過的前景團(tuán)塊逆映射回原圖像，便可得到車輛ROI ; (4)基于多特征決策融合的車輛檢測:構(gòu)建多個車輛特征分類器，利用這多個車輛特征分類器對步驟(3)中得到的車輛ROI分別進(jìn)行車輛檢測，然后將各個車輛特征分類器的檢測結(jié)果進(jìn)行決策融合，從而得到最終的檢測結(jié)果。
[0007]所述的基于在線面積估計和多特征決策融合的車輛檢測方法中的基于尺度映射的混合高斯背景模型法包括:首先對采集到的道路交通圖像序列中每一幀圖像進(jìn)行一次下采樣得到一個較低分辨率的圖像序列，將得到的較低分辨率的圖像序列進(jìn)行混合高斯背景模型建模，并進(jìn)行前景和背景分離，得到二值化前景圖像，并進(jìn)行前景團(tuán)塊提取，然后再經(jīng)過后續(xù)的在線面積估計模型進(jìn)行前景團(tuán)塊的篩選之后，再對篩選得到的前景團(tuán)塊進(jìn)行尺度逆映射以得到最終的車輛ROI。
[0008]所述的基于在線面積估計和多特征決策融合的車輛檢測方法中的在線面積估計模型的訓(xùn)練模塊包括:首先將訓(xùn)練期內(nèi)獲取到的前景團(tuán)塊屬性信息中的前景團(tuán)塊質(zhì)心縱坐標(biāo)以及前景團(tuán)塊面積這兩個屬性信息以鍵值對的形式進(jìn)行組織，前景團(tuán)塊質(zhì)心縱坐標(biāo)為鍵，前景團(tuán)塊面積為值，且允許一個鍵同時對應(yīng)多個值，從而得到一個初步的訓(xùn)練樣本集合，再利用均值-方差法對該初步的訓(xùn)練樣本集合進(jìn)行在線樣本自動篩選，從而得到最終的訓(xùn)練樣本集合，然后利用最小二乘法進(jìn)行在線面積估計模型訓(xùn)練，從而得到在線面積估計模型。
[0009]所述的基于在線面積估計和多特征決策融合的車輛檢測方法中的在線面積估計模型對前景團(tuán)塊進(jìn)行篩選包括:首先獲取前景團(tuán)塊屬性信息中的前景團(tuán)塊質(zhì)心縱坐標(biāo)y和前景團(tuán)塊面積SMal，然后利用在線面積估計模型計算得到在前景團(tuán)塊質(zhì)心縱坐標(biāo)為y的情況下的前景團(tuán)塊面積的估計值Sest，然后利用公式|SMal - Sest < 301\進(jìn)行篩選，其中3DTt為閾值，其中DTt為上述經(jīng)過自動篩選之后剩下的前景團(tuán)塊中前景團(tuán)塊質(zhì)心縱坐標(biāo)按升序排序時第i個前景團(tuán)塊質(zhì)心縱坐標(biāo)對應(yīng)的前景團(tuán)塊面積的方差，滿足該公式的前景團(tuán)塊通過篩選。
[0010]所述的在線面積估計模型的訓(xùn)練模塊中的均值-方差法進(jìn)行初步訓(xùn)練樣本在線自動篩選包括以下步驟:(1)分別統(tǒng)計訓(xùn)練樣本集合中每一個前景團(tuán)塊質(zhì)心縱坐標(biāo)所對應(yīng)的所有前景團(tuán)塊面積的均值和E (Slyi)方差D (Slyi),其中s表示前景團(tuán)塊面積，Yi表示所有前景團(tuán)塊質(zhì)心縱坐標(biāo)按升序排序時第i個前景團(tuán)塊質(zhì)心縱坐標(biāo)；(2)根據(jù)公式UMyi)=E(Sjyi) + D(Sjyi)和LbCy1) = E(s|yi)-D(s|yt)分別確定出每一個前景團(tuán)塊質(zhì)心縱坐標(biāo)所對應(yīng)的前景團(tuán)塊面積的上限值L-b(yO和下限值LKFd ; (3)對訓(xùn)練樣本集合的每一個前景團(tuán)塊縱坐標(biāo)所對應(yīng)的所有前景團(tuán)塊面積進(jìn)行自動濾除，即所有前景團(tuán)塊面積不在區(qū)域[Lb(B)5 Ub(Y1)]中的值則認(rèn)為不具有較強(qiáng)代表性，將其從樣本集合中剔除，從而得到了一個新的訓(xùn)練樣本集合。針對得到的新的訓(xùn)練樣本集合，循環(huán)執(zhí)行步驟(1)至步驟(3)，直至滿足公式DTi < DTH或者滿足公式Times > MaxTimes二者之一，其中DTH表示方差閾值，Times表示循環(huán)的次數(shù)，MaxTimes表示最大的循環(huán)次數(shù)。
[0011]所述的基于在線面積估計和多特征決策融合的車輛檢測方法中的基于多特征決策融合的車輛檢測包括:首先利用Adaboost分類算法分別建立基于HOG特征、LBP特征以及Haar特征的車輛特征分類器，然后利用三個車輛特征分類器分別對最終的車輛ROI進(jìn)行檢測判別，得到三個檢測結(jié)果，然后采用改進(jìn)的多數(shù)投票法將這三個檢測結(jié)果聯(lián)合起來，進(jìn)行決策融合，從而得到最終的車輛檢測結(jié)果。
[0012]所述的基于多特征決策融合的車輛檢測方法中的改進(jìn)多數(shù)投票法包括:根據(jù)三個車輛特征分類器對于車輛樣本和非車輛樣本的檢測率，為它們分配不同的權(quán)重，包括Ahtjgc^和Atog 分別為基于HOG特征車輛分類器對車輛和非車輛樣本檢測判別所對應(yīng)的權(quán)值；Albp car和Albp mc^分別為基于LBP特征車輛分類器對車輛和非車輛樣本檢測判別所對應(yīng)的權(quán)值；Ah.—和Ah.—分別基于Haar特征車輛分類器對車輛和非車輛樣本檢測判別的對應(yīng)的權(quán)值，然后利用下面的公式Pcot = PU X Ahog car + P21 X Albp car + P31 x Aham c^和公式 Pn。.= P12 X Ahog nocar + P22 X Albp npcar + P32 x Ahaar n。分別計算輸入的 ROI 圖像中存在車輛的概率Pcot和不存在車輛的概率Pn。.，最后根據(jù)Pcot和Pn。.的大小進(jìn)行判決，若Pcar > Ρη?，則存在車輛，否則，不存在車輛。
與現(xiàn)有技術(shù)相比，本發(fā)明具有如下優(yōu)點(diǎn)和效果:本發(fā)明是一種快速、準(zhǔn)確的實(shí)現(xiàn)車輛檢測判別的方法。能夠有效的濾除環(huán)境及光線噪聲的影響，提高在復(fù)雜背景環(huán)境下車輛提取ROI的魯棒性，提高車輛檢測的準(zhǔn)確率并滿足實(shí)時性的要求，能夠獲取到更加全面和準(zhǔn)確的道路交通信息；本發(fā)明在車輛ROI的提取方法有了很大的改進(jìn)，解決了傳統(tǒng)的基于視頻感知的車輛檢測技術(shù)中，由于產(chǎn)生環(huán)境噪聲的原因的復(fù)雜性和高質(zhì)量背景模型建立需要的大量計算導(dǎo)致的實(shí)時性下降的問題；本發(fā)明在車輛檢測判別的方法上有了較大的改進(jìn)，綜合三種不同車輛特征的優(yōu)點(diǎn)，較好的提高了車輛檢測的準(zhǔn)確率；本發(fā)明同時兼顧準(zhǔn)確率與速率，在保證檢測準(zhǔn)確性的前提下還滿足了實(shí)時性的要求。
【專利附圖】

【附圖說明】
[0013]圖1是本發(fā)明主要算法流程圖。
[0014]圖2是本發(fā)明實(shí)施方式中的車輛ROI提取方法流程圖。[0015]圖3是本發(fā)明【具體實(shí)施方式】中在線車輛面積估計模型算法流程圖。
[0016]圖4是本發(fā)明實(shí)施方式中基于在線面積估計和多特征決策融合的車輛檢測方法流程圖。
【具體實(shí)施方式】[0017]下面結(jié)合附圖對本發(fā)明的【具體實(shí)施方式】做進(jìn)一步說明。
[0018]基于在線面積估計和多特征決策融合的車輛檢測方法包括車輛ROI的提取和車輛檢測判別兩部分，如圖1所示。ROI區(qū)域提取，在實(shí)際應(yīng)用系統(tǒng)中，尤其是在車輛檢測系統(tǒng)中，周圍環(huán)境光線變化復(fù)雜，目標(biāo)物體陰影問題影響同時伴可能伴隨著背景區(qū)域的微運(yùn)動(如風(fēng)吹樹葉動)，導(dǎo)致ROI區(qū)域的提取的準(zhǔn)確性大大的降低。而不準(zhǔn)確的ROI區(qū)域?qū)楹罄m(xù)的車輛檢測的準(zhǔn)確性引入不必要的誤差，同時還可能會影響到整個系統(tǒng)檢測的實(shí)時性。本發(fā)明使用基于在線面積估計模型的方法，保證了 ROI提取的實(shí)時性和在復(fù)雜環(huán)境下的魯棒性。車輛分類判別模型基于多特征決策融合的車輛檢測方法。分別對HAAR特征、HOG特征以及LBP特征進(jìn)行提取，選擇了基于Adaboost算法的分類器分別建立最優(yōu)模型，之后利用自動權(quán)值統(tǒng)計方法，建立基于多特征決策融合的車輛分類判別模型，提高車輛檢測的準(zhǔn)確性。
[0019]如圖2所示，是本發(fā)明【具體實(shí)施方式】中的車輛ROI提取方法流程圖。首先，對輸入的視頻圖像序列中的每一幀圖像I (x，y’)(尺寸大小為X*Y)進(jìn)行一次下采樣，得到一個長寬均為原圖像Ι/k倍大小的映射圖像:
D(x, y) = I(kx，ky，)
其中，Dfcy)為下采樣之后得到的圖像，且上式滿足X e (0,x7k), y e (0，y’/k)，
k e (I, oo )。
[0020]接著利用映射得到的圖像EKx:y)序列，進(jìn)行混合高斯背景模型進(jìn)行前景與背景分離，然后提取該前景二值化圖像中的所有前景團(tuán)塊，獲取所有團(tuán)塊的相關(guān)信息(如前景團(tuán)塊面積，前景團(tuán)塊質(zhì)心縱坐標(biāo)以及前景團(tuán)塊外接矩形的左頂點(diǎn)坐標(biāo)以及長寬)。
[0021]定義本文算法開始運(yùn)行之后的一段時間Tinit為訓(xùn)練期，并將在該訓(xùn)練期內(nèi)所提取到的前景團(tuán)塊屬性信息將輸入在線面積估計模型的訓(xùn)練模塊，通過訓(xùn)練得到合適在線面積估計模型，接著利用在線面積估計模型進(jìn)行前景團(tuán)塊的篩選，最終能夠得到一個稱為“可能存在車輛的區(qū)域”的列表(SI，S2,..Si,…)，該列表為前景團(tuán)塊的外接矩形信息列表作為在線面積估計模型的初步訓(xùn)練樣本，該列表的元素為Si [x，y，w，h]，其中(x，y)為矩形左上角頂點(diǎn)坐標(biāo)，w和h分別為矩形的寬和高。
[0022]最后利用下面的逆映射公式組將該列表的矩形信息逆映射回到源圖像中，便可得到更為準(zhǔn)確的車輛ROI的矩形信息列表(Dl，D2，..Di，…)，該列表的元素為Di[x’，y’，w’，h’ ],其中(x:y)為矩形左上角頂點(diǎn)坐標(biāo)，w’和h分別為矩形的寬和高。
[0023]
——gw) k*i% — sw) >β
~ ?Ok*i%~ 謙)< 0
【權(quán)利要求】
1.基于在線面積估計和多特征決策融合的車輛檢測方法，包括以下步驟:(1)道路交通圖像采集；(2)對采集到的圖像進(jìn)行預(yù)處理；其特征在于還包括如下步驟: (3)車輛感興趣區(qū)域(ROI)的提取:對采集到的道路交通圖像序列，首先采用基于尺度映射的混合高斯背景模型法進(jìn)行前景和背景分離，得到二值化前景圖像，然后在得到的二值化前景圖像中提取前景團(tuán)塊，獲取相應(yīng)的前景團(tuán)塊屬性信息，包括前景團(tuán)塊質(zhì)心縱坐標(biāo)、前景團(tuán)塊面積、前景團(tuán)塊的外接矩形的左頂點(diǎn)坐標(biāo)和長寬，定義檢測方法開始運(yùn)行之后的設(shè)定時間Tinit為訓(xùn)練期，并將在該訓(xùn)練期內(nèi)所提取到的前景團(tuán)塊屬性信息輸入在線面積估計模型的訓(xùn)練模塊，通過訓(xùn)練得到合適在線面積估計模型，然后利用該模型對訓(xùn)練期后提取到的前景團(tuán)塊進(jìn)行篩選，最后將篩選通過的前景團(tuán)塊逆映射回原圖像，便可得到車輛ROI ； (4)基于多特征決策融合的車輛檢測:構(gòu)建多個車輛特征分類器，利用這多個車輛特征分類器對步驟(3)中得到的車輛ROI分別進(jìn)行車輛檢測，然后將各個車輛特征分類器的檢測結(jié)果進(jìn)行決策融合，從而得到最終的檢測結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于在線面積估計和多特征決策融合的車輛檢測方法，其特征在于步驟(3)中基于尺度映射的混合高斯背景模型法包括:首先對采集到的道路交通圖像序列中每一幀圖像進(jìn)行一次下采樣得到一個較低分辨率的圖像序列，將得到的較低分辨率的圖像序列進(jìn)行混合高斯背景模型建模，并進(jìn)行前景和背景分離，得到二值化前景圖像，并進(jìn)行前景團(tuán)塊提取，然后再經(jīng)過后續(xù)的在線面積估計模型進(jìn)行前景團(tuán)塊的篩選之后，再對篩選得到的前景團(tuán)塊進(jìn)行尺度逆映射以得到最終的車輛R0I。
3.根據(jù)權(quán)利要求1所述的基于在線面積估計和多特征決策融合的車輛檢測方法，其特征在于步驟(3)中所述在線面積估計模型的訓(xùn)練模塊用于:首先將訓(xùn)練期內(nèi)獲取到的前景團(tuán)塊屬性信息中的前景團(tuán)塊質(zhì)心縱坐標(biāo)以及前景團(tuán)塊面積這兩個屬性信息以鍵值對的形式進(jìn)行組織，前景團(tuán)塊質(zhì)心縱坐`標(biāo)為鍵，前景團(tuán)塊面積為值，且允許一個鍵同時對應(yīng)多個值，從而得到一個初步的訓(xùn)練樣本集合，再利用均值-方差法對該初步的訓(xùn)練樣本集合進(jìn)行在線樣本自動篩選，從而得到最終的訓(xùn)練樣本集合，然后利用最小二乘法進(jìn)行在線面積估計模型訓(xùn)練，從而得到在線面積估計模型。
4.根據(jù)權(quán)利要求1中所述的基于在線面積估計和多特征決策融合的車輛檢測方法，其特征在于步驟(3)中在線面積估計模型對前景團(tuán)塊進(jìn)行篩選包括:首先獲取前景團(tuán)塊屬性信息中的前景團(tuán)塊質(zhì)心縱坐標(biāo)I和前景團(tuán)塊面積Sreal，然后利用在線面積估計模型計算得到在前景團(tuán)塊質(zhì)心縱坐標(biāo)為I的情況下的前景團(tuán)塊面積的估計值Sest，然后利用公式|S_1-Sest < 301\進(jìn)行篩選，其中3OTi為閾值，其中DTi為上述經(jīng)過自動篩選之后剩下的前景團(tuán)塊中前景團(tuán)塊質(zhì)心縱坐標(biāo)按升序排序時第i個前景團(tuán)塊質(zhì)心縱坐標(biāo)對應(yīng)的前景團(tuán)塊面積的方差，滿足該公式的前景團(tuán)塊通過篩選。
5.根據(jù)權(quán)利要求3中所述的基于在線面積估計和多特征決策融合的車輛檢測方法，其特征在于所述的均值-方差法進(jìn)行初步訓(xùn)練樣本在線自動篩選包括以下步驟: (I)分別統(tǒng)計訓(xùn)練樣本集合中每一個前景團(tuán)塊質(zhì)心縱坐標(biāo)所對應(yīng)的所有前景團(tuán)塊面積的均值和E (s I Yi)方差D (s I yi)，其中s表示前景團(tuán)塊面積，yi表示所有前景團(tuán)塊質(zhì)心縱坐標(biāo)按升序排序時第i個前景團(tuán)塊質(zhì)心縱坐標(biāo)；(2)根據(jù)公式
6.根據(jù)權(quán)利要求1所述的基于在線面積估計和多特征決策融合的車輛檢測方法，其特征在于所述步驟(4)中基于多特征決策融合的車輛檢測包括:首先利用Adaboost分類算法分別建立基于HOG特征、LBP特征以及Haar特征的車輛特征分類器，然后利用三個車輛特征分類器分別對最終的車輛ROI進(jìn)行檢測判別，得到三個檢測結(jié)果，然后采用改進(jìn)的多數(shù)投票法將這三個檢測結(jié)果聯(lián)合起來，進(jìn)行決策融合，從而得到最終的車輛檢測結(jié)果。
7.根據(jù)權(quán)利要求6所述的基于多特征決策融合的車輛檢測方法，其特征在于所述的改進(jìn)多數(shù)投票法包括:根據(jù)三個車輛特征分類器對于車輛樣本和非車輛樣本的檢測率，為它們分配不同的權(quán)重，包括Atog _和Atog 分別為基于HOG特征車輛分類器對車輛和非車輛樣本檢測判別所對應(yīng)的權(quán)值;Albp和Albp 分別為基于LBP特征車輛分類器對車輛和非車輛樣本檢測判別所對應(yīng)的權(quán)值;Ah.—_和Ah.—分別基于Haar特征車輛分類器對車輛和非車輛樣本檢測判別的對應(yīng)的權(quán)值，然后利用下面的公式

【文檔編號】G06K9/66GK103679214SQ201310712226
【公開日】2014年3月26日 申請日期:2013年12月20日 優(yōu)先權(quán)日:2013年12月20日
【發(fā)明者】秦華標(biāo), 黃兆楠, 管偉祥 申請人:華南理工大學(xué)