一種前方車輛檢測方法
【專利摘要】本發(fā)明涉及一種前方車輛檢測方法，其特征在于，具體實(shí)施步驟如下：步驟1：建立正負(fù)樣本庫；采集大量有車輛存在和無車輛的視頻圖片，將圖像中的車輛部分提取出來作為車輛訓(xùn)練正樣本，挑選視頻圖片中沒有車輛的圖片形成負(fù)樣本庫；步驟2：訓(xùn)練數(shù)學(xué)模型，采用機(jī)器學(xué)習(xí)方法進(jìn)行車輛檢測；步驟3：車輛識別；步驟4：采用先驗信息確認(rèn)，降低干擾；步驟5：車輛對稱性驗證。從而提供一種有效的提高車輛識別率和降低車輛虛警率的方法。
【專利說明】
一種前方車輛檢測方法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及汽車主動安全領(lǐng)域，具體涉及一種可應(yīng)用于前車碰撞預(yù)警的前方車輛檢測方法。

【背景技術(shù)】
[0002]前方車輛碰撞預(yù)警作為汽車主動安全領(lǐng)域重要的研究方向，已成為世界各汽車零部件供應(yīng)商和汽車主機(jī)廠關(guān)注的熱點(diǎn)，且在奔馳、寶馬等豪華車上得到普遍應(yīng)用，并逐漸向中低端車型普及。目前針對前方碰撞預(yù)警，主要有基于雷達(dá)的方法，基于視覺方法和基于雷達(dá)和視覺融合的方法。由于基于視覺的方法成本低，Mobileye開發(fā)的前方碰撞預(yù)警系統(tǒng)已成為比較成熟的輔助駕駛系統(tǒng)。而中國在這方面的研究與國外還有很大差距，因此深入該領(lǐng)域研究已成為提高我國關(guān)鍵汽車零部件核心競爭力的一個重要方面?；谝曈X的車輛檢測方法核心在于車輛檢測算法，提高車輛檢測算法的識別率和降低車輛檢測虛警率成為研究的重中之重工作。
[0003]目前車輛檢測方法有基于車底陰影的方法、基于機(jī)器學(xué)習(xí)的方法和基于光流的方法。現(xiàn)有技術(shù)中存在如下技術(shù)問題:基于車底陰影的方法由于受天氣影響大，穩(wěn)定性問題難以克服?；诠饬鞯姆椒☉?yīng)用前提是目標(biāo)物需要存在相對運(yùn)動，對相對運(yùn)動較小的車輛漏檢率高?；跈C(jī)器學(xué)習(xí)的方法采用大量數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，車輛檢測魯棒性強(qiáng)，但是虛警率較聞。


【發(fā)明內(nèi)容】

[0004]本發(fā)明目的在于提供一種有效的提高車輛識別率和降低車輛虛警率的方法。
[0005]具體技術(shù)方案如下:一種前方車輛檢測方法，其特征在于，具體實(shí)施步驟如下:
[0006]步驟1:建立正負(fù)樣本庫；采集大量有車輛存在和無車輛的視頻圖片，將圖像中的車輛部分提取出來作為車輛訓(xùn)練正樣本庫，挑選視頻圖片中沒有車輛的圖片形成負(fù)樣本庫；
[0007]步驟2:訓(xùn)練數(shù)學(xué)模型，采用機(jī)器學(xué)習(xí)方法進(jìn)行車輛檢測；
[0008]步驟3:車輛識別；
[0009]步驟4:采用先驗信息確認(rèn)，降低干擾；
[0010]步驟5:車輛對稱性驗證。
[0011]進(jìn)一步地，步驟I中正樣本為10000-20000個，負(fù)樣本為50000-100000個。
[0012]進(jìn)一步地，步驟2中采用機(jī)器學(xué)習(xí)方法具體為基于機(jī)器學(xué)習(xí)的識別方法首先采用特征提取方法得到車輛特征信息，然后采用模式識別方法進(jìn)行識別。
[0013]進(jìn)一步地，特征提取方法為基于HOG的方法或基于類Haar特征方法。
[0014]進(jìn)一步地，模式識別方法主要有基于支持向量機(jī)(SVM)、基于神經(jīng)網(wǎng)絡(luò)或基于adaboost的方法。
[0015]進(jìn)一步地，步驟2采用基于類Haar特征+adaboost的方法進(jìn)行訓(xùn)練，得到數(shù)學(xué)模型。
[0016]進(jìn)一步地，步驟3中采用級聯(lián)adaboost進(jìn)行識別，逐層排除非車輛區(qū)域。
[0017]進(jìn)一步地，步驟5中利用汽車邊緣信息判斷車輛存在性。
[0018]進(jìn)一步地，車輛對稱性驗證的具體處理步驟如下:
[0019]選定車輛，確定候選車輛區(qū)域；
[0020]車輛區(qū)域左右邊界向外擴(kuò)展一定寬度，得到車輛區(qū)域的左右邊緣分別為Col_left和 Col_right ；
[0021]在車輛候選區(qū)域內(nèi)采用Sobel垂直邊緣增強(qiáng)方法進(jìn)行增強(qiáng)，提取出車輛邊緣圖像；
[0022]將車輛邊緣圖像向水平方向投影，即將屬于同一列的邊緣圖像進(jìn)行累加，得到車輛水平投影數(shù)據(jù)；
[0023]將車輛投影數(shù)據(jù)進(jìn)行累加，得到累加數(shù)值設(shè)為T，以Col_left作為起點(diǎn)對車輛投影數(shù)據(jù)進(jìn)行逐列累加；
[0024]如果累加值超過T/2時，則停止累加；得到對應(yīng)此時的圖像列坐標(biāo)為Col_median，計算|Col_median-(Col_right+Col_left)/2|的值是否小于設(shè)定偏差閾值th ;
[0025]如果|Col_median_(Col_right+Col_left)/2|〈th，可以判定此區(qū)域有車輛存在，否則車輛不存在。
[0026]進(jìn)一步地，車輛區(qū)域左右邊界向外擴(kuò)展寬度分別為15個像素。
[0027]進(jìn)一步地，偏差閾值th設(shè)定為15。
[0028]與目前現(xiàn)有技術(shù)相比，本發(fā)明能夠:
[0029]I)采用機(jī)器學(xué)習(xí)方法，通過采集大量正負(fù)樣本，訓(xùn)練學(xué)習(xí)得到數(shù)學(xué)模型，采用級聯(lián)adaboost算法識別車輛。
[0030]2)采用先驗知識確定車輛檢測區(qū)域，去除周邊干擾信息。
[0031]3)采用車輛對稱性，確認(rèn)車輛存在性。
[0032]從而有效的提高車輛識別率和降低車輛虛警率。

【專利附圖】

【附圖說明】
[0033]圖1為車輛檢測流程圖
[0034]圖2為車輛對稱性計算流程圖

【具體實(shí)施方式】
[0035]下面根據(jù)附圖對本發(fā)明進(jìn)行詳細(xì)描述，其為本發(fā)明多種實(shí)施方式中的一種優(yōu)選實(shí)施例。
[0036]本發(fā)明涉及一種前方車輛檢測方法，程序流程圖如圖1，具體實(shí)施步驟如下:
[0037]Stepl:建立正負(fù)樣本庫。采集大量有車輛存在和無車輛的視頻圖片，將圖像中的車輛部分提取出來作為車輛訓(xùn)練正樣本庫，然后將所有的車輛正樣本統(tǒng)一規(guī)整為24*24大小圖像作為最終的正樣本數(shù)據(jù)庫。挑選視頻圖片中沒有車輛的圖片形成負(fù)樣本庫。正負(fù)樣本庫圖像越多，訓(xùn)練得到的車輛數(shù)學(xué)模型越好，對車輛識別率效果相對越好。但是，樣本多，產(chǎn)生的弱分類器數(shù)量增多，算法識別階段運(yùn)行時間增加。同時訓(xùn)練過程也會加劇增加。本文推薦正樣本在10000-20000個，負(fù)樣本在50000-100000個。
[0038]Step2:訓(xùn)練數(shù)學(xué)模型?；跈C(jī)器學(xué)習(xí)的識別方法首先采用特征提取方法得到車輛特征信息，然后采用模式識別方法進(jìn)行識別。其中特征提取方法有基于HOG的方法、基于類Haar特征方法。模式識別方法主要有基于支持向量機(jī)(SVM)、基于神經(jīng)網(wǎng)絡(luò)、基于adaboost的方法。由于基于Haar特征和基于adaboost的快速識別性，本文采用基于類Haar特征+adaboost的方法進(jìn)行訓(xùn)練，得到數(shù)學(xué)模型。
[0039]Step3:車輛識別。將得到的數(shù)學(xué)模型采用類Haar+adaboost進(jìn)行車輛檢測。為了提高識別率，本文采用級聯(lián)adaboost進(jìn)行識別，逐層排除非車輛區(qū)域。
[0040]Step4:采用先驗信息確認(rèn)。圖像周邊的干擾物，如交通標(biāo)志、樹木、道路護(hù)欄等產(chǎn)生較大干擾。由于車輛存在的區(qū)域在圖像下半部，而交通標(biāo)志存在于圖像上半部，并且靠近左右圖像邊緣的為非車輛區(qū)域。因此根據(jù)這些信息可以去除交通標(biāo)志和周邊護(hù)欄干擾。
[0041]Step5:車輛對稱性驗證。汽車具有明顯的垂直邊緣和水平邊緣，因此可以利用汽車邊緣信息判斷車輛存在性。
[0042]本文采用汽車垂直邊緣特征，流程圖如圖2所示，具體處理步驟如下:
[0043]選定車輛，確定候選車輛區(qū)域。
[0044]車輛區(qū)域左右邊界向外擴(kuò)展一定寬度。本文設(shè)定左右外擴(kuò)寬度分別為15個像素，得到車輛區(qū)域的左右邊緣分別為Col_left和Col_right。邊緣外擴(kuò)的目的是防止通過前四步得到的車輛區(qū)域中不能完全包含車輛整體問題。
[0045]然后在車輛候選區(qū)域內(nèi)采用Sobel垂直邊緣增強(qiáng)方法進(jìn)行增強(qiáng)，提取出車輛邊緣圖像。
[0046]然后將車輛邊緣圖像向水平方向投影，即將屬于同一列的邊緣圖像進(jìn)行累加，得到車輛水平投影數(shù)據(jù)。
[0047]將車輛投影數(shù)據(jù)進(jìn)行累加，得到累加數(shù)值設(shè)為T，以Col_left作為起點(diǎn)對車輛投影數(shù)據(jù)進(jìn)行逐列累加。如果累加值超過T/2時，則停止累加。得到對應(yīng)此時的圖像列坐標(biāo)為 Col_median，計算 | Col_median_ (Col_right+Col_left)/2 | 的值是否小于設(shè)定偏差閾值tho本文設(shè)定th = 15。
[0048]如果|Col_median_(Col_right+Col_left)/2|〈th，可以判定此區(qū)域有車輛存在，否則車輛不存在。
[0049]上面結(jié)合附圖對本發(fā)明進(jìn)行了示例性描述，顯然本發(fā)明具體實(shí)現(xiàn)并不受上述方式的限制，只要采用了本發(fā)明的方法構(gòu)思和技術(shù)方案進(jìn)行的各種改進(jìn)，或未經(jīng)改進(jìn)直接應(yīng)用于其它場合的，均在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種前方車輛檢測方法，其特征在于，具體實(shí)施步驟如下: 步驟1:建立正負(fù)樣本庫；采集大量有車輛存在和無車輛的視頻圖片，將圖像中的車輛部分提取出來作為車輛訓(xùn)練正樣本庫，挑選視頻圖片中沒有車輛的圖片形成負(fù)樣本庫； 步驟2:訓(xùn)練數(shù)學(xué)模型，采用機(jī)器學(xué)習(xí)方法進(jìn)行車輛檢測； 步驟3:車輛識別； 步驟4:采用先驗信息確認(rèn)，降低干擾； 步驟5:車輛對稱性驗證。
2.如權(quán)利要求1所述的前方車輛檢測方法，其特征在于，步驟I中正樣本為10000-20000 個，負(fù)樣本為 50000-100000 個。
3.如權(quán)利要求1-2所述的前方車輛檢測方法，其特征在于，步驟2中采用機(jī)器學(xué)習(xí)方法具體為基于機(jī)器學(xué)習(xí)的識別方法首先采用特征提取方法得到車輛特征信息，然后采用模式識別方法進(jìn)行識別。
4.如權(quán)利要求3所述的前方車輛檢測方法，其特征在于，特征提取方法為基于HOG的方法或基于類Haar特征方法。
5.如權(quán)利要求3所述的前方車輛檢測方法，其特征在于，模式識別方法主要有基于支持向量機(jī)(SVM)、基于神經(jīng)網(wǎng)絡(luò)或基于adaboost的方法。
6.如權(quán)利要求1-5所述的前方車輛檢測方法，其特征在于，步驟2采用基于類Haar特征+adaboost的方法進(jìn)行訓(xùn)練，得到數(shù)學(xué)模型。
7.如權(quán)利要求1-6所述的前方車輛檢測方法，其特征在于，步驟3中采用級聯(lián)adaboost進(jìn)行識別，逐層排除非車輛區(qū)域。
8.如權(quán)利要求1-7所述的前方車輛檢測方法，其特征在于，步驟5中利用汽車邊緣信息判斷車輛存在性。
9.如權(quán)利要求8所述的前方車輛檢測方法，其特征在于，車輛對稱性驗證的具體處理步驟如下: 選定車輛，確定候選車輛區(qū)域； 車輛區(qū)域左右邊界向外擴(kuò)展一定寬度，得到車輛區(qū)域的左右邊緣分別為Col_left和Col—right ； 在車輛候選區(qū)域內(nèi)采用Sobel邊緣增強(qiáng)方法進(jìn)行增強(qiáng)，提取出車輛邊緣圖像； 將車輛邊緣圖像向水平方向投影，即將屬于同一列的邊緣圖像進(jìn)行累加，得到車輛水平投影數(shù)據(jù)； 將車輛投影數(shù)據(jù)進(jìn)行累加，得到累加數(shù)值設(shè)為T，以Col_left作為起點(diǎn)對車輛投影數(shù)據(jù)進(jìn)行逐列累加； 如果累加值超過T/2時，則停止累加；得到對應(yīng)此時的圖像列坐標(biāo)為Col_median，計算Col_median-(Col_right+Col_left) /2的值是否小于設(shè)定偏差閾值th ； 如果I Col_median_(Col_right+Col_left) /2 | <th,可以判定此區(qū)域有車輛存在，否則車輛不存在。
10.如權(quán)利要求9所述的前方車輛檢測方法，其特征在于，車輛區(qū)域左右邊界向外擴(kuò)展寬度分別為15個像素，偏差閾值th設(shè)定為15。
【文檔編號】G06K9/66GK104268589SQ201410471685
【公開日】2015年1月7日 申請日期:2014年9月16日 優(yōu)先權(quán)日:2014年9月16日
【發(fā)明者】王繼貞, 王海, 孫銳, 谷明琴, 陳軍, 張紹勇 申請人:奇瑞汽車股份有限公司