本發(fā)明涉及一種車輛檢測(cè)方法，屬于圖像處理和機(jī)器學(xué)習(xí)領(lǐng)域，尤其是一種基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法。

背景技術(shù)：

隨著人們生活水平的提高，城市小汽車擁有量持續(xù)增長(zhǎng)，與此同時(shí)，城市“亂停車”現(xiàn)象日益突出，車輛占用、堵塞消防通道的現(xiàn)象也越來越普遍。調(diào)研表明，每年所發(fā)生的重大人員傷亡火災(zāi)事故中，有80％以上火災(zāi)事故都是由于消防通道被私家車輛占用，而導(dǎo)致消防車輛無法第一時(shí)間抵達(dá)現(xiàn)場(chǎng)進(jìn)行救援?；谖锫?lián)網(wǎng)的消防通道車輛檢測(cè)系統(tǒng)的主要目的是為了有效避免由于消防通道被車輛堵塞而導(dǎo)致重大火災(zāi)事故的發(fā)生，當(dāng)車輛占用消防通道時(shí)，通過系統(tǒng)自動(dòng)識(shí)別車輛，現(xiàn)場(chǎng)報(bào)警，同時(shí)短信提醒物管人員及時(shí)排除車輛占用，系統(tǒng)還可以將占用消防通道的車輛信息傳送給消防部門，作為處罰和追責(zé)依據(jù)。本發(fā)明提出的消防通道占用車輛檢測(cè)算法，是消防通道車輛檢測(cè)系統(tǒng)的核心技術(shù)，其目標(biāo)是檢測(cè)消防通道區(qū)域是否存在車輛而不區(qū)分是何種車輛，對(duì)于保障消防通道的暢通有著重要的意義。

目前常用的車輛檢測(cè)方法包括背景差分、基于模板等車輛檢測(cè)方法僅適用于對(duì)連續(xù)車輛視頻幀進(jìn)行檢測(cè)，由于這類算法的計(jì)算量較大、時(shí)間復(fù)雜度較高，并在消防通道車輛檢測(cè)系統(tǒng)中存在檢測(cè)率低和魯棒性差的問題，考慮了 多種干擾因素(如天氣條件的變化和周圍環(huán)境等)對(duì)車輛檢測(cè)的影響，提出了一種自適應(yīng)閾值分割車輛底部陰影的方法和基于多特征融合級(jí)聯(lián)分類器的車輛檢測(cè)方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明旨在至少解決現(xiàn)有技術(shù)中存在的技術(shù)問題，特別創(chuàng)新地提出了一種基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法。

本發(fā)明公開一種基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法，其關(guān)鍵在于，包括如下步驟：

步驟1，利用顯著性檢測(cè)方法提取消防通道道路區(qū)域圖像；

步驟2，采用自適應(yīng)閾值分割車輛底部陰影的方法，提取車輛底部陰影區(qū)域；

步驟3，采用基于像素變化率的陰影邊緣提取方法得到車輛底部陰影的下邊緣；

步驟4，在提取的車輛底部陰影下邊緣的基礎(chǔ)上，構(gòu)建出車輛的感興趣區(qū)域；

步驟5，分別提取車輛感興趣區(qū)域的特征包括：Haar-like特征、HOG特征、LBP特征；

步驟6，利用基于Fisher準(zhǔn)則的多特征融合方法對(duì)車輛感興趣區(qū)域的Haar-like特征和LBP特征進(jìn)行融合；

步驟7，采用Adaboost算法對(duì)融合后的特征值和HOG特征值進(jìn)行訓(xùn)練生成級(jí)聯(lián)分類器，最終用訓(xùn)練得到的級(jí)聯(lián)分類器驗(yàn)證車輛感興趣區(qū)域。

上述技術(shù)方案的有益效果為：利用顯著性檢測(cè)方法提取消防通道道路區(qū)域 圖像，這樣不僅可以縮小檢測(cè)范圍，而且能夠排除非車道區(qū)域中的物體對(duì)檢測(cè)結(jié)果的影響，提高檢測(cè)結(jié)果的準(zhǔn)確性。

針對(duì)現(xiàn)有的車輛檢測(cè)算法在消防通道車輛檢測(cè)系統(tǒng)中存在檢測(cè)率低和魯棒性差的問題，考慮了多種干擾因素(如天氣條件的變化和周圍環(huán)境等)對(duì)車輛檢測(cè)的影響，提出了一種自適應(yīng)閾值分割車輛底部陰影的方法和基于多特征融合級(jí)聯(lián)分類器的車輛檢測(cè)方法，該方法能夠在不同氣候條件下，自適應(yīng)地完成對(duì)消防通道中車輛的檢測(cè)，與傳統(tǒng)的車輛檢測(cè)方法相比具有更高的檢測(cè)率和更低的誤檢率。

所述的基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法，優(yōu)選的，所述步驟1包括：

步驟1-1，對(duì)攝像頭采集的彩色RGB消防通道圖像，使用加權(quán)平均值法將彩色RGB消防通道圖像轉(zhuǎn)換為灰度圖像；

步驟1-2，對(duì)消防通道灰度圖像進(jìn)行中值濾波，增強(qiáng)圖像的邊緣信息，同時(shí)消除噪聲的干擾。

步驟1-3，對(duì)濾波后的圖像進(jìn)行形態(tài)學(xué)處理，消除圖像中較小的顆粒噪聲，以便后續(xù)對(duì)車輛底部陰影進(jìn)行分割；

步驟1-4，采取顯著性檢測(cè)方法提取車道區(qū)域圖像，即利用多層元胞自動(dòng)機(jī)(Multi-layer Cellular Automata，MCA)算法函數(shù)提取出道路區(qū)域圖像。

上述技術(shù)方案的有益效果為：不僅可以縮小檢測(cè)范圍，而且能夠排除非車道區(qū)域中的物體對(duì)檢測(cè)結(jié)果的影響，提高檢測(cè)結(jié)果的準(zhǔn)確性。

所述的基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法，優(yōu)選的，所述步驟2包括：

步驟2-1，用4個(gè)大小為60像素×60像素的矩形窗口對(duì)車道區(qū)域灰度值進(jìn) 行采樣，然后統(tǒng)計(jì)每個(gè)矩形區(qū)域的灰度均值和方差，并將四個(gè)矩形的灰度均值和方差的平均值作為當(dāng)前車道區(qū)域的灰度均值μ和方差δ²；

步驟2-2，正態(tài)變量取值主要在(μ-3δ,μ+3δ)之間，所以選擇μ-3δ灰度值作為當(dāng)前圖像道路區(qū)域的車輛底部陰影的自適應(yīng)分割閾值。

上述技術(shù)方案的有益效果為：與傳統(tǒng)的固定閾值分割車輛底部陰影的方法相比，采用自適應(yīng)閾值分割車輛底部陰影區(qū)域的方法能夠很好的提取出不同天氣、不同時(shí)刻的消防通道車輛底部陰影區(qū)域。

所述的基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法，優(yōu)選的，所述步驟3包括：

對(duì)圖像進(jìn)行由下向上的搜索時(shí)，如果檢測(cè)到陰影區(qū)域，那么該區(qū)域的邊緣像素點(diǎn)會(huì)出現(xiàn)從亮到黑的跳變，然后利用該像素點(diǎn)的像素變化率，即該像素點(diǎn)的梯度模值與灰度值的比值來判斷該像素點(diǎn)是否為車輛底部陰影的邊緣點(diǎn)。

上述技術(shù)方案的有益效果為：通過上述方法能夠較為完整的提取出車輛底部陰影區(qū)域的下邊緣。

所述的基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法，優(yōu)選的，所述步驟4包括：

將檢測(cè)出的車輛底部陰影下邊緣的左右邊界點(diǎn)分別擴(kuò)充10個(gè)像素點(diǎn)，然后以陰影下邊緣的下邊界點(diǎn)所在的水平直線作為長(zhǎng)方形的寬，其大小即為陰影下邊緣的左右邊界的寬度，這樣就可以構(gòu)建出長(zhǎng)寬比為1.2:1的長(zhǎng)方形的車輛感興趣區(qū)域。

上述技術(shù)方案的有益效果為：通過上述方法能夠很好的根據(jù)前面所提取的車輛底部陰影下邊緣確定出車輛的感興趣區(qū)域。

所述的基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法，優(yōu)選的，所 述步驟5包括：

分別對(duì)車輛感興趣區(qū)域中的Haar-like特征，HOG特征和LBP特征進(jìn)行提取。

上述技術(shù)方案的有益效果為：提取車輛感興趣區(qū)域中的灰度特征、梯度特征和紋理特征，為后續(xù)多特征的融合作準(zhǔn)備。

所述的基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法，優(yōu)選的，所述步驟6包括：

使用Fisher準(zhǔn)則將提取的消防通道車輛感興趣區(qū)域的Haar-like特征和LBP特征進(jìn)行融合，利用融合后的綜合特征可以有效的剔除單一特征較強(qiáng)的非車輛區(qū)域，降低誤檢率。

上述技術(shù)方案的有益效果為：通過上述融合算法能夠較好的將車輛感興趣區(qū)域的灰度特征和紋理特征進(jìn)行融合，以便于后續(xù)的分類器的訓(xùn)練。

所述的基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法，優(yōu)選的，所述步驟7包括：

采用Adaboost算法對(duì)融合后的特征值和HOG特征值進(jìn)行離線訓(xùn)練生成級(jí)聯(lián)分類器，然后分別提取待測(cè)消防通道車輛圖像的融合特征和HOG特征作為級(jí)聯(lián)分類器的輸出，如果輸出結(jié)果大于0則判斷為車輛，反正則為非車輛。

上述技術(shù)方案的有益效果為：基于多特征融合級(jí)聯(lián)分類器的車輛檢測(cè)方法，在傳統(tǒng)的HOG特征的Adaboost分類器中融合了灰度特征以及紋理特征，用這些特征彌補(bǔ)了單特征分類器檢測(cè)率低的不足，繼承了多特征融合高檢測(cè)率的優(yōu)點(diǎn)和基于HOG特征的Adaboost分類器對(duì)光照具有高魯棒性的優(yōu)點(diǎn)，因此該方法在不同氣候條件下都有著較高的準(zhǔn)確率，即具有更好的準(zhǔn)確性和魯棒性。

所述的基于多特征融合級(jí)聯(lián)分類器的消防通道車輛檢測(cè)方法，優(yōu)選的，所述步驟7包括：

步驟7-1，為了提高分類器的性能，選擇的正樣本中包含了不同角度的車輛，同時(shí)背景區(qū)域是各種光照條件下的道路圖像；負(fù)樣本中包括樹木、建筑、行人等在消防通道場(chǎng)景中可能出現(xiàn)的非車輛干擾因素。訓(xùn)練樣本庫中包括1500張車輛正樣本和3000張負(fù)樣本，尺寸大小均為128×96；

步驟7-2，分別提取車輛正負(fù)樣本的Haar-like特征與LBP特征的融合特征值和HOG特征值；

步驟7-3，級(jí)聯(lián)分類器初始化，假設(shè)樣本訓(xùn)練集中正樣本數(shù)量為M，負(fù)樣本數(shù)量為N，并設(shè)定級(jí)聯(lián)分類器中每層最小檢測(cè)率為D_min和最大誤檢率為F_max以及級(jí)聯(lián)分類器總的誤檢率F，級(jí)聯(lián)分類器初始誤檢率F₀＝1，級(jí)聯(lián)分類器的層數(shù)初始值i＝0；

步驟7-4，訓(xùn)練生成級(jí)聯(lián)分類器中第i層的強(qiáng)分類器，直到該層的檢測(cè)率大于或者等于D_min；

步驟7-5，計(jì)算第i層強(qiáng)分類器的誤檢率f_i，如果f_i>F_max，則轉(zhuǎn)到步驟7-4；反之則繼續(xù)執(zhí)行；

步驟7-6，評(píng)估當(dāng)前級(jí)聯(lián)分類器總的誤檢率F_i，把分類錯(cuò)誤的樣本加入到負(fù)樣本中，如果F_i>F，則令i＝i+1，并轉(zhuǎn)到步驟7-4中訓(xùn)練生成下一層的強(qiáng)分類器；反之則終止整個(gè)訓(xùn)練過程，當(dāng)前得到的級(jí)聯(lián)分類器即為滿足要求的級(jí)聯(lián)分類器。

綜上所述，由于采用了上述技術(shù)方案，本發(fā)明的有益效果是：

1、采取顯著性檢測(cè)方法提取車道區(qū)域圖像，不僅可以縮小檢測(cè)范圍，而且能夠排除非車道區(qū)域中的物體對(duì)檢測(cè)結(jié)果的影響，提高檢測(cè)結(jié)果的準(zhǔn)確性。

2、針對(duì)傳統(tǒng)固定閾值分割車輛底部陰影區(qū)域方法效果差的問題，采用自適應(yīng)閾值分割車輛底部陰影區(qū)域的方法能夠很好的提取出不同天氣、不同時(shí)刻的消防通道車輛底部陰影區(qū)域，為后續(xù)準(zhǔn)確構(gòu)建車輛感興趣區(qū)域奠定了基礎(chǔ)。

3、使用Fisher準(zhǔn)則將提取的消防通道車輛感興趣區(qū)域的Haar-like特征與LBP特征進(jìn)行融合，利用融合后的綜合特征可以有效的剔除單一特征較強(qiáng)的非車輛區(qū)域，降低誤檢率，并作為后續(xù)多特征融合級(jí)聯(lián)分類器的輸入。

4、基于多特征融合級(jí)聯(lián)分類器的車輛檢測(cè)方法，在傳統(tǒng)的Haar-like特征的Adaboost分類器中融合了灰度特征以及紋理特征，用這些特征彌補(bǔ)了單特征分類器檢測(cè)率低的不足，繼承了多特征融合高檢測(cè)率的優(yōu)點(diǎn)和基于HOG特征的Adaboost分類器對(duì)光照具有高魯棒性的優(yōu)點(diǎn)，因此該方法在不同氣候條件下都有著較高的準(zhǔn)確率，即具有更好的準(zhǔn)確性和魯棒性。

本發(fā)明的附加方面和優(yōu)點(diǎn)將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實(shí)踐了解到。

附圖說明

本發(fā)明的上述和/或附加的方面和優(yōu)點(diǎn)從結(jié)合下面附圖對(duì)實(shí)施例的描述中將變得明顯和容易理解，其中：

圖1是本發(fā)明的系統(tǒng)流程圖；

圖2A-B是消防通道原始圖像和提取的道路區(qū)域圖像；

圖3A-C是自適應(yīng)閾值分割車輛底部陰影效果圖；

圖4A-B是提取的車輛底部陰影下邊緣圖像和車輛感興趣區(qū)域圖像；

圖5是多特征融合級(jí)聯(lián)分類器中強(qiáng)分類器訓(xùn)練流程圖；

圖6是多特征融合級(jí)聯(lián)分類器訓(xùn)練流程圖；

圖7A-7C是不同天氣下的部分檢測(cè)結(jié)果效果圖；

圖8是本發(fā)明采用的Haar-like特征示意圖。

具體實(shí)施方式

為了剔除背景冗余，利用顯著性檢測(cè)從原始圖像中獲取道路區(qū)域。頻率調(diào)整算法(Frequency-tuned，F(xiàn)T)算法利用LAB空間計(jì)算顏色距離，區(qū)域?qū)Ρ榷人惴?Region Contrast,RC)算法基于感知流動(dòng)性和相近區(qū)域的關(guān)聯(lián)性，在RGB空間量化，LAB空間計(jì)算距離。單層元胞自動(dòng)算法(Single-layer Cellular Automata，SCA)算法基于元胞自動(dòng)機(jī)傳播機(jī)制，依據(jù)更新原則同步動(dòng)態(tài)更新顯著性[16]。本文在此基礎(chǔ)上，利用貝葉斯模型和SCA元胞自動(dòng)機(jī)迭代更新，融合FT和RC顯著圖，F(xiàn)T增加了RC算法的空間權(quán)重，RC算法則在顏色量化上有良好效果，得到最終顯著圖，即多層元胞自動(dòng)機(jī)(Multi-layer Cellular Automata，MCA)算法。

首先，對(duì)元胞自動(dòng)機(jī)定義作以下三點(diǎn)修改：

①用超像素點(diǎn)的顯著性值作為模型狀態(tài)是0到1的連續(xù)值。

②鄰近區(qū)域包括距離相鄰的區(qū)域和共同邊緣，同時(shí)認(rèn)為所有邊緣相鄰。

③認(rèn)為鄰居之間影響力會(huì)變化，與色彩空間的相似度有關(guān)系，而并非固定不變。

接著，設(shè)定更新原則如下：

S^t+1＝C^*×S^t+(I-C^*)×F^*×S^t (1)

S^t、S^t+1表示第t、t+1階段的顯著性，C^*是置信度矩陣，F(xiàn)^*是影響因子矩陣，I是輸入圖像。其中：

F^*＝D^-1×F＝D^-1×[f_ij]_N*N (2)

式中，f_ij表示超像素點(diǎn)i對(duì)j的影響因子，||c_i,c_j||代表LAB空間中超像素點(diǎn)i、j的歐式距離，δ₃代表相似度權(quán)重，NB(i)是元胞i的鄰居集合。D＝diag{d₁,d₂,d₃,...,d_N}表示度矩陣，方便影響因子矩陣歸一化。

C^*＝diag{c^*₁,c^*₂,c^*₃,...,c^*_N} (4)

式中a、b是固定值，一般取值為0.58、0.3。

然后，根據(jù)貝葉斯準(zhǔn)則，后驗(yàn)概率歸一化如下表示：

變形整理得：

其中P(i∈前景)＝S_i表示像素點(diǎn)i成為前景的可能性，P(i∈背景)＝1-S_i表示成為背景的可能性。二值閾值分割正確分為前景的概率為λ＝P(η_i＝+1|i∈前景)，正確分為背景概率為μ＝P(η_i＝-1|i∈背景)，且兩者相等。

最后，推廣到M層有：

表示t+1階段第m張顯著圖所有元胞的顯著值。

圖1為本發(fā)明公開的一種適用于消防通道場(chǎng)景中的車輛檢測(cè)方法，包括：

步驟1，利用顯著性檢測(cè)方法提取消防通道道路區(qū)域圖像；

圖2是消防通道原始圖像和提取的道路區(qū)域圖像的對(duì)比圖。現(xiàn)實(shí)情況下，圖像設(shè)備所采集的消防通道圖片中包括車道區(qū)域和非車道區(qū)域，由于本文重點(diǎn)研究車道區(qū)域內(nèi)的車輛目標(biāo)檢測(cè)，所以在檢測(cè)之前需要對(duì)通道圖像的車道區(qū)域進(jìn)行提取，這樣不僅可以縮小檢測(cè)范圍，而且能夠排除非車道區(qū)域中的物體對(duì)檢測(cè)結(jié)果的影響，提高檢測(cè)結(jié)果的準(zhǔn)確性。由于本文研究的消防通道場(chǎng)景的視場(chǎng)角度基本固定，故可采取顯著性檢測(cè)方法提取車道區(qū)域圖像，即利用多層元胞自動(dòng)機(jī)(Multi-layer Cellular Automata，MCA)算法函數(shù)提取出道路區(qū)域圖像。圖2A為消防通道原始圖像，圖2B為提取的道路區(qū)域圖像。

步驟2，采用自適應(yīng)閾值分割車輛底部陰影的方法，提取車輛底部陰影區(qū)域；

圖3A-3C為采用本發(fā)明提出的自適應(yīng)閾值對(duì)實(shí)際消防通道中車輛圖像的底部陰影進(jìn)行分割的效果圖。一般采用固定灰度閾值分割的方法對(duì)車輛底部陰影區(qū)域進(jìn)行提取，但對(duì)于消防通道這一復(fù)雜場(chǎng)景而言，由于受光照、氣候等條件的影響，車道區(qū)域灰度值的變化范圍較大，無法獲得固定的閾值，故本發(fā)明采用了自適應(yīng)閾值的方法分割車輛底部陰影區(qū)域。其思想是：首先用4個(gè)大小為60像素×60像素的矩形窗口對(duì)車道區(qū)域灰度值進(jìn)行采樣，然后統(tǒng)計(jì)每個(gè)矩形區(qū)域的灰度均值和方差，并將四個(gè)矩形的灰度均值和方差的平均值作為當(dāng)前車道區(qū)域的灰度均值μ和方差δ²，最終根據(jù)統(tǒng)計(jì)結(jié)果確定當(dāng)前圖像車道區(qū)域的 車輛底部陰影的固定分割閾值，從而達(dá)到自適應(yīng)閾值進(jìn)行陰影分割的目的。車道區(qū)域的灰度值服從正態(tài)分布，因此其像素的灰度值服從均值為μ、方差為δ²的正態(tài)分布Γ(μ,δ²)，則圖像中像素灰度值的概率密度函數(shù)ψ(x)可以表示為：

其中，K為系數(shù)因子，取值范圍為1到3之間。

已知，正態(tài)變量取值主要在(μ-3δ,μ+3δ)之間，因此本發(fā)明選擇μ-3δ對(duì)應(yīng)灰度值作為車輛底部陰影灰度的自適應(yīng)閾值。

步驟3，采用基于像素變化率的陰影邊緣提取方法得到車輛底部陰影的下邊緣；

圖4A是提取的車輛底部陰影下邊緣效果圖，用白色線條將其標(biāo)出。由于車輛底部陰影的顏色特征比較明顯，它與道路其它區(qū)域相比顏色更黑，所以在對(duì)圖像進(jìn)行由下向上的搜索時(shí)，如果檢測(cè)到陰影區(qū)域，那么該區(qū)域的邊緣像素點(diǎn)會(huì)出現(xiàn)從亮到黑的跳變，然后利用該像素點(diǎn)的像素變化率，即該像素點(diǎn)的梯度模值與灰度值的比值來判斷該像素點(diǎn)是否為車輛底部陰影的邊緣點(diǎn)。

由于車輛底部陰影不完全是一條直線，可能會(huì)出現(xiàn)傾斜或者彎曲。通過上述方法所提取的車輛底部陰影下邊緣會(huì)發(fā)生間斷，為了完整的檢測(cè)出底部陰影的下邊緣，需要對(duì)檢測(cè)出的底部陰影下邊緣進(jìn)行連接。具體的連接方法如下：對(duì)已經(jīng)檢測(cè)出的底部陰影下邊緣從左到右進(jìn)行掃描，如果發(fā)現(xiàn)某個(gè)像素點(diǎn)右邊相鄰區(qū)域5個(gè)像素點(diǎn)內(nèi)發(fā)生間斷，那么可以將間斷用灰度值為255(白色)的像素點(diǎn)進(jìn)行替代，最終就可以得到完整的車輛底部陰影下邊緣。

圖4B為最終確定的車輛感興趣區(qū)域。將檢測(cè)出的車輛底部陰影下邊緣的左右邊界點(diǎn)分別擴(kuò)充10個(gè)像素點(diǎn)，然后以陰影下邊緣的下邊界點(diǎn)所在的水平直線作為長(zhǎng)方形的寬，其大小即為陰影下邊緣的左右邊界的寬度，這樣就可以 構(gòu)建出長(zhǎng)寬比為1.2:1的長(zhǎng)方形的車輛感興趣區(qū)域。

為了更加準(zhǔn)確地定位車輛底部陰影可能存在的位置，本文采用基于像素變化率的邊緣提取方法對(duì)車輛陰影邊緣進(jìn)行提取。由于車輛底部陰影區(qū)域比其他區(qū)域灰度值小，所以當(dāng)對(duì)消防通道從下向上掃描時(shí)，如果檢測(cè)到陰影區(qū)域，那么該區(qū)域的邊緣像素點(diǎn)會(huì)出現(xiàn)從大到小的跳變，然后利用該像素點(diǎn)的像素變化率，即該像素點(diǎn)的梯度模值與灰度值的比值來判斷該像素點(diǎn)是否為車輛底部陰影的邊緣點(diǎn)。

定義1.像素的鄰域像素梯度模型

假設(shè)F代表圖像中大小為5×5的子區(qū)域，H為尺寸大小為5×5的均值掩模，像素點(diǎn)(i,j)的梯度模數(shù)學(xué)表達(dá)式為：

其中，u和v為梯度模鄰域的大小。

定義2.像素變化率

假設(shè)(i,j)為當(dāng)前像素點(diǎn)的位置坐標(biāo)，像素點(diǎn)(i,j)變化率的數(shù)學(xué)表達(dá)式為：

B_ij＝R_ij/G_ij (12)

其中，G_ij為像素點(diǎn)(i,j)的像素值，選取不同的像素變化率閾值，可以得到不同的邊緣像素點(diǎn)。

最終以上面提取的車輛底部陰影下邊緣為基礎(chǔ)，將陰影下邊緣的左右邊界點(diǎn)分別擴(kuò)充10個(gè)像素點(diǎn)，然后以陰影下邊緣的下邊界點(diǎn)所在的水平直線作為長(zhǎng)方形的寬，其大小即為陰影下邊緣的左右邊界的寬度，這樣就可以構(gòu)建出長(zhǎng)寬比為1.2的長(zhǎng)方形的車輛感興趣區(qū)域。

步驟4，在提取的車輛底部陰影下邊緣的基礎(chǔ)上，構(gòu)建出車輛的感興趣區(qū)域；

圖5是多特征融合級(jí)聯(lián)分類器中強(qiáng)分類器訓(xùn)練流程圖，其具體步驟如下：

S1、強(qiáng)分類器初始化，假設(shè)樣本訓(xùn)練集中正樣本數(shù)量為M，負(fù)樣本數(shù)量為N，并設(shè)定強(qiáng)分類器的最小檢測(cè)率為D_min和最大誤檢率為F_max，強(qiáng)分類器初始誤檢率f＝1；

S2、樣本權(quán)值初始化，將訓(xùn)練樣本集中的所有正負(fù)樣本賦予相同的權(quán)值；

S3、選擇具有最小分類錯(cuò)誤的特征加入到強(qiáng)分類器，并用臨時(shí)強(qiáng)分類器對(duì)正負(fù)樣本進(jìn)行檢測(cè)，將分類結(jié)果分別保存到兩個(gè)數(shù)組中；

S4、將存有正樣本特征值的數(shù)組按升序排列，使用數(shù)組中第[M×(1-D_min)]個(gè)元素作為分類器的臨時(shí)閾值；

S5、統(tǒng)計(jì)存有負(fù)樣本的數(shù)組中特征值大于該臨時(shí)閾值的樣本數(shù)量N_false，并計(jì)算出當(dāng)前臨時(shí)強(qiáng)分類器的誤檢率f＝N_false/N；

S6、更新樣本權(quán)值，挑選出權(quán)值較大的樣本形成新的訓(xùn)練樣本集；

S7、強(qiáng)分類器終止條件判斷，如果f>f_max，則轉(zhuǎn)到S3，反之則終止整個(gè)訓(xùn)練過程，當(dāng)前得到的強(qiáng)分類器即為滿足要求的強(qiáng)分類器。

HOG特征描述了圖像局部區(qū)域在梯度、強(qiáng)度以及梯度方向上的分布情況，進(jìn)而能夠反映出局部圖像的外觀、形狀以及輪廓。

為了提高特征值的計(jì)算效率，本文采用積分方向法通過計(jì)算圖像中各個(gè)像素點(diǎn)的梯度值和梯度方向，再將樣本集根據(jù)梯度方向的不同劃分成不同區(qū)域。每個(gè)像素點(diǎn)的特征用N維向量表示：

p(x，y)＝e_km(x，y) (13)

其中e_k＝(0,…,j_k,…,0)，只有當(dāng)像素點(diǎn)(x,y)的梯度方向落在第k個(gè)區(qū)間上時(shí)， j_k為1，其他區(qū)域j_k為0。積分過程與類似積分圖像的計(jì)算過程，不同的是將亮度值求和變?yōu)榱讼蛄壳蠛停?/p>

最后把每一個(gè)方向的梯度圖像對(duì)應(yīng)投影成一個(gè)積分直方圖。利用積分直方圖可以計(jì)算圖像上任意矩形區(qū)域的HOG特征，不論矩形的大小和形狀如何，都可以通過4*N次查找獲得該矩形的HOG特征，極大地提高了訓(xùn)練和檢測(cè)的效率。

LBP算子包含結(jié)構(gòu)和統(tǒng)計(jì)的思想，結(jié)構(gòu)體現(xiàn)在要求以3*3的窗口作為計(jì)算的閾值，通過和周圍相鄰的8個(gè)像素的灰度值比較，得到需要的LBP值，并用其來反映該區(qū)域的紋理信息。統(tǒng)計(jì)體現(xiàn)在記錄一定范圍內(nèi)的LBP碼出現(xiàn)的頻率，得到頻率直方圖。LBP算子的編碼規(guī)則如下：

式中(u,v)指局部鄰域里中心像素的坐標(biāo)，n_c指中心像素的灰度值，n_i指以(u,v)為圓心、R為半徑的圓上等間隔分布的N個(gè)像素點(diǎn)的灰度值。由式可知，鄰域內(nèi)各像素的差異情況可以用一個(gè)N位二進(jìn)制數(shù)表示，得到2^N個(gè)不同的二進(jìn)制數(shù)，因此LBP描述子的維數(shù)為2^N。

由于LBP特征提取過程非常簡(jiǎn)單，提取速度很快，在模式識(shí)別領(lǐng)域取得了不錯(cuò)的效果。

選用兩矩形特征和三矩形特征作為感興趣區(qū)域中車輛的檢測(cè)特征，如圖8所示，其特征值定義為黑色矩形所有像素值的和減去白色區(qū)域所有像素值的和。

圖8本發(fā)明采用的Haar-like特征。

為了提高特征值的計(jì)算效率，采用“積分圖”[14]能夠保證對(duì)圖像經(jīng)過一次遍歷即可以計(jì)算出所有的Haar-like特征值。

假設(shè)f(x,y)代表圖像，(i,j)為感興趣區(qū)域圖像中任意像素點(diǎn)的位置坐標(biāo)，其左上角所有像素的和即為該像素點(diǎn)“積分圖”的值h(i,j)，具體表達(dá)式為：

對(duì)于感興趣區(qū)域中任何矩陣區(qū)域的特征值都可以通過下式(18)計(jì)算得到，如圖7所示，p₁、p₂、p₃、p₄分別為矩形區(qū)域I的四個(gè)頂點(diǎn)坐標(biāo)，則矩形區(qū)域I中所有像素的和S_I：

S_I＝h(p₄)+h(p₁)-h(p₂)-h(p₃) (18)

步驟5，分別提取車輛感興趣區(qū)域的幾何特征包括：Haar-like特征、HOG特征、LBP特征；

圖6是多特征融合級(jí)聯(lián)分類器訓(xùn)練流程圖，其具體步驟如下：

P_S1、級(jí)聯(lián)分類器初始化，假設(shè)樣本訓(xùn)練集中正樣本數(shù)量為M，負(fù)樣本數(shù)量為N，并設(shè)定級(jí)聯(lián)分類器中每層最小檢測(cè)率為D_min和最大誤檢率為F_max以及級(jí)聯(lián)分類器總的誤檢率F，級(jí)聯(lián)分類器初始誤檢率F₀＝1，級(jí)聯(lián)分類器的層數(shù)初始值i＝0；

P_S2、訓(xùn)練生成級(jí)聯(lián)分類器中第i層的強(qiáng)分類器，直到該層的檢測(cè)率大于或者等于D_min；

P_S3、計(jì)算第i層強(qiáng)分類器的誤檢率f_i，如果f_i>F_max，則轉(zhuǎn)到步驟7-4；反之則繼續(xù)執(zhí)行；

P_S4、評(píng)估當(dāng)前級(jí)聯(lián)分類器總的誤檢率F_i，把分類錯(cuò)誤的樣本加入到負(fù)樣 本中，如果F_i>F，則令i＝i+1，并轉(zhuǎn)到步驟7-4中訓(xùn)練生成下一層的強(qiáng)分類器；反之則終止整個(gè)訓(xùn)練過程，當(dāng)前得到的級(jí)聯(lián)分類器即為滿足要求的級(jí)聯(lián)分類器。

步驟6，利用基于Fisher準(zhǔn)則的多特征融合方法對(duì)車輛感興趣區(qū)域的Haar-like特征和LBP特征進(jìn)行融合；

圖7是使用本文提出的基于多特征融合級(jí)聯(lián)分類器的方法進(jìn)行檢測(cè)的結(jié)果，其中包括了不同天氣情況下(光照條件不同)的消防通道車輛檢測(cè)結(jié)果，圖7A為晴天檢測(cè)效果圖、圖7B為陰天檢測(cè)效果圖、圖7C為雨天檢測(cè)效果圖，從圖中可以看出，本文算法在不同的天氣狀況，不同的車道背景下，都能準(zhǔn)確的檢測(cè)出消防通道內(nèi)是否存在車輛的停放，圖中紅色方框區(qū)域?yàn)闄z測(cè)到的車輛。

在特征選擇時(shí)引入了Haar特征和LBP特征融合后的特征。使用Adaboost算法對(duì)HOG特征和融合后的特征進(jìn)行訓(xùn)練。使用訓(xùn)練得到的級(jí)聯(lián)分類器對(duì)待測(cè)圖像子窗口進(jìn)行檢測(cè)，如果待檢測(cè)子窗口被級(jí)聯(lián)分類器中任何一個(gè)分類器拒絕，則直接將篩選掉，不再進(jìn)行后續(xù)分類器的檢測(cè)。只有通過級(jí)聯(lián)結(jié)構(gòu)中所有分類器的篩選，才判定為車輛。先通過HOG特征分類器對(duì)目標(biāo)圖像進(jìn)行粗略檢測(cè)，將通過的檢測(cè)結(jié)果再輸入融合分類器進(jìn)行二次檢測(cè)，可以很好的解決單一特征檢測(cè)遺漏等問題。

弱分類器定義

對(duì)于每一個(gè)HOG特征和融合特征，都可以生成一個(gè)弱分類器，其定義如下：

其中，x為待檢測(cè)子窗口；f_j(x)是第j個(gè)特征所對(duì)應(yīng)子窗口的特征值； p_j∈{-1,1}，表示分類方向；θ_j是分類器的閾值，將所有樣本的特征值進(jìn)行由小到大排序，通過對(duì)排序后的特征值從頭到尾進(jìn)行掃描，搜索最小誤差對(duì)應(yīng)的值作為分類器的閾值；h_j(x)即為由特征f_j所構(gòu)成的分類器，α和β分別代表弱分類器分類結(jié)果的置信度，其取值范圍是介于[-1,1]之間的實(shí)數(shù)。當(dāng)它們的取值大于零時(shí)，表示當(dāng)前測(cè)試樣本有車輛存在。

強(qiáng)分類器訓(xùn)練

多特征級(jí)聯(lián)分類器中強(qiáng)分類器的訓(xùn)練過程為：首先為所有的訓(xùn)練樣本賦予相同的權(quán)值，然后對(duì)訓(xùn)練樣本集進(jìn)行T輪訓(xùn)練。每輪訓(xùn)練結(jié)束后，分別調(diào)整樣本的權(quán)值，削弱正確分類的樣本的權(quán)值，提升錯(cuò)誤分類的樣本的權(quán)值。經(jīng)過T輪訓(xùn)練后，得到T個(gè)弱分類器，將弱分類器按照一定的權(quán)值組合成強(qiáng)分類器，分類效果越好的弱分類器其所對(duì)應(yīng)的權(quán)值越高[18]。具體的步驟如下：

給定訓(xùn)練樣本(x₁,y₁),···,(x_n,y_n)，其中x_i為輸入的訓(xùn)練樣本向量；y_i為分類標(biāo)識(shí)，y_i∈[-1,1]，i＝1,2,···,n，1和-1分別代表正負(fù)樣本。

樣本權(quán)值初始化

其中，l為訓(xùn)練樣本集中正樣本的個(gè)數(shù)，m為訓(xùn)練樣本集中負(fù)樣本的個(gè)數(shù)。

對(duì)于t＝1,2,···,T(T為訓(xùn)練次數(shù))，其中弱分類器的值g_t,j(x)＝P(y＝1|x)-P(y＝-1|x)，1≤j≤k，其含義是樣本x判斷為正樣本的概率與判斷為負(fù)樣本的概率的差值

①樣本權(quán)值歸一化：

②對(duì)于每一個(gè)特征j，得到對(duì)應(yīng)的弱分類器g_t,j∈[-1,1]，其中1≤j≤k；

③計(jì)算出該分類器g_t,j的分類誤差

④將分類誤差最小的弱分類器g_t加入到強(qiáng)分類器中，G(x)←G(x)+g_t(x)，式中G(x)代表強(qiáng)分類器；

⑤更新樣本權(quán)值，令ω_t,i←ω_t,iexp[-y_ig_t,i(x_i)]，i＝1,2,···,n，并對(duì)更新后的樣本權(quán)值進(jìn)行歸一化處理

(2)生成強(qiáng)分類器

由上式可知，最終訓(xùn)練生成的強(qiáng)分類器其實(shí)是一個(gè)符號(hào)函數(shù)，當(dāng)符號(hào)函數(shù)的輸出大于零時(shí)，表示有車輛。

多特征融合級(jí)聯(lián)分類器訓(xùn)練

本文提出的多特征融合級(jí)聯(lián)分類器的訓(xùn)練步驟如下：

1設(shè)定級(jí)聯(lián)分類器中每層最小檢測(cè)率為D_min和最大誤檢率為F_max以及級(jí)聯(lián)分類器總的誤檢率F，級(jí)聯(lián)分類器初始誤檢率F₀＝1，級(jí)聯(lián)分類器的層數(shù)初始值λ＝0；

2訓(xùn)練生成級(jí)聯(lián)分類器中第λ層的強(qiáng)分類器，直到該層的檢測(cè)率大于或者等于D_min；

3計(jì)算第i層強(qiáng)分類器的誤檢率f_λ，如果f_λ>F_max，則轉(zhuǎn)到步驟2○；反之則繼續(xù)執(zhí)行；

4評(píng)估當(dāng)前級(jí)聯(lián)分類器總的誤檢率F_λ，把分類錯(cuò)誤的樣本加入到負(fù)樣本中，如果F_λ>F，則令λ＝λ+1，并轉(zhuǎn)到步驟(2)中訓(xùn)練生成下一層的強(qiáng)分類器；反之則終止整個(gè)訓(xùn)練過程，當(dāng)前得到的級(jí)聯(lián)分類器即為滿足要求的級(jí)聯(lián)分類器。

步驟7，采用Adaboost算法對(duì)融合后的特征值和HOG特征值進(jìn)行訓(xùn)練生成級(jí)聯(lián)分類器，最終用訓(xùn)練得到的級(jí)聯(lián)分類器驗(yàn)證車輛感興趣區(qū)域。

因此，本發(fā)明將多特征融合算法與Adaboost算法相結(jié)合，提出了一種基于多特征融合級(jí)聯(lián)分類器的車輛檢測(cè)方法，在傳統(tǒng)的HOG特征的Adaboost分類器中融合了灰度特征以及紋理特征，用這些特征彌補(bǔ)了單特征分類器檢測(cè)率低的不足，并繼承了多特征融合高檢測(cè)率的優(yōu)點(diǎn)和基于HOG特征的Adaboost分類器對(duì)光照具有高魯棒性的優(yōu)點(diǎn)，具有更好的準(zhǔn)確性和光照魯棒性。

在本說明書的描述中，參考術(shù)語“一個(gè)實(shí)施例”、“一些實(shí)施例”、“示例”、“具體示例”、或“一些示例”等的描述意指結(jié)合該實(shí)施例或示例描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)包含于本發(fā)明的至少一個(gè)實(shí)施例或示例中。在本說明書中，對(duì)上述術(shù)語的示意性表述不一定指的是相同的實(shí)施例或示例。而且，描述的具體特征、結(jié)構(gòu)、材料或者特點(diǎn)可以在任何的一個(gè)或多個(gè)實(shí)施例或示例中以合適的方式結(jié)合。

盡管已經(jīng)示出和描述了本發(fā)明的實(shí)施例，本領(lǐng)域的普通技術(shù)人員可以理解：在不脫離本發(fā)明的原理和宗旨的情況下可以對(duì)這些實(shí)施例進(jìn)行多種變化、修改、替換和變型，本發(fā)明的范圍由權(quán)利要求及其等同物限定。