亚洲成年人黄色一级片,日本香港三级亚洲三级,黄色成人小视频,国产青草视频,国产一区二区久久精品,91在线免费公开视频,成年轻人网站色直接看

一種日間前方車輛檢測方法與流程

文檔序號:11387224閱讀:253來源:國知局

本發(fā)明具體涉及一種日間前方車輛檢測方法。



背景技術:

車輛追尾在交通事故中占有很大比例,為了有效地避免車輛發(fā)生碰撞,前方車輛檢測技術已成為智能和安全輔助駕駛系統(tǒng)領域的重要研究方向。前方車輛檢測系統(tǒng)通過傳感器為行駛車輛提供前方環(huán)境信息。目前采用的傳感主要有機器視覺、毫米波雷達、激光雷達和紅外等傳感器。相對于其他傳感器,視覺傳感器具有信息獲取量大的顯著特征。因此,機器視覺仍是實現(xiàn)前方車輛檢測的主要傳感器。

基于視覺的車輛識別方法一般可以分為基于特征、基于光流場、基于模型和基于機器學習4種?;谔卣鞯能囕v檢測方法主要是根據(jù)車輛的對稱性、陰影、邊緣等特征進行車輛檢測,為得到確切結果,通常將陰影、對稱性和邊緣特征結合起來。光流法主要通過攝像機運動、前方障礙物運動或二者相對運動的瞬時速度場實現(xiàn),但該方法對噪聲、光線變化敏感,計算量大?;谀P偷姆椒ㄊ紫冉⒁阎囕v精準的二維或三維模型,然后與待檢測圖像進行匹配,該方法對車輛模型過分依賴。機器學習主要利用從數(shù)據(jù)里提取的規(guī)則或模式將數(shù)據(jù)轉化為信息,對數(shù)據(jù)進行分類識別?;趕vm或神經(jīng)網(wǎng)絡的機器學習方法對車輛檢測時運算量大、耗時長,識別性能有待進一步提高。



技術實現(xiàn)要素:

本發(fā)明要解決的技術問題是提供一種日間前方車輛檢測方法。

一種日間前方車輛檢測方法,包括以下步驟:

s1:通過攝像頭獲取車輛前方的視頻圖像,對視頻圖像進行預處理,包括灰度化處理處理和歸一化處理為20×20灰度圖;

s2:離線訓練:對大量的日間車輛正、負樣本圖片通過積分圖提取類haar特征,基于adaboost算法選取有效的類haar特征進行訓練,得到強分類器;

s3:在線識別:對測試樣本提取類haar特征,并將特征輸入到adaboost分類器進行車輛識別。

進一步的,離線訓練的具體過程如下:

1)訓練樣本選擇:訓練樣本分為正樣本和負樣本,正樣本為日間車輛樣本圖片,負樣本為其他任意樣本圖片;選用正樣本1000張,負樣本3000張,對樣本進行灰度化處理,歸一化處理為20×20灰度圖,構成訓練樣本集;

2)利用積分圖在圖像上計算任意矩形區(qū)域內(nèi)的像素和,從而求得矩形值;在點(x,y)處從左到右的像素總和為:

式中:為在點的積分圖像的像素和;為點處的灰度值;借助積分圖像可以快速計算出類haar特征值;

3)基于adaboost分類器訓練:

①樣本集:,其中為輸入的訓練樣本向量;為類別標簽,;0和1分別代表負樣本和正樣本,假設樣本集中共有l(wèi)個正樣本,m個負樣本,l+m=n,每個樣本共有k個類haar特征值;

②初始化權重:

時為負樣本,;當=1時為正樣本,;

③對于t=1,2,…,t(t為訓練次數(shù),決定最終弱分類器的個數(shù)):

權重歸一化:;

對于特征j,按給定樣本權重訓練弱分類器,并計算其相對于當前權重的誤差

式中,為弱分類器的值;為第j個特征的特征值;為閾值;,表示分類方向;選擇本輪訓練中具有誤差的弱分類器加入到強分類器中去,;

更新每個樣本所對應的權重:

,

式中,;若樣本被正確分類,則;否則,

④最終的強分類器為:

;式中,

本發(fā)明的有益效果是:

本發(fā)明在提取類haar特征時,積分圖的使用有效地提高了訓練速度和檢測速度,可以快速、有效地對車輛進行識別。

具體實施方式

以下具體實施例對本發(fā)明作進一步闡述,但不作為對本發(fā)明的限定。

一種日間前方車輛檢測方法,包括以下步驟:

s1:通過攝像頭獲取車輛前方的視頻圖像,對視頻圖像進行預處理,包括灰度化處理處理和歸一化處理為20×20灰度圖;

s2:離線訓練:對大量的日間車輛正、負樣本圖片通過積分圖提取類haar特征,基于adaboost算法選取有效的類haar特征進行訓練,得到強分類器;

s3:在線識別:對測試樣本提取類haar特征,并將特征輸入到adaboost分類器進行車輛識別。

離線訓練的具體過程如下:

1)訓練樣本選擇:訓練樣本分為正樣本和負樣本,正樣本為日間車輛樣本圖片,負樣本為其他任意樣本圖片;選用正樣本1000張,負樣本3000張,對樣本進行灰度化處理,歸一化處理為20×20灰度圖,構成訓練樣本集;

2)利用積分圖在圖像上計算任意矩形區(qū)域內(nèi)的像素和,從而求得矩形值;在點(x,y)處從左到右的像素總和為:

;

式中:為在點的積分圖像的像素和;為點處的灰度值;借助積分圖像可以快速計算出類haar特征值;

3)基于adaboost分類器訓練:

①樣本集:,其中為輸入的訓練樣本向量;為類別標簽,;0和1分別代表負樣本和正樣本,假設樣本集中共有l(wèi)個正樣本,m個負樣本,l+m=n,每個樣本共有k個類haar特征值;

②初始化權重:

時為負樣本,;當=1時為正樣本,;

③對于t=1,2,…,t(t為訓練次數(shù),決定最終弱分類器的個數(shù)):

權重歸一化:

對于特征j,按給定樣本權重訓練弱分類器,并計算其相對于當前權重的誤差

式中,為弱分類器的值;為第j個特征的特征值;為閾值;,表示分類方向;選擇本輪訓練中具有誤差的弱分類器加入到強分類器中去,;

更新每個樣本所對應的權重:

,

式中,;若樣本被正確分類,則;否則,

④最終的強分類器為:

;式中,。

當前第1頁1 2 
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1